ДонНУ, кафедра КТ, проф. В. К. Толстых Поиск в Internet Из цикла лекций «Современные Internet-технологии» для студентов 5-го курса кафедры Компьютерных технологий физического факультета Донецкого национального университета
2 Содержание Как работают «Каталоги»Как работают информационно-поисковые системы (ИПС)Характеристики поисковых системПравила поискаPageRank и SEO Для реализации поисковых алгоритмов, технологий и средств взаимодействия поисковых систем с человеком сегодня интенсивно разрабатываются и внедряются интеллектуальные агенты.интеллектуальные агенты
3 Как работают каталоги Поисковые узлы каталоги обслуживает большое количество людей (~100): Классификаторы – разрабатывают и совершенствуют рубрики своей информационной базы для Internet-документов, Систематизаторы – читают Internet-документы и, зная рубрики классификаторов, приписывают им классификационные индексы. При классификации и систематизации информации здесь постоянно присутствует «человеческий» фактор. Достоинства каталогов – простой доступ пользователей к популярной и качественной информации. Недостатки – любая оценка документа классификатором и систематизатором является социальным действием, она связана с их культурой, мировоззрением, глубиной и широтой знаний.
4 Как работают ИПС Интеллектуальные агенты ИПС – это комплект программ: Spider («паук») программа, которая загружает в поисковую машину Web- страницы. Работает аналогично браузеру, но ничего не отображает ни на каком экране. Crawler («червяк», или «путешествующий паук») программа, способная найти на Web-странице все ссылки на другие страницы. Ее задача определить, куда дальше должен ползти «паук», руководствуясь ссылками или заранее заданным списком адресов. Indexer (индексатор) программа, которая «разбирает» страницу на составные части и анализирует их. Вычленяются и анализируются заголовки Web-страниц, заголовки документов, ссылки, текст документов, отдельно текст, выделенный полужирным шрифтом, курсивом и т.д. Database (база данных) хранилище данных в виде инвертированного индекса, где для каждого слова из страниц доставленных пауком перечислены все места (URL документов, позиция слова, цвет и размер шрифта...), в которых слово встретилось. Search Engine Results Engine (система выдачи результатов поиска) решает, какие страницы удовлетворяют запросу пользователя и в какой степени. Именно с этой частью поисковой системы «общается» пользователь.
5 Полнота Два аспекта: полнота охвата, полнота отклика Полнота охвата – это общее количество проиндексированных из Internet документов. Полнота отклика определяется по формуле: где N – общее количество полученных документов, N 1 – количество документов, формально соответствующих запросу. В идеале должно быть 100%. Полнота тесно связана с оперативностью обновления информации.
6 Релевантность Релевантность – соответствие полученной информации отправленному запросу: где N 2 – количество документов, соответствующих запросу. В идеале должно быть 100%. Механизмы расчёта релевантностиМеханизмы расчёта релевантности. Средства повышения пертинентности: 1.уточнение формулировки запроса 2.ранжирование документов по весовым коэффициентам 3.Внедрение интеллектуальных технологий поиска
7 Лидеры ИПС Международные: Российские: Украинские:
Основные логические операторы ОператорRamblerЯndexGoogle Логическое И And & пробел & пробел (в пределах предложения) && (в пределах документа) пробел Логическое ИЛИ Or | | OR Логическое НЕ NOT ! ~ (в пределах предложения) ~~ (в пределах документа) NOT – Группировка()
