第3章 计算机检索基础

第3章

计算机检索基础3.1计算机检索概述

计算机技术与信息处理技术、现代通信网络技术的结合，使人们获取信息的方法和技术产生了革命性的变化，不断地改变着人们的生活和工作方式。

本节将介绍计算机信息检索基础。3.1.1计算机检索的概念和原理1．计算机信息检索的概念

所谓计算机信息检索，就是指人们利用计算机以及相关软件和通信设备，通过特定的检索指令、检索词和检索策略，按照一定的方法组织和存储信息，并通过人机对话从计算机检索系统的数据库中检索出所需的信息的过程。2．计算机信息检索的基本原理

检索的过程实际上是一个类比和匹配的过程。3．计算机检索的优点

计算机与传统的手工检索相比，具有以下优点。速度快。效率高。内容丰富。数据更新快。操作简便。检索时不受空间和地域的限制。更灵活的检索方式。即时获得原始文献。3.1.2计算机信息检索的系统构成

计算机信息检索系统主要由硬件组成和软件系统两部分构成。1．硬件组成（1）主机服务器（2）检索终端（3）通信网络（4）其他辅助设备2．软件组成（1）系统管理软件（2）检索系统应用软件（3）数据库3.1.3计算机信息检索的发展

计算机信息检索的发展是与计算机技术、数字化技术、存储技术、网络通信技术的发展密切相关的。

从20世纪50年代计算机开始应用于信息检索至今大体经历了脱机信息检索、联机信息检索、光盘信息检索和网络信息检索4个阶段。1．脱机信息检索2．联机信息检索

联机信息检索系统的优点如下。检索速度快。检索范围广而全面。检索途径多、质量高。检索内容新、实时性强。检索辅助功能完善，使用方便，检索结果输出方式灵活、实用。

正是因为这些优点，联机信息检索目前仍是计算机信息检索的重要方式之一。

但是，它本身也存在一些缺陷，体现在以下两方面。主机负担重，一旦出现故障整个网络都将瘫痪。信息组织方式以线性为主，不够灵活。3．光盘信息检索

这一阶段发生的重大事件如下。1985年，美国数字设备公司（DigitalEquipmentCorporation，DEC）将CD-ROM作为微型计算机的系统组件投放市场，把光盘与计算机结合起来，为光盘检索的发展提供了基础。1987年，美国DIALOG联机系统推出“DIALOGonDisc”系列服务，把该系统的联机信息检索数据库制作为光盘，吸引更多的用户使用其数据库。

光盘信息检索的特点如下。

与联机检索系统相比光盘检索系统可节约联机检索所需的电信设备、通信费用以及联机系统的使用费，同时还可避免通信线路传输过程中出现的失误。

光盘存储量大、耐用、复制费用低。

如果光盘数据库量不够多，则信息资源就显得有限，购买大量的光盘数据库，又受到经费限制。

因为光盘只能定期提供，订购和制作周期使它在信息需求的实时性上不如联机检索系统。4．网络信息检索20世纪90年代初至今为网络化检索阶段。

网络信息检索是指以网络为媒介，利用网上已提供的一些信息检索工具，实现对信息提问的检索查询，最终在Internet上查找到所需的信息资源。3.2计算机信息检索的基本方法与策略3.2.1计算机检索的基本方法1．布尔逻辑检索

逻辑检索是一种开发比较早、比较成熟、在计算机信息检索系统中广泛应用的技术，它是采用布尔关系运算符来表达检索词与检索词之间逻辑关系的检索方法，即用布尔运算符（and/AND、or/OR、not/NOT）或直接用符号如“＆”（and），“｜”（or），“！”（not）进行逻辑运算。

图3-1逻辑运算示意图

布尔逻辑检索在联机检索、光盘检索和网络信息检索中都有广泛的应用，但是不同的检索系统和检索工具的布尔逻辑检索技术存在一些差异，因而使用布尔逻辑检索需要注意如下问题。（1）布尔逻辑检索执行顺序。（2）不同检索工具的布尔逻辑检索有不同的表现形式。①不同检索工具表示布尔逻辑关系的符号不同。有的检索系统用“&”、“｜”和“－”分别表示布尔逻辑关系AND、OR、NOT，有的仅用“+”、“－”分别表示AND、NOT，有的要求运算符必须为大写形式或必须为小写形式，有些则大小写均可。②不同检索工具的检索词之间默认的布尔逻辑关系不同。有的检索工具默认关系为AND（例如，百度、Google等），有的则默认为OR。③布尔逻辑在计算机检索中虽使用比较广泛，但不同的计算机检索系统在支持的程度上有所区别。例如在搜索引擎中，Excite、Infoseek、AltaVista等就“完全支持”3种运算符；而雅虎就“部分支持”其中“AND”和“OR”两种运算符。2．截词检索3．短语检索3.2.2计算机检索策略1．明确检索的目的和要求2．选择合适的检索系统和数据库3．确定正确的检索途径和检索词

