Google技术副总裁谈Google排名算法

　　今天是Google新闻发布日2006，大家可以看新闻发布会的实况，长达3个多小时。在发布会上Google总裁Eric Schmidt谈到Google的核心还是搜索，相关人员介绍了四个新产品，其中Google Trend对关键词研究很有用。

　　最感兴趣的是Google技术部门副总裁Alan Eustace谈Google排名的情况。所以我只跳到这个部分看了一下，大概半小时。下面拣记得的重点介绍给大家。

　　Alan首先谈到的是蜘蛛爬行，基本上就是跟踪所发现的链接。

　　速度非常重要。上一次Google在主页上发布的信息是，在数据库中有80亿网页。如果每秒爬行一个网页的话，这80亿的网页需要250多年才能爬行完。所以高速爬行网页非常重要。

　　爬行时的另外一个问题是，大概有50％的网页都是重复内容。所以Google所收录的80亿其实是已经丢掉了一半后的数字，真正爬行的有可能是200亿文件。

　　爬行时还有一个危险就是无限循环。比如说跟踪某个网页上日历的链接，可能在这个日历上总是有“下一个月”这个按钮，产生无限循环。因为网页程序可以无限制的生成下一个月的月历，Google蜘蛛就出不来了。

　　10％到20％的网站每个月都会更新内容，更新度也很重要。

　　然后是索引，索引就和一本书的索引差不多。比如说用户搜索heart attack（心脏病暴发），heart出现在文件5，9，25，attack出现在文件7，9，22，那么很明显第九个网页是符合条件的网页，这样搜索范围就已经限制在包含搜索词的网页内。

　　当然这个数量还是巨大的，再怎么从这里面挑出最好的结果呢？也就是进一步计算排名。

　　Google用两百多个信号来计算排名，这是新信息。

　　Alan提到了锚文字和PageRank。

　　举斯坦弗大学网页作为例子，很多其他网站会连向斯坦弗大学的网页，那么可以合理假定斯坦弗大学的网站权威性比较高，这也就是PR的意义。

　　然后是锚文字，也就是链接文字。比如在斯坦弗大学的网页上，一个以“Knight fellows”为链接文字的链接到其他网站，那么这个链接文字本身就在一定程度上说明了那个网页的主题，就算在那个网页上面Knight fellows这个词根本没有出现。

　　这个排名过程必须是自动的，不可能人工去调节这些排名。

　　Alan谈到大约20％到25％的搜索关键词都是独特的，也就是说以前从来没有别人所搜索过的。用户都非常有创意，会以各种各样形式组合的词来做搜索。

　　一个关键词搜索是由上千架机器所处理的。

　　Alan接着谈到垃圾技术，比如说在留言本里留下垃圾链接，这种技术对Google来说早就不起作用了。再比如有的作弊的人建立大量的网站，在这些网站之间互相链接，这对Google也不起作用。

　　他加了一句：对别的搜索引擎起不起作用，那就不知道了。

　　Google在做算法调整的时候，依据是多少人受益。比如说做某个调整，40％的人会觉得搜索质量提高，40％的人觉得没什么变化，20％的人觉得搜索质量降低，Google的决定就会是进行这个调整。

　　不可能在100％的搜索词下满足100％的人。

　　Alan还提到很多其他语言的搜索也非常困难，比如中文分词技术。

　　这段谈话倒没有很出人意料的地方，但Google负责技术的副总裁自己谈Google排名算法就已经很难得了。

　　等有时间再完整看一遍，看有什么新东西。
    来源: Zac