在前文「??搜索引擎告訴你如何大海撈針??」中，我們簡(jiǎn)要的描述了搜索引擎是如何從成百上千億的網(wǎng)站中，快速的搜索到我們要找的內(nèi)容。但能夠搜索到結(jié)果只是搜索流程中的一部分，還有另一個(gè)很重要組成部分 —— 排序。

現(xiàn)在我們隨便搜索一些數(shù)據(jù)可能都會(huì)找到幾十、甚至上百萬條結(jié)果，如果是較為熱門的內(nèi)容甚至?xí)猩锨f條。那如何從這上千萬個(gè)網(wǎng)頁中，找到用戶最想要的、或者說是跟用戶搜索的關(guān)鍵詞最相關(guān)的網(wǎng)頁呢?這就是我們本章要探索的內(nèi)容。

如何對(duì)相關(guān)的結(jié)果排序

“相關(guān)”這個(gè)詞其實(shí)并不是一個(gè)非黑即白的量化指標(biāo)，例如大家去搜索「XXX 車測(cè)評(píng)」或者「XXX 車怎么樣」的關(guān)鍵字時(shí)，假設(shè)搜索到了兩篇文章：

張三、李四對(duì)XXX車的測(cè)評(píng)

其文章內(nèi)容都是在描述這款車，只是角度不同。那這兩篇文章都是符合「相關(guān)」的。

接下來我們思考一個(gè)問題：

既然兩個(gè)網(wǎng)頁都相關(guān)，那誰該排在前面、誰該排在后面呢?這個(gè)排序的評(píng)判標(biāo)準(zhǔn)是啥呢?

我們可以通過“鏈接”的方式來實(shí)現(xiàn)。舉例說明，現(xiàn)在有另外的 4 個(gè)用戶 A、B、C、D，他們?cè)谀承┚W(wǎng)頁里貼了張三、李四車評(píng)網(wǎng)頁的鏈接，通過他們的鏈接，其他的用戶可以跳轉(zhuǎn)到張三、李四的網(wǎng)頁：

用戶A、B、C、D貼了張三、李四的網(wǎng)頁鏈接

可以看到，用戶 A 鏈接到了張三的網(wǎng)頁，而 B、C、D 鏈接到了李四的網(wǎng)頁，張三和李四的鏈接比例為 1:3，單從鏈接的數(shù)量這個(gè)緯度來看，搜索引擎就可以認(rèn)為李四的網(wǎng)頁應(yīng)該擁有更高的排名。

大家覺得這樣合理嗎?

可能大家還沒發(fā)現(xiàn)問題在哪兒，我把上面的圖換一下內(nèi)容，大家應(yīng)該就懂了：

用戶A、B、C、D的鏈接內(nèi)容是負(fù)面的

可以看到，雖然從鏈接數(shù)量上來看，李四更多一些，但這些內(nèi)容都是負(fù)面(咱們先善意假設(shè)這些負(fù)面內(nèi)容大概也許可能是真的)。張三雖然只有 1 個(gè)鏈接，但對(duì)其評(píng)價(jià)確實(shí)積極正面的。這個(gè)時(shí)候如果搜索引擎把李四的網(wǎng)頁排在前面肯定顯的不合適。(當(dāng)然，這里不考慮張三的網(wǎng)頁內(nèi)容質(zhì)量也很垃圾，只是找的水軍去給的好評(píng))

雖然如此，上面通過鏈接的方式也仍然有效，因?yàn)橘N鏈接更多的還是用于推薦。但用戶 A、B、C、D 卻沒有上圖中那么理想。因?yàn)楝F(xiàn)實(shí)中，用戶其實(shí)是有權(quán)重的。

引入權(quán)重

怎么個(gè)權(quán)重法呢?

舉個(gè)例子，當(dāng)一個(gè)網(wǎng)絡(luò)上的普通用戶告訴你，有個(gè)護(hù)膚的產(chǎn)品巨好用，你的內(nèi)心 OS Be like：呵呵，用你告訴我?但要是 XX琦直播間 告訴你，這個(gè)護(hù)膚的產(chǎn)品巨好用，你可能就會(huì)：買它!

這就是體現(xiàn)權(quán)重對(duì)我們決策影響的一個(gè)很好的例子，把這個(gè)實(shí)例代入到上面的圖中，假設(shè)用戶 A 是類似于 XX琦直播間 的一個(gè)很資深的、廣受好評(píng)、廣受信任的車評(píng)人，那他的建議權(quán)重肯定會(huì)大于其他的普通用戶。

但，計(jì)算機(jī)并不能像人腦一樣判斷某某用戶是個(gè)大 V，他的推薦要排在前面，總歸還是需要一個(gè)量化的過程，那到底該如何量化呢?底層其實(shí)還是鏈接那一套邏輯。