Уточнение запроса Чтобы исключить документы, где встречается определенное слово, поставьте перед ним знак минус в Google или ~ или ~~ в Yandex. Например (для путеводитель по Франции ~~агентство ~~тур Чтобы определенное слово обязательно присутствовало в документе, а не его синонимы, поставьте перед ним плюс и в Yandex, и в Google. Например: школьное оборудование +проектор Попробуйте задать для поиска три-четыре слова-синонима сразу. Для этого перечислите их через вертикальную черту | или OR. Например: норма|норматив|правило Матчи ЦСКА 2005 | 2006 Чтобы найти документ, в котором встречается определенная фраза, возьмите эту фразу в кавычки. Например: «быть или не быть»
10 Примеры профессиональных запросов к ИПС Запрос к системе "Интегрум" по теме"Услуги связи: "услуги связи" или "междугородные переговоры" или "телефонные переговоры" или "мобильная связь" или "фиксированная связь" или "сотовая связь" или "сотовый оператор" или "средства связи" или "телефонная связь" или "спутниковая связь" или "космическая связь" или GPRS или ростелеком или связьинвест или госкомсвязь или госкомтелеком или госсвязьнадзор или телекоммуникации или электросвязь или АТС или ГТС или минсвязи или "министерство связи" или "волоконно-оптическая линия связи" или ВОЛС Запрос к системе InfoStream по теме "Мобильная связь": (((мобильн~связ) | (мобiльн~зв'яз) | (сотов~связ) | (стiльник~зв'яз) | (беспроводн~связ) | (бездрот~зв'яз) | (бесперебойн~связ) | (безперебiйн~зв'яз) | j2me]| ems]| 3g]| gprs]| ggsn]| sgsn]| sms]| mms]| ems]| bluetooth]| mms]| tdma]| multipoint]| pcs]| cdma]| ofdm]| vpn]| wap]| umts]| gsm)&((моб~телефон)| (стiльник~телефон)| (сотов~телефон))) ! this.is
11 PageRank SEO – Search Engine Optimization Поисковая оптимизация направлена на увеличение количества посетителей Web-сайта за счёт повышения ранга сайта (без оплаты поисковым компаниям).
12 Факторы, влияющие на поисковый ранг, - должны быть достоверными с нужными ключевыми словами имена каталогов, файлов должны быть «ключевыми словами». Отдельные слова в имени файла страницы должны отделяться «-», а не «_», т. к. «-» ИПС трактуют как пробел и индексируют все слова, а «_» - как объединение слов. ссылки (отсутствие) на страницы спама или «дурного общества» чем старее домен, страница (при этом активно изменяется), тем выше рейтинг ссылки со «старых» сторонних сайтов повышают рейтинг страницы длительные (более года) оплаты за домен повышают рейтинг сайта (спамеры покупают домены не более чем на год) количество, качество и релевантность входящих ссылок. GET-параметры исходящих ссылок индексируются вместе со ссылками, поэтому они должны иметь осмысленные, постоянные ключевые слова текст, окружающий ссылки, должен быть семантически родственным. Это повышает ранг ссылки и страницы на которую она ссылается ссылка на страницу с множеством исходящих ссылок понижает ранг ссылки ссылки между страницами из IP одного класса С понижаются в рейтинге, т. к. похожи на механизм искусственного рейтинга ссылки из доменов.edu,.gov имеют повышенный ранг важные ссылки на страницах не должны располагаться в конце страницы
13 Штрафование поискового ранга ссылки с разными GET-запросами, приводящими к одной и той же странице. Нельзя в GET вставлять параметры сеансов, т. к. они изменяются перенаправление на др. страницы на клиенте считается спамом перемещение или изменение имени страницы снижает её рейтинг страницы с дублированным контентом: вследствие архитектуры сайта (в т. ч. страницы для печати, одинаковые, …) вследствие кражи контента нельзя в ссылках указывать имена файлов, загружаемых по умолчанию, т. к. такие файлы будет индексироваться дважды Преодолеть штрафные баллы за дублирование контента можно через закрытие соответствующего контента от индексирования поисковиками. Для этого надо поместить в корень сайта файл robots.txt : User-agent: *- для всех типов поисковиков Disallow: /admin/- для всех URL, начинающихся с /admin/ Disallow: /*Intra/- для всех URL, содержащих где-либо /Intra/ Disallow: /file.txt- для всех URL, начинающихся с /file.txt/