搜索引擎鏈接分析算法之：hilltop算法

1、<p>　　Hilltop外鏈算法是由Krishna Baharat 在2000年左右研究的，于2001年申請專利，但是有很多人以為Hilltop算法是由谷歌研究的。只不過是Krishna Baharat 后來加入了Google成為了一名核心工程師，然后授權給Google使用的。 </p><p>　　在與PageRank算法相比之下，Google意識到這個算法的進步會為他們的搜索排名帶來非常

2、重要的功能。Google的HillTop算法現(xiàn)在已經(jīng)能更好的與舊的算法(PR算法)聯(lián)合起來工作。根據(jù)觀察HillTop算法比起它在2000年剛設計的時候已經(jīng)有了很大的進步。顯然這也是2003年11月16日“佛羅里達”更新中影響的一個最主要的算法。     </p><p>　　1. Hilltop算法基本思想</p><p>　　Hilltop融合了HITS和

3、PageRank兩個算法的基本思想：</p><p>　　一方面，Hilltop是與用戶查詢請求相關的鏈接分析算法，吸收了HITS算法根據(jù)用戶查詢獲得高質(zhì)量相關網(wǎng)頁子集的思想，即主題相關網(wǎng)頁之間的鏈接對于權重計算的貢獻比主題不相關的鏈接價值要更高.符合“子集傳播模型”，是該模型的一個具體實例；</p><p>　　另一方面，在權值傳播過程中，Hilltop也采納了PageRank的基本指導

4、思想，即通過頁面入鏈的數(shù)量和質(zhì)量來確定搜索結果的排序權重。</p><p>　　2. Hilltop算法的一些基本定義</p><p>　　非從屬組織頁面：   </p><p>　　“非從屬組織頁面”（Non-affiliated Pages）是Hilltop算法的一個很重要的定義。要了解什么是非從屬組織頁面，先要搞明白什么是“從屬組織網(wǎng)站”，

5、所謂“從屬組織網(wǎng)站”，即不同的網(wǎng)站屬于同一機構或者其擁有者有密切關聯(lián)。具體而言，滿足如下任意一條判斷規(guī)則的網(wǎng)站會被認為是從屬網(wǎng)站：</p><p>　　條件1：主機IP地址的前三個子網(wǎng)段相同，比如：IP地址分別為159.226.138.127和159.226.138.234的兩個網(wǎng)站會被認為是從屬網(wǎng)站。</p><p>　　條件2：如果網(wǎng)站域名中的主域名相同，比如:www.ibm.com和

6、www.ibm.com.cn會被認為是從屬組織網(wǎng)站。 </p><p>　　“非從屬組織頁面”的含義是：如果兩個頁面不屬于從屬網(wǎng)站，則為非從屬組織頁面。圖6-22是相關示意圖，從圖中可以看出，頁面2和頁面3同屬于IBM的網(wǎng)頁，所以是“從屬組織頁面”，而頁面1和頁面5、頁面3和頁面6都是“非從屬組織頁面”。由此也可看出，“非從屬組織頁面”代表的是頁面的一種關系，單個一個頁面是無所謂從屬或者非從屬組織頁面的

7、。</p><p>　　圖6-22 “從屬組織頁面”與“非從屬組織頁面”</p><p><b>　　專家頁面：</b></p><p>　　“專家頁面”(Export Sources)是Hilltop算法的另外一個重要定義。所謂“專家頁面”，即與某個主題相關的高質(zhì)量頁面，同時需要滿足以下要求：這些頁面的鏈接所指向的頁面相互之間都是“非從屬組織

8、頁面”，且這些被指向的頁面大多數(shù)是與“專家頁面”主題相近的。</p><p><b>　　目標頁面集合：</b></p><p>　　Hilltop算法將互聯(lián)網(wǎng)頁面劃分為兩類子集合，最重要的子集合是由專家頁面構成的互聯(lián)網(wǎng)頁面子集，不在這個子集里的剩下的互聯(lián)網(wǎng)頁面作為另外一個集合，這個集合稱作“目標頁面集合”（Target Web Servers）。</p>

