[討論] google的搜尋方式

[peanut97 (花生)]

一般常見的搜尋方式，都是輸入一個字串AAA，便會找出文章：

..........AAA...BBB..CCC...AAA.....

中每個AAA所在的位置(index)，再秀出來。

市面上好像有九成的網站、程式 都是這種的




但是google搜尋 卻可以輸入"AAA CCC"，進而找出這篇文章：

..........AAA...BBB..CCC...AAA.....


"AAA CCC"這個字串，google大神不僅可以找到完全符合"AAA CCC"字串的文章

也能找到「有AAA，也有CCC，但兩者不見得靠得很近，距離很遠也行(?)的文章」


這種同時下好幾個關鍵字來搜尋 已經成為大家找資料的方式

但大家寫的程式以及市面上的網站 卻鮮少支援這種搜尋方式

有人對這有研究嗎？好想實作看看XD 或是有現成的library可以用嗎?

--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 114.24.88.206
※ 編輯: peanut97        來自: 114.24.88.206        (11/27 22:53)
※ 編輯: peanut97        來自: 114.24.88.206        (11/27 22:53)
→ pig22022:Text mining
→ peanut97:google到http://goo.gl/Cd10A1，其他搜尋結果也多是論文
→ peanut97:好複雜...有前輩能講簡單一點嗎?
→ azureblaze:google的搜尋語法"AAA CCC"本來就是"AAA" AND "CCC"
→ azureblaze:關鍵字布林運算早在google出現前就有了
推 grtfor:現成的就用lucene或搭載應用層的Solr吧~
推 kurakidream:page rank 分析網頁間的Linking 可以去wiki看看
→ kurakidream:字詞間的關係 相關研究很多 可以去多看看別人的paper
→ yangyr:http://en.wikipedia.org/wiki/PageRank Google出名的東西
推 plover:後來PageRank又被玩到爛了，然後又有新東西，很好玩
推 sleepwu:這研究下去會走火入魔
推 kurakidream:我碩班做搜尋的xd 文件那種靜態搜尋的數學模型跟網頁
→ kurakidream:那種資料會一值變動的動態搜尋差滿多的
→ kurakidream:如果你會寫java 上面grtfor大大推的lucene可以去玩玩
→ peanut97:所以..他本來就是個很複雜的東西 很難用簡單的話來解釋囉
推 UbaldJimenez:這東西如果想理解到實作概念推導，本身就很難簡單講
→ ck574b027:做搜尋很複雜，但跟你說的現象無關，就只是拆字跟不拆
→ ck574b027:都一起下去搜啊。
推 Chita5566:利用text mining asociation rule 先做一次語料庫比對
→ Chita5566:把score高於門檻值的網頁在去做ranking
→ Chita5566:以上都是猜測 記得以前聽過google不只用page做排序
→ uranusjr:能讓你簡單就聽懂 Google 還混個屁, 你以為其他家不想做?
→ Chita5566:https://www.google.com/intl/zh-TW/insidesearch/howse
→ Chita5566:這篇應該會給你不少幫助
→ ck574b027:熊熊忘記拆字要考慮 TF-IDF，效率有差。
推 recorriendo:就是簡單的indexing 這是information retrieval第一堂
→ recorriendo:就會教的東西 現成package裡Lucene用得滿廣泛的
→ recorriendo:至於上面提到的pagerank Tf-idf等都是ranking的方法
→ recorriendo:屬於比較後期的處理 (先知道那些文件是相關的才能排名
→ recorriendo:事實上windows或mac OS都有暗地做indexing 所以你找檔
→ recorriendo:案也是打幾個關鍵字就行~
→ recorriendo:原PO只問基本關鍵字搜尋 推文講的都太深入啦XD
→ peanut97:沒關係 都可以當作參考啦
推 dylan29341:去買本 information retrieval 的原文書讀一讀就懂了
→ peanut97:正在試用Lucene中 在他demo版本中 已經會自動處理有2個關
→ peanut97:關鍵字的狀況...如果能把他套在自己程式裡應該很棒
推 dailike:簡單說就是建立每個字的index，在取AAA跟CCC交集的文章