淺談互聯(lián)網(wǎng)頁(yè)面價(jià)值(原文被百度自己和諧了)

 

    搜索引擎每天處理著數(shù)以億計(jì)的查詢請(qǐng)求，每個(gè)查詢請(qǐng)求都代表了一個(gè)用戶對(duì)于某種資源的特定需求。多數(shù)時(shí)候，通過(guò)查詢返回的網(wǎng)頁(yè)結(jié)果，這些需 求被滿足了，我們可以認(rèn)為結(jié)果中的某些頁(yè)面對(duì)特定用戶的特定需求產(chǎn)生了價(jià)值。那么對(duì)于搜索引擎而言，頁(yè)面的價(jià)值是指什么，我們?yōu)槭裁匆芯宽?yè)面價(jià)值，技術(shù) 上怎樣判斷頁(yè)面的價(jià)值呢？本文將逐一回答這些問(wèn)題。

 

 

 

一、 什么頁(yè)面價(jià)值。

 

    前面我們說(shuō)了，某個(gè)頁(yè)面滿足了某一用戶的特定需求，就體現(xiàn)了這個(gè)頁(yè)面對(duì)用戶的價(jià)值。那么對(duì)搜索引擎而言，價(jià)值體現(xiàn)在哪些方面呢？一個(gè)簡(jiǎn)單的推論，所 有可能會(huì)對(duì)用戶產(chǎn)生價(jià)值的頁(yè)面都是對(duì)搜索引擎有價(jià)值的，將這些頁(yè)面建入搜索引擎的索引中能夠滿足最終檢索到它們用戶的需求，我們稱(chēng)這種價(jià)值為檢索價(jià)值。只要是能解決某個(gè)用戶信息需求的，并且是可以通過(guò)某些正常檢索需求到達(dá)的，那么就是有檢索價(jià)值的。

 

    小學(xué)生張三喜歡在qzone上寫(xiě)日記，寫(xiě)他前天吃了什么，今天玩了什么。這些內(nèi)容，是有價(jià)值的。它們對(duì)張三的家長(zhǎng)、同學(xué)、老師，以及其他小學(xué)生，和對(duì)小學(xué)生日記感興趣的人來(lái)說(shuō)，都是有價(jià)值的。對(duì)于這個(gè)信息體來(lái)說(shuō)，“張三”這個(gè)名字是檢索的“key”。

 

    有一些信息單元，只有“瀏覽”價(jià)值，而沒(méi)有到達(dá)該信息的檢索途徑，那么該資源可能是有價(jià)值的，但檢索價(jià)值就很低。比如一張百度大廈附近的地圖，從瀏 覽角度，是有價(jià)值的；但是如果沒(méi)有任何周邊文字說(shuō)明（或者link的anchor text），只有一張光禿禿的地圖，就沒(méi)有檢索價(jià)值。當(dāng)然，如果圖片的內(nèi)容識(shí)別技術(shù)，有朝一日能自動(dòng)識(shí)別出這個(gè)是“百度大廈附近地圖”，或者能夠自動(dòng)分析 出地圖內(nèi)的各種大廈、街道、餐館等的名稱(chēng)，那么這張圖一樣變得有檢索價(jià)值了。所以一個(gè)頁(yè)面是否有檢索價(jià)值，應(yīng)該取決于兩點(diǎn)：

 

       1） 是否能解決某個(gè)特定的需求（價(jià)值）

 

       2） 是否可以通過(guò)某個(gè)常規(guī)的搜索方式獲得該信息（檢索）

 

     那么，沒(méi)有檢索價(jià)值的頁(yè)面，是否對(duì)搜索引擎就沒(méi)有價(jià)值了呢？仔細(xì)想想，答案是否定的。索引只是搜索引擎的一個(gè)環(huán)節(jié)，對(duì)于其他環(huán)節(jié)而言，沒(méi)有檢索價(jià)值的頁(yè)面有可能對(duì)我們更好的收錄那些檢索價(jià)值高的頁(yè)面有幫助。比如對(duì)負(fù)責(zé)抓取互聯(lián)網(wǎng)資源的spider而言，有一些頁(yè)面，本身沒(méi)有檢索價(jià)值，但通過(guò)這些頁(yè)面的抓取和分析，能夠更快的幫助我們掌握這一類(lèi)頁(yè)面沒(méi)有檢索價(jià)值這一重要信息，從而節(jié)省更多的流量進(jìn)行更加有效的抓取。

 