检索途径主要根据分析课题时确定的已知条件以及所选定的检索系统能够提供的检索途径来决定。

常用的检索途径有著者、分类、主题、题名、文献号、引文、文献类型、出版时间和语种等。

检索词是表达用户信息需求的检索表达式的基本元素，也是计算机信息系统中有关数据库进行匹配的基本单元。

检索词的选择一般从以下几方面进行考虑。（1）对检索课题进行科学正确的主题分析，将课题内容分解或综合成某些概念，选择核心概念，发掘隐含概念，排除非核心与宽泛概念，力求使这些概念充分反映信息需求和检索主题内容。（2）在确定检索用词时，检索词的数量和专指度要合适，主次分明。一般优先选取规范词，如主题词、分类代码、国家或地区代码等，其次再选用关键词和适当使用一些自然语言词语。目前联机系统和光盘检索系统一般都要求使用系统特定的词表，而绝大多数网络信息检索工具都支持自然语言词表。（3）可以随时根据检索需要，调整检索词，灵活使用多义词、同义词、近义词等。扩大检索范围时，尽量选择概念或者词组；如果想缩小检索范围，则选择专指性强、特定的概念或专业术语，避免使用普通词或多义词。4．构造合理的检索表达式

检索表达式的构造，应注意以下3个问题。（1）完整而准确地反映出检索提问的主题内容。（2）使用所查的信息数据库的索引体系和检索用词规则。（3）要符合检索系统的功能及限制条件的规定。5．上机检索并调整检索策略

在检索过程中应及时分析检索结果是否与检索要求一致，并根据检索结果对检索词、检索表达式做出相应的修改和调整，直至得到比较满意的结果。（1）如果检索结果信息量过多，多数是由于误检造成的。主要原因有：一是选词不当，检索词本身具有多义性；二是对所选的检索词截词太短。（2）如果检索结果信息量过少，多为漏检造成。主要原因有：一是使用的检索词过于专指，选用了不规范的检索词，同义词、相关词和近义词没有充分运用，或者对所选的检索词截词太长；二是检索表达式中逻辑“与”用得太多；三是对字段限定太严。6．输出检索结果3.3搜索引擎基础知识

本节主要介绍搜索引擎的概念、原理、发展史和类型以及其检索技术。3.3.1搜索引擎的定义和工作原理1．搜索引擎的定义

搜索引擎并不是真正搜索互联网，它指的是收集Internet上成千上万甚至上亿的网页并对网页中的每一个词（关键词）进行索引，建立索引数据库的一种检索系统机制。

广义上，搜索引擎是指一种基于Internet的信息查询系统，包括信息获取、信息管理和信息检索；狭义上是指一种搜集Internet上的网页的检索软件。2．搜索引擎的优缺点

搜索引擎的优点如下。信息新颖、数量巨大：搜索引擎最大的优点是综合覆盖整个互联网，可以搜索到WWW上的海量信息。可检索到部分高质量、专指性较强的信息：搜索引擎同时也擅长检索那些处于“灰色地带”、不易归类的主题以及专指性很强的词汇，利用搜索引擎可以检索到一些高质量的学术期刊和论文，特别是一些仅以电子版发行的刊物或论文。可检索到相关性高的信息：搜索引擎能够将其认为相关性高的检索结果排列在前，当用户需要进行广泛查询，且有时间筛选检索到的大量信息的情况下，搜索引擎具有极高的利用价值。

搜索引擎也存在着以下缺点。信息质量不高信息内容重复3.3.2搜索引擎的结构和工作流程

图3-2所示为搜索引擎的基本结构组成。

将搜索引擎的工作流程简要介绍如下，如图3-3所示。图3-2搜索引擎基本结构图3-3搜索引擎工作流程（1）信息搜集系统利用能够从互联网上自动收集网页的蜘蛛系统程序，自动访问互联网，并沿着网页中所有URL爬到其他网页中，不断重复这一过程，并把爬过的所有网页收集回来。（2）由分析索引系统程序对收集回来的网页进行分析，提取相关信息（包括URL、页面内容包含的关键词及其位置、时间、大小等），根据相关度算法计算每个网页中各个关键词的相关度或重要性，并利用这些相关信息建立索引数据库。（3）在信息检索系统中，当用户输入检索词进行检索时，搜索系统从网页索引数据库中通过匹配运算找到符合条件的所有相关网页，按照相关度数值排好序，生成检索结果返回给用户。3.3.3搜索引擎的基本类型Internet上数千个提供检索服务的搜索引擎，在收录的范围、内容、检索方法上各具特色。

