搜索引擎重复网页发现技术分析.pptx

搜索引擎重复网页发现技术分析,中科院软件所作者：张俊林 一. 介绍,统计结果表明，近似镜像网页数占总网页数的比例高达全部页 面的 29%,而完全相同的页面大约占全部页面的 22%。这些重复 网页有的是没有一点改动的拷贝，有的在内容上稍作修改，比 如同一文章的不同版本，一个新一点，一个老一点，有的则仅 仅是网页的格式不同（如 HTML, Postscript）,文献Models,and Algorithms for Duplicate Document Detection 1999 年 将内容重复归结为以下四个类型:,1.如果 2 篇文档内容和格式上毫无差别，则这种重复叫做 full-layout duplicate。,2.如果2篇文档内容相同，但是格式不同，则叫做full-content duplicates,3.如果 2 篇文档有部分重要的内容相同，并且格式相同，则称 为 partial-layout duplicates,4.如果 2 篇文档有部分重要的内容相同，但是格式不同，则称 为 partial-content duplicates,近似重复网页发现技术就是通过技术手段快速全面发现这些 重复信息的手段.如何快速准确地发现这些内容上相似的网页 已经成为提高搜索引擎服务质量的关键技术之一。发现重复或 者近似网页对于搜索引擎有很多好处:,1. 首先，如果我们能够找出这些重复网页并从数据库中去掉， 就能够节省一部分存储空间，进而可以利用这部分空间来存放,更多的有效网页内容，同时也提高了 web 检索的质量。,2. 其次，如果我们能够通过对以往搜集信息的分析，预先发 现重复网页，在今后的网页搜集过程中就可以避开这些网页， 从而提高有效网页的搜集速度。有研究表明重复网页随着时间 级别不发生太大变化,所以这种从重复页面集合中选择部分页 面进行索引是有效的.,3. 另外，如果某个网页的镜像度较高，也就预示着该网页相 对重要，在搜集网页时应赋予它较高的优先级，而当搜索引擎,系统在响应用户的检索请求并对输出结果排序时，应该赋予它 较高的权值。,4. 从另外一个角度看,如果用户点击了一个死链接,那么可以 将用户引导到一个相同页面,这样可以有效的增加用户的检索 体验.因而近似镜像网页的及时发现有利于改善搜索引擎系统 的服务质量。,二. 基本处理流程,通过分析现有技术,可以归纳出以下几个解决该问题的核心技,术点,每个不同的技术基本上是由这几个技术点构成,无非是 具体采纳的技术不同而已:,1. 文档对象的特征抽取:将文档内容分解,由若干组成文档的 特征集合表示,这一步是为了方面后面的特征比较计算相似 度.,2. 特征的压缩编码:通过 HASH 编码等文本向数字串映射方式 以方便后续的特征存储以及特征比较.起到减少存储空间,加 快比较速度的作用.,3. 文档相似度计算:根据文档特征重合比例来确定是否重复 文档.,4. 聚类算法:通过叠代计算算出哪些文档集合是根据相似度 计算是相近的;,5. 工程化问题:出于海量数据计算速度的考虑,提出一些速度 优化算法以使得算法实用化.,我们可以从几个不同的角度对于现有的方法进行分类: l 按照利用的信息，现有方法可以分为以下三类,1只是利用内容计算相似,2结合内容和链接关系计算相似,3结合内容，链接关系以及 url 文字进行相似计算,评价:现有绝大部分方法还是利用文本内容进行相似识别,其 它两种利用链接关系以及 URL 文字的方法还不是很成熟,而且 从效果看引入其它特征收效并不明显,所以从实际出发还是选 择利用内容进行相似计算的算法.,l 按照特征提取的粒度现有方法可以分为以下三类,1. 按照单词这个级别的粒度进行特征提取.,2. 按照SHINGLE这个级别的粒度进行特征提取.SHNGLE是若干 个连续出现的单词,级别处于文档和单词之间,比文档粒度小, 比单词粒度大.,3. 