    考慮到這種價(jià)值可以算作一種“間接的”檢索價(jià)值，最終還是立足于索引價(jià)值的，在本文中就不再展開(kāi)論述，我們只關(guān)注“檢索價(jià)值”這一根本問(wèn)題。下文中提到的“頁(yè)面價(jià)值”特指頁(yè)面的“檢索價(jià)值”。

 

 

 

二、 為什么要研究頁(yè)面價(jià)值

 

    首先，互聯(lián)網(wǎng)上的頁(yè)面是無(wú)窮盡的，而搜索引擎的硬件資源是有限的，想用有限的資源去覆蓋無(wú)窮盡的互聯(lián)網(wǎng)，我們就需要對(duì)頁(yè)面價(jià)值做出判斷，不收錄那些無(wú)檢索價(jià)值的頁(yè)面，少收錄那些檢索價(jià)值低的頁(yè)面。這是頁(yè)面價(jià)值在收錄控制方面的應(yīng)用。

 

    第二，搜索引擎spider的抓取能力是有限的，出于訪問(wèn)友好性的考慮，對(duì)于一個(gè)網(wǎng)站或一個(gè)IP抓取速率需要有一個(gè)抓取速率的上限。在這一限制下， 抓取或頁(yè)面更新就需要有一個(gè)先后順序，而這一排序的主要參考依據(jù)就是頁(yè)面價(jià)值，或者說(shuō)對(duì)頁(yè)面價(jià)值的預(yù)測(cè)（未抓取時(shí)）。這是頁(yè)面價(jià)值在spider調(diào)度方面的應(yīng)用。

 

    第三，對(duì)于某些頁(yè)面，頁(yè)面內(nèi)容發(fā)生變化，導(dǎo)致它的檢索價(jià)值從有到無(wú)，典型的就是變?yōu)?ldquo;死鏈”，或者“被黑”。對(duì)于這些頁(yè)面，好的搜索引擎會(huì)在第一時(shí)間將其排除出索引，或在檢索時(shí)對(duì)其進(jìn)行屏蔽，以保證返回給用戶的結(jié)果是更多檢索價(jià)值高的“好頁(yè)面”。對(duì)于另一些頁(yè)面，它不僅具有很高的檢索價(jià)值，而且有很強(qiáng)的“時(shí)效性”，能夠第一時(shí)間讓用戶檢索到這些頁(yè)面對(duì)搜索體驗(yàn)有很大的提升。對(duì)搜索引擎而言，越快的收錄和索引頁(yè)面意味著越多的額外資源開(kāi)銷(xiāo)，以多快的速度收錄和以多短的周期更新索引，需要通過(guò)頁(yè)面價(jià)值的分析來(lái)指導(dǎo)。這兩方面是頁(yè)面價(jià)值在死鏈率和時(shí)效性兩大搜索引擎指標(biāo)提升上的應(yīng)用。

 

    最后，普遍意義上的頁(yè)面價(jià)值高低對(duì)搜索引擎返回給用戶的結(jié)果排序上也存在著指導(dǎo)意義。理想情況下搜索引擎的結(jié)果是按照與查詢請(qǐng)求的相關(guān)性進(jìn)行排序的，在相關(guān)性大體相當(dāng)?shù)那闆r下，用戶更傾向與瀏覽普遍意義上頁(yè)面價(jià)值高的網(wǎng)頁(yè)。這是頁(yè)面價(jià)值在ranking方面的應(yīng)用。

 

    可以說(shuō)，頁(yè)面檢索價(jià)值的研究是搜索引擎中的一項(xiàng)較為基礎(chǔ)的工作，對(duì)頁(yè)面價(jià)值的認(rèn)識(shí)和判斷的準(zhǔn)確程度直接影響著搜索引擎的覆蓋率、死鏈率、時(shí)效性等幾大主要指標(biāo)。

 

 

 

三、 如何判斷頁(yè)面價(jià)值

 

    前文中提到過(guò)一個(gè)小學(xué)生張三qzone日記的例子。我們認(rèn)為這個(gè)頁(yè)面是有價(jià)值的，對(duì)張三的同學(xué)，朋友，家人都有價(jià)值。與此類(lèi)似的，百度CEO李彥宏在i貼吧上發(fā)表一條十幾個(gè)字的i貼，也是有價(jià)值的，對(duì)李彥宏的上千萬(wàn)粉絲都有價(jià)值。雖然李彥宏的i貼長(zhǎng)度可能遠(yuǎn)小于張三的日記，但就這兩個(gè)頁(yè)面的價(jià)值來(lái)說(shuō)，我們都會(huì)有一個(gè)共同的認(rèn)識(shí)，即從普遍意義上講，李彥宏的i貼價(jià)值遠(yuǎn)大于張三的日記。（當(dāng)然，對(duì)于張三的媽媽來(lái)說(shuō)很可能這個(gè)價(jià)值的關(guān)系是相反的）

