2-5 搜索引擎性能评价
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
33
第一：查询样例集合：真实性
如何构建真实的查询样例集合？ 信息检索评测：搜索引擎的用户日志
• TREC Web检索任务：Live或者Yahoo! • 北大SEWM评测：天网搜索 • SogouT评测：搜狗搜索
34
第一：查询样例集合：真实性 如何构建真实的查询样例集合？ 日志收集的隐私保护 (AOL) 无法收集日志数据时的折衷方案
实验的主要结论
• 标引语言的检索性能排序：单元词最好，受 控语言次之，自然语言最差 • 使用单元词法时，引入词形与同义控制有一 定效果，但若加强控制，检索性能会降低 • 对于受制语言，在受制词外，若再引入上位 词或上下位词或相关词，系统性能会降低
25
（3）Cranfield评价体系 体系建立 Cleverdon等人于上世纪五十年代末到六十年代初 在Cranfield University工作时提出 确立了评价在信息检索研究中的核心地位 体系组成 评测语料 查询样例 标准答案 评价指标
9
搜索产品的未来
社交化 移动化 整合暗网数据 知识？推理？ 自然语言问答 多模态交互方式 可视化 ……
10
ห้องสมุดไป่ตู้
主要内容：
搜索引擎体系结构设计理念
搜索引擎性能评价
11
搜索引擎性能评价的现状
12
搜索引擎性能评价的现状
13
性能评价的作用
对搜索引擎用户而言： 挑选最有利于获取信息的手段 对搜索引擎工程师而言： 算法及数据处理方式有效性的判断 对搜索引擎广告商而言： 挑选最有效的广告投放手段 评价在信息检索系统的研发中一直处于 核心的地位，以致于算法与其效果评价 方式是合二为一的（Saracevic, SIGIR 1995）
1 2 3 4 1 4 3 6 / /f/hotweb/053/17/88017.htm / /fight/warcraft/
基本按照顺序进行点击 点击的页面都是关于查询词的内容丰富的站点 或hub型页面
40
第三：查询样例集合：代表性
举例：魔兽争霸 用户3：游戏下载（事务类）
点击次序 被点击结果的排序 URL
1 2 3 4 3 2 /f/hotweb/053/17/88017.htm / /
26
（3）Cranfield评价体系
语料库
查询样例 标准答案
语料库
查询样例 查询结果列表
待评价 搜索引擎
评价指标
评价结果
27
（3） Cranfield评价体系 如何用Cranfield评价体系进行检索效果评价 如何构建语料库集合 如何构建查询样例集合 面临哪些技术问题？ 构建的方法是什么？ 如何构建标准答案集合 如何设计评价指标
内容索引子系统：节约每一个比特 链接结构分析子系统：舍弃在线计算的HITS算法 内容检索子系统：舍弃复杂的自然语言和语义理解
8
搜索引擎体系结构设计理念
（4）强调可扩展性的设计理念
数据抓取子系统的可扩展性 应对硬件资源扩展 内容索引系统的可扩展性 新抓取的内容数据 内容检索系统的可扩展性 新增加的排序因素 链接结构分析系统的可扩展性 新出现的网页数据
搜索引擎作为网络信息检索工具的属性
• 形式：传统的信息检索评价方法在网络环境中的应 用。 • 信息检索系统的评价方式如何应用于搜索引擎？
我们的研究重点
16
（1）如何研究性能评价 效率 还是 效果 效率 (Efficiency)
• 用户需求是否得到了很快的响应？ • 为满足用户需求耗费了多大规模的硬件资源？ • 指标举例：响应时间、索引量、开销
效果 (Effectiveness)
• 搜索结果列表是否合理？ • 是否满足了用户的信息需求？ • 指标举例：查全率/查准率
我们的研究重点
17
（2）搜索引擎检索效果评价
如何进行检索效果评价？ “黑箱”评价方式
• 关注搜索引擎系统的输入、输出 • 不关注搜索引擎的具体实现方式
具体实现：
被点击结 点击次序 果的排序 1
9
URL
/
结束查询
被点击结 点击次序 果的排序 1
7
URL
/war3/wc3/
结束查询
39
第三：查询样例集合：代表性
举例：魔兽争霸 用户2：获取资讯（信息类）
点击次序 被点击结果的排序 URL
（1）用户需求驱动的设计理念 （2）有损优化的设计理念
（3）强调效率的设计理念
（4）强调可扩展性的设计理念
5
搜索引擎体系结构设计理念
（1）用户需求驱动的设计理念
根据用户需求确定网页抓取、更新的频率
根据用户需求确定网页层次索引结构的组成
