NLP 自然语言处理

搜索引擎是怎么工作的

1. 构建索引

搜索引擎会挑选重点部分，分别对待，比如重点关注标题、时间、正文。将这些信息给予不同的权重后，接着就是下一步，将它存储起来。

搜索引擎通常在搜索的时候，不会临时从全网找材料，而是将刚刚收集到的信息提前构建成索引，存储在便于快速检索的数据库中。只在自己的数据库中搜索，使我们的及时搜索更有效率。

如果你的网页内容有更新，你可以选择自己主动告诉搜索引擎“我更新了内容”，或者等待它定时用爬虫来爬取你的更新信息。这些爬虫每天都在各类网站上运行着，收集所有能够爬的网络信息。然后将这些信息都放入自己的数据池中，等待我们通过搜索来获取。

目前我们都只是提到了搜索引擎对于文字信息的理解。那当我们搜索图片或者视频的时候，它又是怎么处理的呢？

在深度学习还没有进入黄金年代的时候，大多的图片和视频搜索都是以文字形式记录的。也就是说在数据库中构建索引的时候，搜索引擎对图片和视频并不敏感，它为图片和视频构建的索引都是基于它们周围的文字信息，比如视频的标题等。

2. 数值匹配搜索

现在的深度学习给我们提供了另一条思路，也就是用模型从非文字的信息中提取计算机能够识别的可计算信息。 在用户用文字搜索时，将搜索的文字内容转换成深度学习能识别的数字内容，然后再和之前存储的图片、视频数字信息进行匹配，对比两种数字之间的关联性，然后找到最相近的内容。这种搜索，我们有一个专业名词叫作多模态搜索。

多模态搜索并不仅限于文字搜图片视频，它还能颠倒过来，用图片搜图片，图片搜视频等，因为在深度学习看来，只要它们能被转换成统一的数字形态，我就能对比相似性。

接下来我们从技术层面分析一下，你用文字搜文字时，究竟会发生什么呢。

3. 搜索过滤

深度学习模型有一个速度的硬伤，相比传统方法，每一次预测需要消耗更多的时间。而用户是无法忍受搜索中的延迟。为了实现在海量网页和文件中的快速搜索遍历，我们不得不使用到更加传统的方法, 而把深度学习方法放到后续更加适合的步骤中。

目前比较常用的方式，类似于这里的层层筛选过滤的方式，将筛选结果用不同的方法，从海量的网页中，一层层过滤到最符合你搜索条件的结果。而在需要做大量文档过滤处理的阶段，我们就使用时间消耗相对较少的技术，最后可以把深度学习方案，放在文档量和计算量都少的地方。接下来我们就介绍一下，什么样的技术能在数据量庞大的地方，又快又准地帮你找到搜索内容。

4. 正排/倒排索引

倒排索引是一种批量召回技术，它能快速在海量数据中初步召回基本符合要求的文章。

假设你开了家咨询公司，手上有100篇材料。这时有人来找你咨询NLP的问题，你会怎么在这100篇材料中找到合适的内容呢？

方法1：我们一篇一篇地阅读，找到所有包含NLP内容的材料，然后返回给提问者。这种方法需要我们在每次搜索的时候，都对所有材料进行一次阅读，然后在材料中找到关键词，并筛选出材料，效率其实非常差。

方法2：我们在第一次拿到所有材料时，把它们通读一遍，然后构建关键词和文章的对应关系。当用户在搜索特定词的时候，比如“红”，就会直接返回“红”这个【关键词索引】下的文章列表。先构造索引的好处就是能够将这种索引，放在后续的搜索中复用，搜索也就变成了一种词语匹配加返回索引材料的过程。

这里的 方式1是我们所谓的正排索引，方式2是更加快速的倒排索引。但当处理的是海量数据的时候，通过倒排索引找到的文章可能依然是海量。如果能有种方法对这些文章进行排序操作，再选取排名靠前的文章列表也能帮我们节省大量的时间。处理匹配排序，最有名的算法之一叫做TF-IDF。

直接看TF-IDF的名词解释，可能比较晦涩难懂。一个是词频，一个是逆文本频率指数。 在一篇文章中，越重要的内容，强调的次数也越多，所以频率（TF）会大，我们可以用词频高的词代表这篇文章。所以TF可以用一张词和文章标号的表来展示。不过问题来了，像语气词或“你我他”这种词，同样也会出现很多次，光用TF，我们没办法除去这些词的影响。而TF-IDF中的IDF，就可以在这个时候帮上忙，它是所有词在这个系统中的区分力的大小，如果每篇文章里都有“我”这个字，那么它的在任意一篇文章当中的区分力都不强，而如果你关键词搜索的是“莫烦”，那么全网都没有几个叫“莫烦”的，“莫烦”IDF就会很大，意味着“莫烦”的区分力也够强。

TF-IDF 两者结合其实就是两者相乘的意思，这样的结果意味着所有的文章，都能用一串集合所有词的分数来表示。通过分数的高低，我们也能大概看出这篇文章的关键内容是什么。比如第一篇，虽然TF告诉我们文章中“爱”这个字最多，但是IDF却告诉我们“莫烦”在文章中更具有代表性，所以根据TF-IDF的结合，这篇文章更具有“莫烦”属性。

假设我们搜索关键词“莫烦Python”,机器会利用词表的模式计算“莫烦Python”这个问题的TF-IDF值。然后会计算问句和每篇文章的cosine距离，这个例子中的计算过程，简单来说，就是将文章按照词的维度放到一个四维空间中，（这里我画不了四维，我就用个三维空间说明一下）然后把问句同样也放到这个空间里，最后看空间中这个问题离哪一个文章的距离最近，越近则相似度越高。通过这样的方式呢，我们就能找到搜索问题的最佳匹配文章了。

说到这里，我不得不提到一个在NLP问题中非常重要的东西，那就是向量。我们刚刚把问句或者是文章，用数字的模式，投射到空间中，都是将问句或文章转变成向量，然后按照向量的模式指向空间中的某个位置。