 

    再舉個(gè)例子，搜索某個(gè)人的手機(jī)號(hào)碼，搜索引擎返回了一個(gè)結(jié)果，是這個(gè)人在某個(gè)論壇上的一個(gè)回復(fù)。雖然這個(gè)手機(jī)號(hào)碼關(guān)心的人不多，但因?yàn)橘Y源是絕對(duì)稀缺的，對(duì)于關(guān)心這個(gè)手機(jī)號(hào)碼的查詢需求，這個(gè)頁(yè)面是完全不可替代的，因此具有極高的價(jià)值。

 

    另外，頁(yè)面檢索價(jià)值，還受到頁(yè)面質(zhì)量的影響。相似的頁(yè)面，對(duì)于滿足用戶需求來(lái)說(shuō)，往往會(huì)有很大差異，比如資源下載速度，頁(yè)面的布局，廣告的多寡。這類(lèi)差異，姑且稱(chēng)之為頁(yè)面質(zhì)量。

 

    最后，有些頁(yè)面具有明顯的公眾話題性質(zhì)，且這些資源往往在剛剛產(chǎn)生時(shí)有非常高的關(guān)注度，隨著時(shí)間的推移熱度顯著下降，有著“新聞”的特征。典型的像各種“門(mén)”事件，地震、火災(zāi)等大型的自然災(zāi)害。我們認(rèn)為這類(lèi)資源具有“時(shí)效性”特征。

 

    所以，一個(gè)頁(yè)面的檢索價(jià)值，大致受以下四個(gè)要素的影響：

 

　　感興趣的受眾群大小

　　該頁(yè)面的稀缺程度(可替代性)

　　該頁(yè)面的質(zhì)量高低

　　該頁(yè)面的時(shí)效性特征強(qiáng)弱

　　這四種要素，簡(jiǎn)稱(chēng)受眾，稀缺，質(zhì)量和時(shí)效性。

 

    1. 受眾

 

    受眾群體的大小，即代表了用戶檢索需求的大小。評(píng)價(jià)受眾的大小主要依據(jù)信息發(fā)布源的受眾和信息內(nèi)容本身受眾兩大方面。具體因素包括且不限于：

 

    網(wǎng)站忠實(shí)用戶群大小

 

    一般來(lái)說(shuō)，擁有自己忠實(shí)用戶群的知名網(wǎng)站，他們的成功，在于他們的內(nèi)容和服務(wù)，比別人更能吸引和滿足用戶。從這個(gè)角度來(lái)說(shuō)，我們可以推論，擁有更多忠實(shí)用戶群的網(wǎng)站上的內(nèi)容，會(huì)比忠實(shí)用戶群較少的網(wǎng)站上的內(nèi)容，有更多的既有和潛在受眾群。這樣的話，忠實(shí)用戶群大小，就可以變成對(duì)站點(diǎn)內(nèi)資源檢索價(jià)值的一種衡量指標(biāo)。忠實(shí)用戶群的好處在于，它是變動(dòng)的。如果一個(gè)網(wǎng)站變差了，那么用戶就會(huì)用腳投票。超鏈有過(guò)期問(wèn)題，作弊問(wèn)題，而虛假用戶群作弊很難。一般所謂的網(wǎng)站知名度，會(huì)和忠實(shí)用戶群數(shù)量密切相關(guān)。

 

    資源分布規(guī)律

 

    我們?cè)倏紤]一個(gè)網(wǎng)站內(nèi)部的資源分布所體現(xiàn)的受眾群大小問(wèn)題。比如新浪新聞首頁(yè)的那些推介內(nèi)容。新浪編輯為什么要推這些內(nèi)容？因?yàn)樗麄冋J(rèn)為這些是用戶最感興趣的。那么從索引價(jià)值角度而言，相當(dāng)于有一個(gè)龐大的編輯團(tuán)隊(duì)，已經(jīng)對(duì)這些內(nèi)容打上了“符合大眾口味”的標(biāo)簽。搜索引擎只需要樂(lè)享其成就行了。這樣的話，資源相對(duì)于某些結(jié)構(gòu)性關(guān)鍵頁(yè)面（首頁(yè)、頻道頁(yè)等）的鏈接深度，也可以成為衡量一個(gè)資源受眾群大小的指標(biāo)了。

 

    訪問(wèn)熱門(mén)度

 