根据用户需求确定检索算法设计
根据用户需求设计链接结构分析算法，确定网 页质量评估的方式
30
（3） Cranfield评价体系
Cranfield评价体系下的一些评测语料 文本信息检索会议语料
• • • • • Text REtrieval Conference, TREC（ / ） 1992年开始，由NIST和DARPA共同承办 至今为止已有300余家单位参与 CMU, Umass, UIUC, IBM, MS, … THU, PKU, NUS, TOKYO, …
28
（3） Cranfield评价体系
语料库
查询样例 标准答案 查询结果列表
待评价 搜索引擎
评价指标
评价结果
29
① 语料库集合
语料库集合是指与信息检索系统应用目标相一致 的语料数据集合。 对于信息检索系统 提供固定的语料库集合 集合规模适当：与单块主流价位硬盘的存储能 力适应(VLC2, 1997, 200G) 数据质量可靠：集中在特定范围抓取(.edu, .gov) 对于商业搜索引擎 不需额外提供语料库 “不公平”的博弈？ Index Size War, 暗网抓取, …
24
Cranfield-Ⅱ评价实验
实验文献对象
• 内容为高速航空动力学与飞行器结构的1400 篇文献（研究报告）
实验过程
• 对每篇研究报告用4种标引语言处理 • 研究报告作者根据报告内容共拟定了221个 检索式 • 对每个检索提问在不同控制模式上进行实 验，记录实验结果
Cranfield-Ⅱ评价实验
14
搜索引擎性能评价
1. 搜索引擎评价与Cranfield评价体系
2. 查询样例集合构建
3. 正确答案集合构建
4. 搜索引擎评价指标
15
1. 搜索引擎评价与Cranfield评价体系
（1）如何研究性能评价？服务提供商 还是 信息 检索工具 搜索引擎作为网络服务供应商的属性
• 形式：用户问卷调查 • 举例：CNNIC中国搜索引擎市场调查报告
实验检索提问
• 提供1200个由文献作者拟定的检索提问
20
Cranfield-Ⅰ评价实验
实验结果
语言 UDC 标题语言 分面分类法 单元词 检索课题数 成功课题数 1157 1154 1047 1146 875 941 773 940 失败课题数 成功率（％） 282 213 274 206 75.6 81.5 73.8 82.0
• Cranfield评价体系 • 给定标准输入，标准输出 • 用标准输入下系统输出与标准输出 的差异来衡量系统性能
18
1. 搜索引擎评价与Cranfield评价体系 Cranfield-Ⅰ评价实验
实验时间
• 1957-1962
实验地点
• 英国Cranfield市航空学院图书馆
评价对象
6
搜索引擎体系结构设计理念
（2）有损优化的设计理念
核心：搜索引擎是资源密集的网络产品，要把有
限的资源用在合理的方向，尽可能满足最大多数
的查询。
部分网页抓取更新频率要高于其它网页 高水平的硬件部件只应用于高质量网页的索引
7
搜索引擎体系结构设计理念
（3）强调效率的设计理念
数据抓取子系统：节省带宽/提升R/提升U
21
Cranfield-Ⅰ评价实验
主要结论
• 4种检索语言的检索成功率大致相同（约80 ％） • 检索失败的主要因素
– 由4个因素决定：提问（17％），标引（60％） ，检索（17％）与系统（6％ ） – 主要因素是标引与检索（77％），其中55％是人 的因素造成的，另22％是由标引时间引起的
37
第二：查询样例集合：代表性 查询的热门程度 对于搜索引擎改进算法
• 二八定律：改进少数查询即可满足大部分用户 • 长尾定律：冷门查询决定大量用户的搜索偏好
– 例：姓名查询、公司主页查询
对于查询样例集合构建
• 充分重视热门查询 • 采样适当的冷门查询
38
第三：查询样例集合：代表性 举例：魔兽争霸 用户1：到达某些特定站点（导航类）
其他语料：NTCIR语料, SEWM语料, SogouT语料 （/labs/resources.html） 复旦语料库
31
Cranfield评价体系
语料库
查询样例 标准答案 查询结果列表
待评价 搜索引擎
评价指标
评价结果
32
② 查询样例集合
查询样例集合是指评价搜索引擎性能时，模拟用户 实际需求向搜索引擎提出的查询（query）集合。 核心问题：如何采样 ComScore：More than 18.2 billion explicit core searches were conducted in December in U.S. 艾瑞咨询：2011年第三季度中国网页搜索请求量 达775.1亿次 采样技术挑战 真实性：真实查询信息收集 代表性：搜索引擎各方面性能 精确性：减少歧义，方便标注