假設(shè)用戶 A 是個(gè)大 V，他的主頁被很多網(wǎng)頁給鏈接了，我們假設(shè)這些“很多”網(wǎng)頁都是一些普通的網(wǎng)頁，沒有其他任何鏈接指向他們，那么這些網(wǎng)頁的權(quán)重值就是 1，那么如果有 100 個(gè)這樣的網(wǎng)頁都貼了大 V 的主頁，那么大 V 的主頁權(quán)重值就是 100，如下圖所示：

在鏈接的數(shù)量模型中加上了權(quán)重值

通過對(duì)權(quán)重值的計(jì)算我們得出，張三網(wǎng)頁的排序優(yōu)先級(jí)應(yīng)該高于李四，因?yàn)闄?quán)重值 100 > 3。

看到這里，大家是不是覺得這樣已經(jīng)能解決我們開篇的問題了。通過鏈接 + 權(quán)重的方式，能夠?qū)⑾嚓P(guān)度較高的網(wǎng)頁排在前面。

不過很遺憾，這套邏輯有個(gè)非常大的問題。

鏈接的循環(huán)引用

實(shí)際的網(wǎng)頁依賴情況可不會(huì)像上圖這么的理想、清晰、層次分明，很多的網(wǎng)頁可能會(huì)存在循環(huán)依賴的情況，比如：

網(wǎng)頁在實(shí)際的環(huán)境中可能存在循環(huán)引用

碰上這種循環(huán)我們都知道會(huì)發(fā)生什么，部分網(wǎng)頁的權(quán)重值會(huì)不停的循環(huán)、不停的增加，而這顯然是不合理的。

隨機(jī)訪問

為了解決這個(gè)問題，我們需要使用“隨機(jī)訪問”。

簡(jiǎn)要描述就是：從網(wǎng)上隨便找個(gè)網(wǎng)頁開始訪問，然后隨機(jī)點(diǎn)一個(gè)鏈接，然后跳到下一個(gè)網(wǎng)頁再執(zhí)行同樣的操作。除此之外，“隨機(jī)訪問”還有一個(gè)機(jī)制：由 15% 的概率不隨機(jī)從當(dāng)前網(wǎng)頁點(diǎn)鏈接了，而是直接跳到已經(jīng)訪問過的頁面。

麻瓜描述就是：跟我們平時(shí)“網(wǎng)上沖浪“干的事差不多，就好像大家在手機(jī)上刷 B 站，點(diǎn)一個(gè)首頁推薦視頻，然后這個(gè)視頻下面還有推薦，再點(diǎn)，然后繼續(xù)看關(guān)聯(lián)的視頻，然后當(dāng)你命中了”15%“的概率，厭倦了，就瘋狂右滑回到首頁，繼續(xù)點(diǎn)其他的視頻，再重復(fù)這個(gè)過程。

然后，這套算法會(huì)記錄每個(gè)網(wǎng)頁被訪問的次數(shù)。因?yàn)槭请S機(jī)訪問，所以當(dāng)某個(gè)網(wǎng)站被其他的網(wǎng)站引用越多，它被訪問到的概率就越大。而這個(gè)被訪問的次數(shù)，就是它的權(quán)重了。

由于整套的隨機(jī)訪問是有總次數(shù)的限制，并且即使網(wǎng)頁之間的鏈接依賴存在循環(huán)，也不會(huì)導(dǎo)致權(quán)重?zé)o限次的增加，因?yàn)橛?15% 的概率重訪問。這樣一來就能能夠解決上面的死循環(huán)問題。本質(zhì)上，隨機(jī)訪問的底層邏輯還是依賴權(quán)重的思想，只不過權(quán)重的計(jì)算模式稍微換了一下。

總結(jié)

上面這一套算法也叫 PageRank，由 Google 的兩位創(chuàng)始人拉里·佩奇(Larry Page)和謝爾蓋·布林(Sergey Brin)在 1998 年的一篇論文《The Anatomy of a Large-Scale Hypertextual Web Search Engine》中提出。Page 是一語雙關(guān)，它既是創(chuàng)始人的名字，也代表網(wǎng)頁的排序。

只不過實(shí)際中的情況肯定只會(huì)更復(fù)雜，所以實(shí)際的隨機(jī)訪問算法和上面描述的略有不同。舉個(gè)例子，我想要推廣我的網(wǎng)頁 XX，那我可以搞一堆其他的無關(guān)緊要的網(wǎng)頁，在里面鏈上網(wǎng)頁 XX 的地址，以此來刷權(quán)重值，而這明顯是不符合預(yù)期的。并且，成百上千億的網(wǎng)頁，如果真的要運(yùn)行隨機(jī)訪問算法，耗時(shí)可想而知，所以 PageRank 并不能被實(shí)際應(yīng)用。并且實(shí)際的生產(chǎn)場(chǎng)景，不可能只通過這一個(gè)緯度來評(píng)判網(wǎng)頁的重要性。

不過，PageRank 的核心思想 —— 網(wǎng)頁權(quán)重值的傳遞仍然是有效的。