因为概念上的差异，搜索引擎的分类也常常不规范，按照不同的分类标准，搜索引擎能够划分为不同的类型。1．按检索内容分类

根据检索工具的数据内容，可以分为综合型、专门型和特殊型搜索引擎。（1）综合型搜索引擎在采集标引信息资源时不限制资源的主题范围和数据类型，用户可利用它检索几乎任何方面的资源，如Yahoo!、百度、Google、Excite等。（2）专门型搜索引擎专门采集某一主题范围的资源，专注于某一领域如IT、商务、娱乐等，并用更为详细和专业的方法对信息资源对信息进行标引描述，且往往在检索机制中利用与该专业领域密切相关的方法技术。典型的专门型搜索引擎有硅谷动力的硅谷商城（）和太平洋电脑城（）。（3）特殊型检索工具指那些专门用来检索某一类型信息资源的检索工具，如全球华人寻人搜索引擎的Look4U、软件搜索引擎的SoftSeek和查询地图的MapBlast等。2．按检索机制分类

根据搜索引擎的数据检索机制，可将其分为检索型、目录型和混合型搜索引擎。（1）检索型搜索引擎通过用户直接输入检索词来查找用户所需信息资源，检索方便直接，而且可以使用布尔逻辑检索、短语、模糊检索等高级检索方式，可以限制检索对象的地区、数据类型等，可对满足条件的资源准确定位。百度、Google、AltaVista等都是著名的检索型搜索工具。（2）目录型搜索引擎通过浏览树型目录来寻找符合需要的网页或网站资源，目录按照一定的主题分类体系组织，并辅之年代、地区等加以区分。用户一般采取逐层浏览目录、逐步细化来寻找合适的具体资源。这类检索工具的典型代表就是Yahoo!。（3）混合型搜索引擎兼有检索型和目录型两种检索方式，既可直接输入检索词查找特定信息资源，又可浏览层次型类别目录了解所需信息。实际上，现在大多数搜索引擎都同时提供词语检索和目录浏览两种，以增强自身的检索能力和市场竞争力。3．按包含的检索工具数量分类（1）通常意义上的搜索引擎可通过自身的信息采集、信息分析和信息检索机制提供服务，这一类称为单独型搜索引擎，也是最常用的搜索引擎，如百度、Google等。（2）集合型搜索引擎则是一种能够利用多个搜索引擎进行网络信息查询的检索工具，它通过一个统一的Web界面帮助用户在其链接的众多的搜索引擎中选用合适的搜索引擎以实现检索操作。

在检索中，用户向集合型搜索引擎发出检索请求后，集合型搜索引擎再将请求发送给单个搜索引擎，由单个搜索引擎检索后将结果传回给集合型搜索引擎，最后由集合型搜索引擎将获得的检索结果提交给用户。3.3.4搜索引擎的检索技术1．布尔逻辑检索2．截词检索3．字符串检索4．字段限制检索5．自然语言检索6．概念检索7．高级检索3.4常见搜索引擎3.4.1Google1．Google简介2．Google的功能特点（1）界面简洁，检索方法简单。（2）提供“基本检索”和“高级检索”。

图3-5所示为Google的高级检索界面。（3）提供多种关键词限制方式，提高查准率。（4）“手气不错”检索是Google的一大特色。输入检索词后单击

按钮，直接转到Google推荐的最常被查询的最佳网站，省时方便。（5）检索速度快，查全率高。Google搜索速度快捷是它的又一大特色。（6）检索结果质量高。（7）功能齐全。图3-4Google主页界面图3-5Google高级检索界面3．Google的检索方法

输入“”打开Google首页，它会根据用户所使用的浏览器（如InternetExplorer、Netscape等）自动出现Google的相应语言界面。Google提供以下检索方法。（1）基本查询。如图3-6和图3-7所示。（2）手气不错。它会直接转入Google推荐的最常见查询的最佳网站，省时方便。图3-6搜索“电器元件”所得结果图3-7搜索“电子元件”所得结果

例如，输入“计算机等级考试”作为检索关键词，单击“手气不错”按钮进行检索，Google将自动检索链接至其系统推荐的相关性最强的网站：“全国计算机等级考试网”（.cn/jsjdj/index.jsp），如图3-8、图3-9所示；而直接单击“Google搜索按钮”或者按回车键，则进入检索结果列表，如图3-10所示。图3-8搜索“计算机等级考试”图3-9“手气不错”检索结果图3-10基本检索结果列表（3）“网页快照”和“类似结果”。