– 垂直搜索是否存在？索引是否全面？
• 查询的热门程度：
– 用户反馈信息数量不同 – 用少量的查询样例代表大多数 需求类别（二八定律）
36
第二：查询样例集合：代表性
查询的热门程度 查询频度分布(2008年6月, 某搜索引擎)
• 查询总数：1500万以上 • Top 10,000: 覆盖超过56%的用户需求 • 二八定律？(在任何一组东西中，最重要的只占其中 一小部分 ) • 长尾定律？(不受到重视的销量小，种类多的产品或 服务由于总量巨大，累积起来的总收益超过主流产 品的现象 )
• 查全率与查准率间的互逆关系
– 查准率每提高1％，查全率降低3％
22
23
Cranfield-Ⅱ评价实验
实验时间 • 1963-1966 评价对象 • 4种标引语言：单元词，受控词（《工程师联合 会叙词表》），自然语言短语，题名与文摘中 的关键词 评价目标 • 标引语言的不同控制模式（词形控制、同义控 制、等级控制、相关参照、概念组配方式及组 合）对检索效果的影响
• 评价4种不同的标引语言（标题语言，单元词语 言，UDC，专业分面分类法）
实验目的
• 比较上述4种标引语言的性能及其相关问题
19
Cranfield-Ⅰ评价实验
实验文献对象
• 内容为航空学与高速航空动力学的18000篇文献（研 究报告与期刊论文各占一半）
实验标引人员选择
• 3名不同水平（专业知识、标引经验）的标引人员使 用上述不同的标引语言在不同时间对文献进行标引 处理，并将标引结ouQ, WSCD, Yandex
35
第二：查询样例集合：代表性
代表性是指构建的查询样例集合能反映搜索用户群 体的查询偏好，而不是少数用户的需求，能够测量 搜索引擎各方面性能。 如何全面评价搜索引擎性能？ 通常考虑的采样依据有哪些？
• 查询的内容类别：
搜索引擎体系结构设计理念 与性能评价
搜索引擎体系结构
2
主要内容：
搜索引擎体系结构设计理念
搜索引擎性能评价
3
搜索引擎体系结构设计理念
搜索引擎各子系统的主要功能和技术问题
数据抓取子系统 内容索引子系统 内容检索子系统 链接分析子系统
共性的设计理念有哪些？
4
搜索引擎体系结构设计理念
第一：查询样例集合：真实性
如何构建真实的查询样例集合？ 信息检索评测：搜索引擎的用户日志
• TREC Web检索任务：Live或者Yahoo! • 北大SEWM评测：天网搜索 • SogouT评测：搜狗搜索
34
第一：查询样例集合：真实性 如何构建真实的查询样例集合？ 日志收集的隐私保护 (AOL) 无法收集日志数据时的折衷方案
实验的主要结论
• 标引语言的检索性能排序：单元词最好，受 控语言次之，自然语言最差 • 使用单元词法时，引入词形与同义控制有一 定效果，但若加强控制，检索性能会降低 • 对于受制语言，在受制词外，若再引入上位 词或上下位词或相关词，系统性能会降低
25
（3）Cranfield评价体系 体系建立 Cleverdon等人于上世纪五十年代末到六十年代初 在Cranfield University工作时提出 确立了评价在信息检索研究中的核心地位 体系组成 评测语料 查询样例 标准答案 评价指标
9
搜索产品的未来
社交化 移动化 整合暗网数据 知识？推理？ 自然语言问答 多模态交互方式 可视化 ……
10
ห้องสมุดไป่ตู้
主要内容：
搜索引擎体系结构设计理念
搜索引擎性能评价
11
搜索引擎性能评价的现状
12
搜索引擎性能评价的现状
13
性能评价的作用
对搜索引擎用户而言： 挑选最有利于获取信息的手段 对搜索引擎工程师而言： 算法及数据处理方式有效性的判断 对搜索引擎广告商而言： 挑选最有效的广告投放手段 评价在信息检索系统的研发中一直处于 核心的地位，以致于算法与其效果评价 方式是合二为一的（Saracevic, SIGIR 1995）
1 2 3 4 1 4 3 6 / /f/hotweb/053/17/88017.htm / /fight/warcraft/
基本按照顺序进行点击 点击的页面都是关于查询词的内容丰富的站点 或hub型页面
40
第三：查询样例集合：代表性
举例：魔兽争霸 用户3：游戏下载（事务类）
点击次序 被点击结果的排序 URL
1 2 3 4 3 2 /f/hotweb/053/17/88017.htm / /
26
（3）Cranfield评价体系