按照整个文档这个级别的粒度进行特征提取 评价:,目前这个领域里面很多工作借鉴类似于信息检索的方法来识 别相似文档,其本质和 SHINGLE 等是相同的，都是比较两个文,档的重合程度，但是区别是 SHINGLE 是将若干单词组成片断， 粒度比较大，而信息检索类方法其实是用单词作为比较粒度， 粒度比较小，粒度越大计算速度越快，而粒度越小计算速度越 慢，所以信息检索类方法是不实用的，而且对 SHINGLE 的改进 以及新提出的方法的发展趋势也是粒度越来越大，这样才能解 决实际使用中速度的问题。粒度最大的极端情况是每个文档用 一个 HASH 函数编码（比如 MD5），这样只要编码相同就说明文 档完全相同，但是粒度太大带来的问题是对于细微的变化文档 无法判别，只能判断是否完全相同，至于部分相同以及相同的,程度无法判断.,所以，现有方法也可以从以下角度分类：粒度。最小粒度：单 词；中等粒度：SHINGLE；最大粒度：整个文档；可见 SHINGLE 类方法其实是在速度和精确程度上的一种折中方法。可以探讨 不同粒度的效果，比如以句子为单位进行编码，以段落为单位 编码等不同粒度的编码单位，还可以考虑动态的编码：首先以 自然段落编码进行判别，如果发现部分相似，然后针对不同的 部分再以细小粒度比如句子甚至单词级别的比较 所谓 SUPER,SHINGLE 就是将粒度放大得到的。粒度越大，好处是计算速度 越快（对于 MD5 整个文档来说，每个文档一个 HASH 编码，然 后排序，将相同的找出，是速度最快的），缺点是会遗漏很多 部分相似的文档；粒度越小，好处是招回率比较高，缺点是计 算速度减慢。,l 按照去处重复的级别进行分类,去处重复三个级别:,1. 镜像站点:根据站点内相似页面多少进行判断.实现相对简 单.,2. 完全相同网页:实现相对简单并且速度比较块,可以根据页 面 MD5 整个文档来说，每个文档一个 HASH 编码，然后排序， 将相同的找出.,3. 部分相同页面:实现相对负责,目前大多工作在这个部分. 评价:,三个级别应该从最高级别到较低级别分别进行,因为有很大比 例(22%)的内容是完全相同的,这个部分实现起来相对简单,而 且如果这个部分已经识别,那么针对部分相同页面的计算量会,大量减少,这样应该可以减少总体的计算时间 l 按照去重的时机,可以分为以下三类,（1） 抓取页面的时候去重，这样可以减少带宽以及减少存储 数量；,（2） 索引之后进行去重；,（3） 用户检索时候进行再次去重；增加准确性，耗费时间； 评价:,可以结合三个时机某个或者所有都结合,对于 GOOGLE 来说,很 可能是结合了 2 和 3 两种方法, GOOGLE 的很多思路建立在后台 计算和实时计算联合，比如相关度计算，后台计算重要性得分， 在用户输入查询后得到初始数据集合，然后根据这个数据集合 之间文档的关系重新调整顺序；比如去处重复，首先在后台进 行重复发现，为了增加精确度，在返回查询结果后，在返回文 档集合内，又根据“描述“部分重新计算哪些文档是重复的，这 样增加了准确性，估计其它很多相关算法也采取这种联合策略， 为了加快速度，实时计算部分可以和 CACHE 部分结合进行计算。,l 按照不同的特征选择方法,有几种方式: 1. 完全保留特征,2. 特征选择,设置不同的选择策略来保留部分特征,抛弃其它 特征,a. 比如对于单词级别的抛弃权重小的单词(I-MATCH),b. 对于 SHINGLE 方法,可以保留部分 SHINGLE 抛弃其它 SHINGLE,(1) 一种是保留 FINGERPRINT 第 I 个位置为 0 的 SHINGLE,其,它抛弃;,(2) 一种是每隔 I 个 SHINGLE 进行抽样保留,其它抛弃;这两,种得到的文档 SHINGLE 数目是变长的;,(3) 一种是选择最小的 K 个 SHINGLE,这种得到定长的,SHINGLE 数目;,(4) 用 84 个 RABIN FINGERPRINT 函数对于每个 SHINGLE 进行 计算,保留数值最小的 84 个 FINGERPRINT,这个方法是定长的.,对于 SHINGLE 类方法来说,还可以区分为:定长的和变长的 block 切分算法,定长算法：速度快，但是如果内容有稍微变化（比如插入或者 删除一个字符或者单词），其影响会比较大。