    我們?cè)購(gòu)脑L問(wèn)熱門(mén)度角度來(lái)考慮受眾群大小問(wèn)題。這個(gè)是最直接的，當(dāng)然，它需要第三方的工具來(lái)獲取關(guān)鍵數(shù)據(jù)。通過(guò)這個(gè)途徑，獲取的不應(yīng)僅僅是需要入庫(kù)的頁(yè)面，還有用戶訪問(wèn)一個(gè)網(wǎng)站的訪問(wèn)模式。

 

    超鏈

 

    超鏈某種程度上也是受眾群大小的反映。某個(gè)資源的質(zhì)量越高，接觸的受眾群越大，那么獲得正常鏈接的數(shù)量往往也越大。

 

    內(nèi)容特征

 

       A：我寫(xiě)博客：“傳言郭德綱要上春晚了。”

 

       B：我寫(xiě)博客：“我今天吃早飯了。”

 

    同樣的來(lái)源，前者的受眾必然高于后者。即：當(dāng)在發(fā)布源相同的情況下，具有公眾屬性的內(nèi)容分值會(huì)更高。

 

    2. 稀缺

 

    稀缺主要是描述頁(yè)面在互聯(lián)網(wǎng)中的獨(dú)特性。說(shuō)到稀缺往往會(huì)想到重復(fù)，稀缺是否等同于無(wú)重復(fù)，我們應(yīng)該怎樣解讀這一概念呢？可以看一個(gè)例子：

 

    某人發(fā)表了一篇針對(duì)某新聞事件的原創(chuàng)博客，隨后被新浪轉(zhuǎn)載到了新聞?lì)l道。從描述的內(nèi)容上講，這是一種重復(fù)。但這種重復(fù)僅僅是主體內(nèi)容上的重復(fù)，一方面它的轉(zhuǎn)載帶來(lái)了訪問(wèn)速度、穩(wěn)定性等方面的增益，并且之后的檢索用戶還有可能用“新聞事件+新浪”來(lái)檢索此新聞。這可以被稱(chēng)之為站點(diǎn)增益。另一方面，它在轉(zhuǎn)載過(guò)程中可能會(huì)改變頁(yè)面的標(biāo)題，而且依托其受眾，在轉(zhuǎn)載頁(yè)面上，還有可能出現(xiàn)更多的有價(jià)值評(píng)論和回復(fù)等，還有可能存在指向其它相關(guān)事件的新聞鏈接。這些可以被稱(chēng)之為內(nèi)容增益。因此即使主題內(nèi)容沒(méi)有任何變化，新浪的這次轉(zhuǎn)載也是有價(jià)值的，其稀缺度也是較高的。

 

    同樣，反過(guò)來(lái)說(shuō)，如果轉(zhuǎn)載的網(wǎng)站相當(dāng)不知名，則其無(wú)法帶來(lái)站點(diǎn)名/穩(wěn)定性/速度的增益。更有甚者，轉(zhuǎn)載之后在頁(yè)面上加入大量廣告妨礙閱讀，或者只轉(zhuǎn)載了內(nèi)容中不完整的一部分，這樣的轉(zhuǎn)載，或者說(shuō)采集，就是純重復(fù)的，與采集源相比，就是沒(méi)有檢索價(jià)值的了。

 

    綜上所述，對(duì)于主體內(nèi)容重復(fù)的頁(yè)面，我們應(yīng)該評(píng)價(jià)其是否存在站點(diǎn)增益和內(nèi)容增益，只有對(duì)于大量完全無(wú)增益的重復(fù)頁(yè)面，我們才應(yīng)該認(rèn)為其稀缺度較低。

 

    3. 質(zhì)量

 

    頁(yè)面的質(zhì)量是它對(duì)需求的滿足程度的一種體現(xiàn)。判斷頁(yè)面質(zhì)量的高低，應(yīng)該是從最基礎(chǔ)的需求依次遞進(jìn)的。

 

       首先，不能是死鏈、網(wǎng)站要有一定的穩(wěn)定性、訪問(wèn)速度要令人滿意。

 

       其次，主體內(nèi)容是否完整、版式和字體是否易讀、各類(lèi)廣告會(huì)不會(huì)太多。

 

       最后，信息是否豐富、延伸出的次級(jí)需求是否滿足。

 

　　典型的低質(zhì)量頁(yè)面存在以下一些特征：

 

　主需求無(wú)效/未滿足(過(guò)期分類(lèi)廣告/軟件下載頁(yè)面，下載鏈接無(wú)效等)

 

　　死鏈

 

　　虛假信息/詐騙等

 

　　空頁(yè)面

 

　　站點(diǎn)不穩(wěn)定

 

 

 