语料库
查询样例 标准答案
语料库
查询样例 查询结果列表
待评价 搜索引擎
评价指标
评价结果
27
（3） Cranfield评价体系 如何用Cranfield评价体系进行检索效果评价 如何构建语料库集合 如何构建查询样例集合 面临哪些技术问题？ 构建的方法是什么？ 如何构建标准答案集合 如何设计评价指标
内容索引子系统：节约每一个比特 链接结构分析子系统：舍弃在线计算的HITS算法 内容检索子系统：舍弃复杂的自然语言和语义理解
8
搜索引擎体系结构设计理念
（4）强调可扩展性的设计理念
数据抓取子系统的可扩展性 应对硬件资源扩展 内容索引系统的可扩展性 新抓取的内容数据 内容检索系统的可扩展性 新增加的排序因素 链接结构分析系统的可扩展性 新出现的网页数据
搜索引擎作为网络信息检索工具的属性
• 形式：传统的信息检索评价方法在网络环境中的应 用。 • 信息检索系统的评价方式如何应用于搜索引擎？
我们的研究重点
16
（1）如何研究性能评价 效率 还是 效果 效率 (Efficiency)
• 用户需求是否得到了很快的响应？ • 为满足用户需求耗费了多大规模的硬件资源？ • 指标举例：响应时间、索引量、开销
效果 (Effectiveness)
• 搜索结果列表是否合理？ • 是否满足了用户的信息需求？ • 指标举例：查全率/查准率
我们的研究重点
17
（2）搜索引擎检索效果评价
如何进行检索效果评价？ “黑箱”评价方式
• 关注搜索引擎系统的输入、输出 • 不关注搜索引擎的具体实现方式
具体实现：
被点击结 点击次序 果的排序 1
9
URL
/
结束查询
被点击结 点击次序 果的排序 1
7
URL
/war3/wc3/
结束查询
39
第三：查询样例集合：代表性
举例：魔兽争霸 用户2：获取资讯（信息类）
点击次序 被点击结果的排序 URL
（1）用户需求驱动的设计理念 （2）有损优化的设计理念
（3）强调效率的设计理念
（4）强调可扩展性的设计理念
5
搜索引擎体系结构设计理念
（1）用户需求驱动的设计理念
根据用户需求确定网页抓取、更新的频率
根据用户需求确定网页层次索引结构的组成
根据用户需求确定检索算法设计
根据用户需求设计链接结构分析算法，确定网 页质量评估的方式
30
（3） Cranfield评价体系
Cranfield评价体系下的一些评测语料 文本信息检索会议语料
• • • • • Text REtrieval Conference, TREC（ / ） 1992年开始，由NIST和DARPA共同承办 至今为止已有300余家单位参与 CMU, Umass, UIUC, IBM, MS, … THU, PKU, NUS, TOKYO, …
28
（3） Cranfield评价体系
语料库
查询样例 标准答案 查询结果列表
待评价 搜索引擎
评价指标
评价结果
29
① 语料库集合
语料库集合是指与信息检索系统应用目标相一致 的语料数据集合。 对于信息检索系统 提供固定的语料库集合 集合规模适当：与单块主流价位硬盘的存储能 力适应(VLC2, 1997, 200G) 数据质量可靠：集中在特定范围抓取(.edu, .gov) 对于商业搜索引擎 不需额外提供语料库 “不公平”的博弈？ Index Size War, 暗网抓取, …
24
Cranfield-Ⅱ评价实验
实验文献对象
• 内容为高速航空动力学与飞行器结构的1400 篇文献（研究报告）
实验过程
• 对每篇研究报告用4种标引语言处理 • 研究报告作者根据报告内容共拟定了221个 检索式 • 对每个检索提问在不同控制模式上进行实 验，记录实验结果
Cranfield-Ⅱ评价实验
14
搜索引擎性能评价
1. 搜索引擎评价与Cranfield评价体系
2. 查询样例集合构建
3. 正确答案集合构建
4. 搜索引擎评价指标
15
1. 搜索引擎评价与Cranfield评价体系
（1）如何研究性能评价？服务提供商 还是 信息 检索工具 搜索引擎作为网络服务供应商的属性
• 形式：用户问卷调查 • 举例：CNNIC中国搜索引擎市场调查报告
实验检索提问
• 提供1200个由文献作者拟定的检索提问
20
Cranfield-Ⅰ评价实验
实验结果
语言 UDC 标题语言 分面分类法 单元词 检索课题数 成功课题数 1157 1154 1047 1146 875 941 773 940 失败课题数 成功率（％） 282 213 274 206 75.6 81.5 73.8 82.0