比如 Shingle 及 其改进方法（Super-Shingle），CSC 及其改进方法（CSC-SS）。 变长算法：速度相对慢，但是内容变化只是造成局部影响。比 如 CDC,TTTD 等算法。,评价: 为了提高计算速度,一种策略是在特征提取的时候,抛,弃部分特征,保留部分特征,通过减少特征数目来加快计算速 度 . 另 外 一 个 策 略 是 粒 度 尽 可 能 加 大 , 比 如 SUPER-SHINGLE,MEGA-SHINGLE 甚至是文档基本;为了提高算法 效果,策略是采取变长的内容切割算法比如 CSC 算法等;这三种 策略是方法加快速度和准确性的发展方向. 一些初步的结论:,1. 对于信息检索类型的方法来说,由于其特征选择是基于单 词的,所以计算速度是个根本的问题,所以基本上是不实用的;,2. 从利用的信息来看,实用的系统还是应该立足于只是利用 文本内容来判别相似性,排除掉利用链接信息等方法;,3. 从算法特征抽取粒度来看,应该立足于 SHINLGE 类的粒度甚 至是文档级别的粒度算法;而 SHINGLE 类别的算法又应该优先 选择抛弃部分特征的算法以及变长的算法;,4. 从去重级别角度考虑,应该将完全相同的文档和部分相同 的文档识别分开进行,而且首先进行完全相同文档的识别,这 样会有效加快计算速度;,5. 从去重时机考虑,可以考虑结合后台去重以及实时去重,这 样增加去重的效果;,6. 从压缩编码方法来看,最有效的方式可能是 RABIN FINGERPRINT 变体算法;,7. 从聚类方法来看,最有效的方式可能是 UNION FIND 算法,目 前比较快的算法基本上都采用这个方法;,8. 从整体方法选择来看,应该选择改进的 SHINLGE 方法,在此 基础上进行进一步的改进;,三. 方法效率比较,1. SHINGLING 方法:时间效率 O(mn)2) ,其中 m 是 SHINGLE 的大小,n 是文档数目.计算时间为:3 千万文档,10 台机器算一 天,或者一台机器算 10 天;,2. 改进的 SHINGLE 方法(On the Evolution of Clusters of Near-Duplicate Web Pages.):时间效率接近于线性的 O(n), 计算时间为:1 亿 5 千万网页计算 3 个小时;,3. IMACH 方法: 最坏的情况下时间复杂度是(O(d log d)，速,度比较快,4. BLOOM FILTER 方法:10k 数据花费大约 66ms; 从计算效率考虑,速度排序为: 1. 改进的 SHINGLE 方法; 2. IMATCH 方法;,3. BLOOM FILTER 方法; 4. SHINGLE 方法;,四. 目前代表性解决方法分析 1. Shingle 方法(1997 年) a. 特征抽取,Shingle 方法:所谓 Shingle 类似于自然语言处理中常用的 N-GRAM 方法,就是将相互连续出现窗口大小为 N 的单词串作为 一个 Shingle,两者的不同点在于 Shingle 是这些串的集合,相 同的串会合并为一个,而 N-GRAM 则由于考虑的是文本线性结构, 所以没有相同合并步骤.每个 Shingle 就是文档的一个特征,一,篇文档就是由所有这些 Shingle 构成的. b. 压缩编码,40 bit 长度 Rabin FingerPrint 方法;至于存储方式则类似于 传统信息检索领域的倒排文档技术,存储信息以记录某个特征 在哪些文档中出现过,然后进一步计算文档的相似性; c. 