　影響主需求的權(quán)限問(wèn)題(下載/瀏覽需要注冊(cè)會(huì)員/積分等)

 

　　信息不完整(轉(zhuǎn)載不全等)

 

　　瀏覽體驗(yàn)差(廣告/字體/頁(yè)面布局等)

 

　　典型的高質(zhì)量頁(yè)面存在以下一些特征：

 

　　訪問(wèn)速度快(頁(yè)面加載快/資源下載速度快)

 

　　頁(yè)面整潔干凈，主體內(nèi)容在顯著位置。

 

　　頁(yè)面信息完整。

 

　　頁(yè)面元素豐富(文字、圖片、評(píng)論、相關(guān)推薦等)

 

　4. 時(shí)效性

 

　“時(shí)效性”是頁(yè)面價(jià)值的一個(gè)屬性，它一般體現(xiàn)在兩個(gè)方面：

 

       一、頁(yè)面所描述的事物本身有著較強(qiáng)的公眾話題性，容易被傳播。這其實(shí)是受眾的一個(gè)體現(xiàn)。

 

       二、頁(yè)面所描述的事物僅在第一時(shí)間有較高熱度，隨著時(shí)間推移熱度顯著下降。這是一種“新聞”性。對(duì)于具有上述兩種屬性的頁(yè)面，如果搜索引擎spider發(fā)現(xiàn)頁(yè)面的時(shí)間正處于該事物的“爆發(fā)期”或“爆發(fā)期”之前，我們認(rèn)為該頁(yè)面具有時(shí)效性。

 

　需要說(shuō)明的是，搜索引擎的廣義“時(shí)效性”是指對(duì)所有有價(jià)值新資源的及時(shí)收錄提供檢索，而所有的有價(jià)值新資源中，有一大部分其收錄速度的提升對(duì)用戶的搜索體驗(yàn)改善意義是不大的，比如介紹如何瘦身的知識(shí)性文章，張三的日記。頁(yè)面價(jià)值中的“時(shí)效性”指得是一種突發(fā)時(shí)效性，也就是所有有價(jià)值頁(yè)面中最需要及時(shí)收錄的那些。對(duì)頁(yè)面時(shí)效性的判斷是為了指導(dǎo)我們將搜索引擎有限的資源投入到最關(guān)鍵的地方，產(chǎn)生最好的性價(jià)比。

 

　判斷頁(yè)面的時(shí)效性價(jià)值，主要通過(guò)下面一些途徑：

 

　　頁(yè)面本身受眾是否有短時(shí)間的突增，比如超鏈爆發(fā)。賈君鵬的帖子就是一個(gè)典型的例子。

 

　　描述相同事物的互聯(lián)網(wǎng)頁(yè)面是否有段時(shí)間的突增。賈君鵬事件短時(shí)間內(nèi)爆發(fā)出大量相關(guān)討論、報(bào)道，和這一事件相關(guān)的所有內(nèi)容都具有了時(shí)效性屬性。

 

　　根據(jù)一個(gè)集合內(nèi)的頁(yè)面是否具有上述兩種特征，推測(cè)該集合的時(shí)效性價(jià)值。比如魔獸世界吧經(jīng)常爆出一些熱門(mén)帖子，公眾話題，我們推測(cè)出自魔獸世界吧的帖子其時(shí)效性“潛在價(jià)值”比較高。

 

四、 頁(yè)面價(jià)值的研究重點(diǎn)

 

       前文已經(jīng)介紹了頁(yè)面價(jià)值的含義，研究的意義與價(jià)值判斷的方法。最后我們?cè)倏匆幌拢瑥募夹g(shù)角度上，這一方向的研究中的重點(diǎn)方向。對(duì)頁(yè)面價(jià)值的研究工作主要致力于三方面：

 

對(duì)頁(yè)面價(jià)值體系的認(rèn)識(shí)。我們目前對(duì)頁(yè)面價(jià)值的認(rèn)識(shí)是來(lái)源于前文所述的四個(gè)維度，這個(gè)認(rèn)識(shí)是否全面，對(duì)于不斷變化的互聯(lián)網(wǎng)環(huán)境與用戶需求，這些維度應(yīng)該如何擴(kuò)展與變化才能更好的服務(wù)于整體的搜索體驗(yàn)提升，是一個(gè)很重要問(wèn)題。

對(duì)于反映頁(yè)面價(jià)值的頁(yè)面特征提取。巧婦難為無(wú)米之炊，挖掘更多的頁(yè)面特征，更準(zhǔn)確合理的特征提取是頁(yè)面價(jià)值判定準(zhǔn)確率提升的基礎(chǔ)。