Google提供的每条检索结果中都包含有“网页快照”和“类似网页”功能，用户可以通过单击“网页快照”快速浏览Google存储在网页索引数据库中的文件以及该网页的界面，筛选确定该资源的可用性，省去自行链接该网站等待导入的时间。

而“类似结果”则提供给用户Google推荐的与该网页相关的网站，让用户及时了解到更加全面的信息资料，如图3-11所示。图3-11“网页快照”和“类似结果”

以上面网页提供的检索结果列表中的第二条（标题为：全国计算机等级考试合作网站，考试报名，成绩查询，等考训练，等考课程，模……）结果为例，直接单击网站标题的链接将直接打开其网站主页，如图3-12所示。图3-12单击链接打开主站

单击其“网页快照”则是打开了Google系统数据库中保存的网页，并且该网页在命中关键词的字词上均用彩色字体显示，供用户进行判断选择如图3-13所示。

当单击“类似结果”时，得到的结果是另外一个检索结果列表，如图3-14所示。图3-13单击“网页快照”结果图3-14单击“类似结果”打开另一个搜索结果列表（4）相关检索。Google搜索引擎在每次检索结果界面的最后都会提供给用户一个“相关搜索”的列表，方便用户通过参照网络上利用与自己输入的关键词相关的关键词列表，检查自己检索词的合理性和准确度，并可以通过直接单击“相关搜索”列表中的关键词进行查询，从而得到更准确、更全面的信息，如图3-15所示。图3-15“相关搜索”关键词列表（5）网页翻译和简繁体转换功能。

以使用最广泛的英文翻译为例，打开Google界面单击“翻译”链接（见图3-16），便可直接进入Google的翻译工具页面（见图3-17）。图3-16单击“翻译”链接图3-17进入翻译功能界面

输入需要翻译的词语或句子，选择翻译的语言方向，单击翻译按钮即可；同样，翻译网页时，直接把需要翻译的网址（以新华网为例）输入检索框单击翻译按钮即可，如图3-18所示。图3-18输入翻译目标网址4．Google的检索技巧（1）忽略关键词的英文字母大小写问题。（2）利用布尔逻辑检索语法。布尔逻辑检索是搜索引擎最实用、使用最普遍的检索技巧，Google搜索引擎同样支持布尔逻辑检索语法，在其系统中，逻辑检索语法的使用方法如下。图3-19Google搜索引擎不区分英文大小写①逻辑与。②逻辑非。③逻辑或。（3）关键词的完全匹配限制。（4）对搜索的网站进行限制。①在某个网站上检索信息：关键词site:网址；或者Site:网址关键词。

例如，想在“太平洋电脑网”查询有关硬盘的信息资料时用户只要在Google检索框中输入检索表达式：硬盘site:www.即可进行检索，结果列表中的网址均是以作为开头，如图3-20所示。图3-20使用网址限制搜索范围②在某个类型网站上检索的检索表达式为：关键词site:域名类型；或者site:域名类型。

例如：关键词site:.edu，即为在教育网（.edu）内查找，以在教育网内查找有关“计算机网络”的信息资源为例，检索的表达式为：

计算机网络site:.edu

检索结果的目标网址均是教育网（即域名中包含“.edu”），如图3-21所示。图3-21教育网内搜索“计算机网络”（5）关键词位置限定。图3-22使用关键词位置限定（6）在某一类型载体资源中查找信息。

检索词+空格+filetype:+资源类型图3-23查找与“汽车文化”相关的ppt文件

检索过程中常用的一些文件格式如表3-1、表3-2、表3-3、表3-4所示。文件格式文件类型相应软件txt纯文字文档记事本doc文档Wordwps文档Wpspdf文档AcrobatReadercaj文档CajViewer表3-1 文档格式文件文件格式文件类型相应软件rar压缩文件Winrarzip压缩文件Winrar,Winzipexe可执行程序一般双击打开xls表格文件Excelppt幻灯片PowerPointhtm网页InternetExplorer表3-2 文件格式类型的文件文件格式文件类型相应软件mp3音频Winamp等wma音频Winamp等avi视音频Realplayer,WindowsMediaPlayer等rm同上同上rmvb同上同上mpeg同上同上表3-3 多媒体格式文件文件格式文件类型相应软件bmp图像Acdsee、InternetExplorer等jpg,jpeg图像Acdsee、InternetExplorer等gif图像，动画Acdsee、InternetExplorer等swf动画Flashplayer、InternetExplorer等psd图像Photoshop表3-4 图像格式文件（7）高级搜索。如果在基本查询中无法得到精确的结果，可以使用“高级搜索”实现。单击Google首页右侧的“高级搜索”链接，打开Google的“高级搜索”界面，如图3-24所示。图3-24“高级搜索”界面3.4.2百度1．百度简介2．百度的功能特色（1）基本检索（2）检索结果显示（3）百度快照（4）相关搜索图3-25百度基本搜索功能