9、<p>　　3. Hilltop算法</p><p>　　圖6-23是Hilltop算法的整體流程示意。</p><p>　　1) 建立專家頁面索引：首先從海量的互聯(lián)網(wǎng)網(wǎng)頁中通過一定規(guī)則篩選出“專家頁面”子集合，并單獨為這個頁面集合建立索引。</p><p>　　2）用戶查詢: Hilltop在接收到用戶發(fā)出的某個查詢請求時:</p>&

10、lt;p>　　首先) 根據(jù)用戶查詢的主題，從“專家頁面”子集合中找出部分相關性最強的“專家頁面”，并對每個專家頁面計算相關性得分，</p><p>　　然后)根據(jù)“目標頁面”和這些“專家頁面”的鏈接關系來對目標頁面進行排序?；舅悸纷裱璓ageRank算法的鏈接數(shù)量假設和質(zhì)量原則，將專家頁面的得分通過鏈接關系傳遞給目標頁面，并以此分數(shù)作為目標頁面與用戶查詢相關性的排序得分。</p><p

11、>　　最后) 系統(tǒng)整合相關專家頁面和得分較高的目標頁面作為搜索結果返回給用戶。</p><p>　　圖6-23 Hilltop算法流程</p><p>　　若在上述過程中，Hilltop無法得到一個足夠大的專家頁面集合，則返回搜索結果為空。由此可以看出，Hilltop算法更注重搜索結果的精度和準確性，不太考慮搜索結果是否足夠多或者對大多數(shù)用戶查詢是否都有相應的搜索結果，所以很多用戶發(fā)

12、出的查詢的搜索結果為空。這意味著Hilltop可以與某個排序算法相結合，以提高排序準確性，但并不適合作為一個獨立的網(wǎng)頁排序算法來使用。</p><p>　　4. Hilltop算法流程</p><p>　　從上述整體流程描述可看出，Hilltop算法主要包含兩個步驟：專家頁面搜索及目標頁面排序。</p><p>　　步驟一：專家頁面搜索</p><

13、;p>　　Hilltop算法從1億4千萬網(wǎng)頁中，通過計算篩選出250萬規(guī)模的互聯(lián)網(wǎng)頁面作為“專家頁面”集合?！皩＜翼撁妗钡倪x擇標準相對寬松，同時滿足以下兩個條件的頁面即可進入“專家頁面”集合:</p><p>　　條件1：頁面至少包含k個出鏈，這里的數(shù)量k可人為指定；</p><p>　　條件2：k個出鏈指向的所有頁面相互之間的關系都符合“非從屬組織頁面”的要求；</p>

14、<p>　　當然，在此基礎上，可以設定更嚴格的篩選條件，比如要求這些“專家頁面”所包含鏈接指向的頁面中，大部分所涉及的主題和專家頁面的主題必須是一致或近似的。</p><p>　　根據(jù)以上條件篩選出“專家頁面”后，即可對“專家頁面”單獨建索引，在此過程中，索引系統(tǒng)只對頁面中的“關鍵片段”（Key Phrase）進行索引。所謂“關鍵片段”，在Hilltop算法里包含了網(wǎng)頁的三類信息：網(wǎng)頁標題、H1標簽

15、內(nèi)文字和URL錨文字。</p><p>　　網(wǎng)頁的“關鍵片段”可以支配（Qualify）某個區(qū)域內(nèi)包含的所有鏈接，“支配”關系代表了一種管轄范圍，不同的“關鍵片段”支配鏈接的區(qū)域范圍不同，具體而言：</p><p>　　頁面標題可以支配頁面內(nèi)所有出現(xiàn)的鏈接，</p><p>　　H1標簽可以支配包圍在<H1>和</H1>內(nèi)的所有鏈接，<

16、/p><p>　　URL錨文字只能支配本身唯一的鏈接。</p><p>　　圖6-24給出了“關鍵片段”對鏈接支配關系的示意圖，在以“奧巴馬訪問中國”為標題的網(wǎng)頁頁面中，標題支配了所有這個頁面出現(xiàn)的鏈接，而H1標簽的管轄范圍僅限于標簽范圍內(nèi)出現(xiàn)的2個鏈接，對于錨文字“中國領導人”來說，其唯一能夠支配的就是本身的這個鏈接。之所以定義這種支配關系，對于第二階段將“專家頁面”的分值傳遞到“目標頁面”

