算法是百度工程师的利器

算法是百度工程师的利器

2007年05月20日 星期日 17:47

“工欲善其事，必先利其器”，对于百度工程师来说，算法就是他们解决难题的利器。 为什么这么说？因为百度搜索引擎研发的各个环节都离不开算法。我们需要快速，准确、实用、创新和不断改进的算法来满足用户的需求。 百度面对的是海量的互联网数据，以及每天上亿次的检索请求。它要求百度能够收录和索引超过10亿的中文网页，并提供快速的检索服务。这只有高效率的算法才能完成。 百度招聘的工程师在加入公司后，有一道入门练习题，就是编写一个数据扫描分析程序，要求写出的程序能在1分钟之内扫描分析完千万量级的数据，才算及格。高水平的程序员可以利用高效的算法在10秒以内解决问题，甚至只要六七秒。但如果没用对算法，花一星期的时间，也做不到1分钟之内。 大家可以设想一下，百度有十亿以上的网页，如果要在一周甚至三天内处理一遍，平均每秒处理要多少个？每天1亿次的检索又意味着峰值时每秒要处理多少次检索？事实上，针对一个问题，我们可以想出很多的算法，但如果效率不高，是无法真正投入使用的。 Web搜索引擎是一个很新的研究领域，因为从它诞生到现在不过10年左右的时间。学术界IR(Information Retrieval)领域的研究为搜索引擎提供了不少算法方面的理论基础模型，但这些理论距构建一个好的Web搜索引擎还有很大一段距离。这需要我们探索和开发很多新的算法及系统。实际上，百度搜索引擎中的很多算法都极具创新性，而且都是基于实际应用的需求。这是和学术界研究工作的一个较大差异。学术界的算法研究主要是为了解决某个学术方面的问题，不是太关注实用性，以及效率。 举个例子来说，在传统的中文分词算法研究中，学术界最关注的是能达到多高的准确率，但对算法的运行速度上考虑的相对较少。可在百度，如果使用的分词算法速度太慢，就根本无法应用。此外，百度面对的是Web上的大量数据，大部分传统的IR算法都会遇到信息爆炸的问题，我们需要想出很多新的方法来解决这些问题。这对我们的工程师的算法提出了很高的要求。 Web上的数据是不断变化的，用户的检索需求也是不断变化的。百度就是要在这不断变化的两者之间需找一个最佳匹配。所以百度的算法需要持续的进行改进，以迅速适应这些变化。比如对搜索引擎来说有一个方面的技术很重要，就是判断一个网站是否在作弊的方法。由于那些针对搜索引擎作弊的人，如果能提高搜索引擎排名，将获得巨大的经济利益，所以他们会不断使用各种方法去猜测百度算法中潜在的漏洞，进行攻击。这是一个很复杂的问题，而且仍在不断发展变化中。这就要求我们能够迅速的发现这类问题，提出算法，并应用到百度搜索引擎中。在最短时间内消灭问题。否则作弊行为很快就会泛滥成灾。 在百度，算法的应用是融入到研发部门每个人的工作中的。在这里，不是经理告诉工程师做什么，怎么做，用什么算法，而是需要工程师自己在某个领域去发现问题，提出算法，评估效果，并不断改进。这要求每个工程师在算法上的基本功很强，并能灵活的加以应用，以解决实际问题。现在，百度有不少的程序员，他们大部分的时间是用在发现问题，分析问题，思考解决问题的方法上。实际编写代码所花的时间并不多。 有不少人觉得，现在的搜索引擎已经足够好了，算法上没有太多改进余地了。我不赞成这个观点。虽然每次CNNIC互联网用户调查的数据显示，超过90%的人对搜索引擎提供的服务表示满意，但是第一次搜索就能找到满意结果的用户只有50%左右，很多用户都是在多次更换关键词之后才搜索到自己想要的结果。这说明我们还有巨大的改进空间。让所有用户能在第一时间找到他们想要的信息，是我们的最终目标。 可以说，搜索引擎开发中使用的基本算法大部分都在大学课程中涵盖了。对于一个人来说，在学校学习过这个算法，和能够灵活运用是两个概念。只有通过参与较多的项目开发和程序编写，将算法和应用相结合，才能在这方面得到较好的发展。 对于算法学习，我的建议还是多思考，多做项目和程序。在做的过程中肯定会遇到一些问题，这是正常的。好的程序员善于从问题和失败中学到东西，举一反三，设法避免以后出现同样或类似的错误。另外，还要善于从别人身上学习，有意识的进行思考和总结，这是比较有效的。