例如，检索词“信息网络技术原理”的“相关搜索”为网络原理与技术教程、网络信息技术、信息检索原理与技术等，如图3-26所示。图3-26信息网络技术原理对应的“相关搜索”（5）分类检索功能。如图3-27所示。（6）在结果中检索。如图3-29所示。从如图3-28和图3-30所示的检索结果数量对比可以发现“在结果中搜索”起到了缩小检索范围的作用。（7）高级搜索界面。（8）拼音提示。（9）错别字提示。（10）搜索框提示。图3-27百度首页界面上的分类检索链接图3-28检索“北京奥运会”图3-29在结果中检索“开幕式”图3-30获得“北京奥运会开幕式”检索结果图3-31“高级搜索”界面图3-32拼音提示功能图3-33错别字提示功能

如果输入拼音，百度会提示最符合要求的汉字。

如输入“moshou”，搜索框提示中会显示“魔兽世界”、“魔兽”等词，如图3-34所示。图3-34搜索框提示功能3．百度的检索语法特点（1）利用布尔逻辑检索语法。百度搜索引擎同样支持布尔逻辑检索语法，在其系统中，逻辑检索语法的使用方法如下。①逻辑与：在百度中，表示逻辑和的运算符号AND或“+”在检索过程中不需要写出来，用户只需在两个关键词之间用空格来表示即可，系统将自动默认逻辑关系为“与”。

如“奥巴马美国总统”表示检索的是“美国总统奥巴马”的所有信息，而不包括其他名字为奥巴马的人以及除了奥巴马之外的其他美国总统。②逻辑非：在检索结果要求不包含某些特定信息时，百度用减号“－”或者“NOT”表示逻辑非操作。例如：检索所有包含“搜索引擎”但又不包含“文化”的信息时，检索的表达式为：

搜索引擎-文化注意：减号“-”必须是英文字符，使用时前面必须带空格。③逻辑或：百度用符号“|”实现逻辑或操作，表示检索结果中至少包含多个关键词之中的任意一个。（2）精确匹配——双引号和书名号。（3）忽略关键词的英文字母大小写问题。（4）将搜索结果限定在特定的网站中。①在某个网站上检索信息，搜索词格式为：关键词site:网址；或者site:网址关键词。例如，准备到天空网下载软件，就可以这样查询：msnsite:。②在某个类型网站上检索信息，探索词格式为：关键词site:域名类型；或者site:域名类型。例如：关键词site:.edu，可实现在教育网（.edu）内查找关键词。（5）把搜索范围限定在网站的指定位置中。①把搜索范围限定在网页标题中——intitle。②把搜索范围限定在url链接中——inurl。（6）在某一类型载体资源中查找信息。3.4.3北大天网

北大天网（）搜索引擎是北京大学计算机系网络与分布式系统实验室开发的一个产品。

目前已在上提供服务，搜集文件数据量超过1

000万条，日访问量超过40万次，是目前国内规模最大的FTP搜索引擎，在国际上也是FTP搜索引擎中的佼佼者，曾被评为“最值得关注的中文搜索引擎”。

天网搜索的首页如图3-35所示。图3-35天网搜索首页1．搜索基本方法（1）在“天网”主页上，用户在检索框中输入想要查询的关键词，按回车键或者单击“搜索网页”按钮即可进行搜索。（2）与Google类似，检索词包括多个关键词时，不需要使用“AND”语法，只要用空格隔开关键词就可以，搜索引擎会自动运行“AND”语法进行检索，提供符合查询条件的网址列表。如果用户想进一步缩小搜索范围，只需输入更多的关键词或者在查询结果中输入关键词进一步查询。（3）与一般的搜索引擎相同，天网搜索也支持基本的检索技术应用，例如支持使用双引号（“”）进行短语检索；不区分英文字母大小写，所有字母均当作小写处理；使用通配符“*”号或“？”号实现“截词检索”；也可以使用“在结果中查找”功能进行二次检索等。2．FTP检索（1）天网搜索的最大特色是可实现FTP搜索。在天网搜索主页中单击“搜索文件”选项，即可进入FTP检索界面，如图3-