17、時候會起作用。</p><p>　　圖6-24 “關鍵片段”鏈接支配關系</p><p>　　系統(tǒng)接收到用戶查詢Q，假設用戶查詢包含了多個單詞，Hilltop如何對“專家頁面”進行打分呢？對“專家頁面”進行打分主要參考以下三類信息：</p><p>　　1)“關鍵片段”包含了多少查詢詞，包含查詢詞越多，則分值越高，如果不包含任何查詢詞，則該“關鍵片段”不計分；<

18、;/p><p>　　2)“關鍵片段”本身的類型信息，網(wǎng)頁標題權值最高，H1標簽次之，再次是鏈接錨文字；</p><p>　　3)用戶查詢和“關鍵片段”的失配率，即“關鍵片段”中不屬于查詢詞的單詞個數(shù)占“關鍵片段”總單詞個數(shù)，這個值越小越好，越大則得分衰減越多；</p><p>　　Hilltop綜合考慮以上三類因素，擬合出打分函數(shù)來對“專家頁面”是否與用戶查詢相關進行打

19、分，選出相關性分值足夠高的“專家頁面”，以進行下一步驟操作，即對“目標頁面”進行相關性計算。</p><p>　　步驟二：目標頁面排序</p><p>　　Hilltop算法包含一個基本假設，即認為一個“目標頁面”如果是滿足用戶查詢的高質(zhì)量搜索結果，其充分必要條件是該“目標頁面”有高質(zhì)量“專家頁面”鏈接指向。然而，這個假設并不總是成立，比如有的“專家頁面”的鏈接所指向的“目標頁面”可能與用

20、戶查詢并非密切相關。所以，Hilltop算法在這個階段需要對“專家頁面”的出鏈仔細進行甄別，以保證選出那些和查詢密切相關的目標頁面。</p><p>　　Hilltop在本階段是基于“專家頁面”和“目標頁面”之間的鏈接關系來進行的，在此基礎上，將“專家頁面”的得分傳遞給有鏈接關系的“目標頁面”。傳遞分值之前，首先需要對鏈接關系進行整理，能夠獲得“專家頁面”分值的“目標頁面”需要滿足以下兩點要求：</p>

21、;<p>　　條件1：至少需要兩個“專家頁面”有鏈接指向“目標頁面”，而且這兩個專家頁面不能是“從屬組織頁面”，即不能來自同一網(wǎng)站或相關網(wǎng)站。如果是“從屬組織頁面”，則只能保留一個鏈接，拋棄權值低的那個鏈接；</p><p>　　條件2：“專家頁面”和所指向的“目標頁面”也需要符合一定要求，即這兩個頁面也不能是“從屬組織頁面”；</p><p>　　在步驟一，給定用戶查詢，H

22、illtop算法已經(jīng)獲得相關的“專家頁面”及其與查詢的相關度得分，在此基礎上，如何對“目標頁面”的相關性打分？上面列出的條件1指出，能夠獲得傳遞分值的“目標頁面”一定有多個“專家頁面”鏈接指向，所以“目標頁面”所獲得的總傳播分值是每個有鏈接指向的“專家頁面”所傳遞分值之和。而計算其中某個“專家頁面”傳遞給“目標頁面”權值的時候是這么計算的：</p><p>　　a. 找到“專家頁面” 中那些能夠支配目標頁面的“關

23、鍵片段”集合S；</p><p>　　b. 統(tǒng)計S中包含用戶查詢詞的“關鍵片段”個數(shù)T，T越大傳遞的權值越大；</p><p>　　c.“專家頁面”傳遞給“目標頁面”的分值為：E*T，E為專家頁面本身在第一階段計算得到的相關得分，T為b步驟計算的分值，</p><p>　　我們以圖6-25的具體例子來說明。假設“專家頁面”集合內(nèi)存在一個網(wǎng)頁P，其標題為：“奧巴馬訪問