• Cranfield评价体系 • 给定标准输入，标准输出 • 用标准输入下系统输出与标准输出 的差异来衡量系统性能
18
1. 搜索引擎评价与Cranfield评价体系 Cranfield-Ⅰ评价实验
实验时间
• 1957-1962
实验地点
• 英国Cranfield市航空学院图书馆
评价对象
6
搜索引擎体系结构设计理念
（2）有损优化的设计理念
核心：搜索引擎是资源密集的网络产品，要把有
限的资源用在合理的方向，尽可能满足最大多数
的查询。
部分网页抓取更新频率要高于其它网页 高水平的硬件部件只应用于高质量网页的索引
7
搜索引擎体系结构设计理念
（3）强调效率的设计理念
数据抓取子系统：节省带宽/提升R/提升U
21
Cranfield-Ⅰ评价实验
主要结论
• 4种检索语言的检索成功率大致相同（约80 ％） • 检索失败的主要因素
– 由4个因素决定：提问（17％），标引（60％） ，检索（17％）与系统（6％ ） – 主要因素是标引与检索（77％），其中55％是人 的因素造成的，另22％是由标引时间引起的
37
第二：查询样例集合：代表性 查询的热门程度 对于搜索引擎改进算法
• 二八定律：改进少数查询即可满足大部分用户 • 长尾定律：冷门查询决定大量用户的搜索偏好
– 例：姓名查询、公司主页查询
对于查询样例集合构建
• 充分重视热门查询 • 采样适当的冷门查询
38
第三：查询样例集合：代表性 举例：魔兽争霸 用户1：到达某些特定站点（导航类）
其他语料：NTCIR语料, SEWM语料, SogouT语料 （/labs/resources.html） 复旦语料库
31
Cranfield评价体系
语料库
查询样例 标准答案 查询结果列表
待评价 搜索引擎
评价指标
评价结果
32
② 查询样例集合
查询样例集合是指评价搜索引擎性能时，模拟用户 实际需求向搜索引擎提出的查询（query）集合。 核心问题：如何采样 ComScore：More than 18.2 billion explicit core searches were conducted in December in U.S. 艾瑞咨询：2011年第三季度中国网页搜索请求量 达775.1亿次 采样技术挑战 真实性：真实查询信息收集 代表性：搜索引擎各方面性能 精确性：减少歧义，方便标注
– 垂直搜索是否存在？索引是否全面？
• 查询的热门程度：
– 用户反馈信息数量不同 – 用少量的查询样例代表大多数 需求类别（二八定律）
36
第二：查询样例集合：代表性
查询的热门程度 查询频度分布(2008年6月, 某搜索引擎)
• 查询总数：1500万以上 • Top 10,000: 覆盖超过56%的用户需求 • 二八定律？(在任何一组东西中，最重要的只占其中 一小部分 ) • 长尾定律？(不受到重视的销量小，种类多的产品或 服务由于总量巨大，累积起来的总收益超过主流产 品的现象 )
• 查全率与查准率间的互逆关系
– 查准率每提高1％，查全率降低3％
22
23
Cranfield-Ⅱ评价实验
实验时间 • 1963-1966 评价对象 • 4种标引语言：单元词，受控词（《工程师联合 会叙词表》），自然语言短语，题名与文摘中 的关键词 评价目标 • 标引语言的不同控制模式（词形控制、同义控 制、等级控制、相关参照、概念组配方式及组 合）对检索效果的影响
• 评价4种不同的标引语言（标题语言，单元词语 言，UDC，专业分面分类法）
实验目的
• 比较上述4种标引语言的性能及其相关问题
19
Cranfield-Ⅰ评价实验
实验文献对象
• 内容为航空学与高速航空动力学的18000篇文献（研 究报告与期刊论文各占一半）
实验标引人员选择
• 3名不同水平（专业知识、标引经验）的标引人员使 用上述不同的标引语言在不同时间对文献进行标引 处理，并将标引结ouQ, WSCD, Yandex
35
第二：查询样例集合：代表性
代表性是指构建的查询样例集合能反映搜索用户群 体的查询偏好，而不是少数用户的需求，能够测量 搜索引擎各方面性能。 如何全面评价搜索引擎性能？ 通常考虑的采样依据有哪些？
• 查询的内容类别：
搜索引擎体系结构设计理念 与性能评价
搜索引擎体系结构
2
主要内容：
搜索引擎体系结构设计理念
搜索引擎性能评价
3
搜索引擎体系结构设计理念
搜索引擎各子系统的主要功能和技术问题
数据抓取子系统 内容索引子系统 内容检索子系统 链接分析子系统
共性的设计理念有哪些？
4
搜索引擎体系结构设计理念