文档相似度计算,(1) 相似度:任意两个文档 A 和 B,相似度指的是两者相同的,Shingle 数目占两者 Shingle 数目总和的比例;,(2) 包含度:指的是两者相同的 Shingle 数目占某篇文档,Shingle 数目的比例; d. 优化措施:,(1) 分布计算然后合并;,(2) 抛弃超高频出现 Shingle,分析发现这些 Shingle 是无意,义的片断;,(3) 完全相同文档保留一份进行聚类;(文档是否完全相同根,据压缩编码后数值是否相同判断),(4) Super Shingle:关于 Shingle 的 Shingle,从更大结构上,计算相似性以节省存储空间; 2. Google 可能采取的方法 a. 特征抽取,类似于 Shingle 方法,不同点在于:对于每个单词根据 HASH 函 数决定属于哪个 LIST,这样每个文档由若干个这样的 LIST 构 成;,b. 压缩编码,FingerPrint 方法;对于组成文档的 LIST 进行 FingerPrint 方 法计算;,c. 文档相似度计算,编 辑 距 离 (Edit Distance): 如 果 两 个 文 档 有 任 何 一 个 FingerPrint 相似就判断为内容接近. d. 聚类方法,首先对按照 Doc ID 进行排序;然后采取 Union Find 聚类方法, 聚类结果就是相似文档集合;,e. 优化措施,3. HP 实验室方法(2005 年) a. 特征抽取,基于内容的 Chunk 方法:变长而非定长的 Chunk 算法(TTTD 算 法);将一篇文档分解为若干个长度不同的Chunk,每个Chunk作 为文本的一个特征.与 shingle 方法相比这种变长 Chunk 方法 能够增加系统招回率; b. 压缩编码,128bit MD5 HASH 方法;每篇文章压缩编码后由若干 二元组构 成;,c. 文档相似度计算,(1) 构建所有文档和 Chunk 构成的二分图;,(2) 找到文档 A 包含的所有 CHUNK,计算这些 CHUNK 还被哪些,其它文档包含;,(3) 计算这些文档和 A 的相似性;,d. 聚类方法:Union Find 算法,e. 优化措施:Bipartite 划分,本质上是将大规模数据分成小 规模数据进行识别然后再合并结果.相当于分布计算; 4bloom filter(2005 年),(1).特征抽取方法,基于内容的语块（Content-defined chunking CDC）：CDC 将文 档切分为变长的内容片断，切分边界由 rabin fringerprint 和预先制定的 maker 数值匹配来进行判断。,(2)编码（构造 bloom filter 集合元素）,对于切分的片断进行编码。bloom filter 的编码方式如下：整 个文档是由片断构成的，文档由长为 m 的二值数组表示。在将 一个元素（内容片断）进行编码插入集合的时候，利用 k 个不 同的 hash 函数进行编码，每个 hash 函数设置 m 个位置的某个 位置为 1。这种技术以前主要用来进行判断某个元素是否被集 合包含。,（3）相似度计算方法,bloom filter 方法：对于两个已经编码的文档（两个长度为 m 的二值数组），通过 bit 逻辑运算 AND 计算，如果两者很多位 置都同时为 1，那么两个文档被认为是近似的。 （4）优势,1文档编码形式简洁，便于存储。,2由于计算相似性是 BIT 逻辑运算，所以速度快。,（,3相对 Shingling 方式来说便于判断文档包含关系。 某个文 档包含另外一个短小的文档）,5内容+链接关系（2003 年） 1特征抽取方法,这个方法在抽取特征的时候同时考虑了文档的内容因素以及 链接关系因素。,内容因素：通过 Random Projection 技术将文档内容从高维空 间映射到低维空间，并且由实数表示，如果两个文