24、中國”，網(wǎng)頁內(nèi)容由一段<H1>標簽文字和另外一個單獨的鏈接錨文字組成。該頁面包含三個出鏈，其中兩個指向“目標頁面集合”中的網(wǎng)頁www.china.org,另外一個指向網(wǎng)頁www.obama.org。出鏈對應的錨文字分別為：“奧巴馬”，“中國”和“中國領導人”。</p><p>　　圖6-25 Hilltop算法分值傳遞</p><p>　　從圖示的鏈接關系可以看出，網(wǎng)頁P中能夠

25、支配www.china.org這個目標頁面的“關鍵片段”集合包括：{中國領導人，中國，<H1>奧巴馬訪問中國</H1>,標題：奧巴馬訪問中國}。而能夠支配www.obamba.org目標頁面的“關鍵片段”集合包括：{奧巴馬，<H1>奧巴馬訪問中國</H1>,標題：奧巴馬訪問中國}。</p><p>　　接下來我們分析“專家頁面”P在接收到查詢時，是怎樣將分值傳遞給與

26、其有鏈接關系的“目標頁面”的。假設系統(tǒng)接收到的查詢請求為“奧巴馬”,在接收到查詢后，系統(tǒng)首先根據(jù)上述章節(jié)所述,找出“專家頁面”并給予分值，而網(wǎng)頁P是作為“專家頁面”其中一個頁面，并獲得了相應的分值S，我們重點關注分值傳播步驟。</p><p>　　對于查詢“奧巴馬”來說，網(wǎng)頁P中包含這個查詢詞的“關鍵片段”集合為：{奧巴馬，<H1>奧巴馬訪問中國</H1>,標題：奧巴馬訪問中國}，如上所述

27、，這三個“關鍵片段”都能夠支配www.obama.org頁面，所以網(wǎng)頁P傳遞給www.obamba.org的分值為S*3。而對于目標頁面www.china.org來說，這三個“關鍵片段”中只有{<H1>奧巴馬訪問中國</H1>,標題：奧巴馬訪問中國}這兩個能夠支配目標頁面，所以網(wǎng)頁P傳遞給www.china.org的分值為S*2。</p><p>　　對于包含多個查詢詞的用戶請求，則每個查

28、詢詞單獨如上計算，將多個查詢詞的傳遞分值累加即可。</p><p>　　5. Hilltop在應用中不足</p><p>　　專家頁面的搜索和確定對算法起關鍵作用，專家頁面的質(zhì)量決定了算法的準確性；而專家頁面的質(zhì)量和公平性在一定程度上難以保證。 Hiltop忽略了大多數(shù)非專家頁面的影響。</p><p>　　在Hilltop的原型系統(tǒng)中，專家頁面只占到整個頁面的1．

29、79%，不能全面反映民意。</p><p>　　Hilltop算法在無法得到足夠的專家頁面子集時(少于兩個專家頁面)，返回為空，即Hilltop適合于對查詢排序進行求精，而不能覆蓋。這意味著Hilltop可以與某個頁面排序算法結合，提高精度，而不適合作為一個獨立的頁面排序算法。</p><p>　　Hilltop存在與HITS算法類似的計算效率問題，因為根據(jù)查詢主題從“專家頁面”集合中選取

30、主題相關的頁面子集也是在線運行的，這與前面提到的HITS算法一樣會影響查詢響應時間。隨著“專家頁面”集合的增大，算法的可擴展性存在不足之處。</p><p>　　--------------------- </p><p><b>　　作者：規(guī)速 </b></p><p><b>　　來源：CSDN &l

31、t;/b></p><p>　　原文：https://blog.csdn.net/hguisu/article/details/8021036 </p><p>　　版權聲明：本文為博主原創(chuàng)文章，轉(zhuǎn)載請附上博文鏈接！</p><p>　　網(wǎng)站部分內(nèi)容來自網(wǎng)絡，僅作分享之用，文章版權屬于原作者。如果分享內(nèi)容侵犯您的版權或者所標來源非第一原創(chuàng)，請聯(lián)系我們