（采取的均是自以为比较普通易懂的阐明，如果感兴趣可以读干系书本）
1.1 信息是减少不愿定性的东西，信息也是增加确定性的东西。
前半句是喷鼻香农信息定义，后半句是逆喷鼻香农信息定义。举个栗子，回忆下，和一个异性交往的过程。在你碰着TA之前，你不知道这个天下上有这个人的存在，后来你看到了TA的样子，后来你理解了TA的性情、口头禅，往事。然后一步一步，你对TA从丝毫不理解，到逐渐认识。这期间便是一个你不断获取TA信息的过程，正是这些信息，让你从完备不愿定TA是若何的人，到完备确定TA很适宜你。
1.2 信息量是一个信息能减少不愿定性的度量，信息量也是一个信息能增加确定性的度量。
关于信息量，有很多数学的描述，但是普通来讲，可以这么大略理解。举个栗子，证人描述嫌疑犯。A证人的信息是“他是个男人”。B证人的信息是“TA是个高中男生”，C证人的信息是“TA是个长发170旁边的高中生。”D证人的信息是“我认识他，他是学校的扛把子陈浩南”。我们直觉能感想熏染到信息量的大小关系为：A<B<C<D。显然这是精确的。
翻译为打算机可以理解的数学逻辑：当地男人的比例是50%，当地高中男生的比例为8%，当地长发170旁边的高中男生的比例是4%，当地叫陈浩南的扛把子的比例是0.0001%。由于P（A）>P（B）>P（C）>P（D），以是信息量的大小关系为：A<B<C<D。
2. 搜索的产品逻辑
搜索知足了用户迅速找到自己感兴趣内容的需求。用户输入一个query，搜索系统根据用户的输入的信息，筛选出系统认为用户感兴趣的内容，同时按照系统认定的主要性进行排序展示。请把稳这个表述，大略而言，搜索可以分为三步。
Step1：对用户输入信息的解读Step2：根据用户输入信息对内容进行筛选Step3：对筛选后的结果进行排序而要理解这三步怎么在搜索系统中完成，就须要先理解搜索的做事器怎么存储信息。
3. 搜索数据的存储事理
上一张图，假设我们做了一个新闻网站，那么它的构培养是下图。内容进行了简化，假设一个新闻，文本只有标题，导语，正文。数据只有阅读量，评论数，分享数。
图1-1
差不多便是上图右边的这种构造。右边标识的是新闻内容的存储：就像图书馆的书一样，整整洁齐按顺序排好，方便查找（这个存储构造的名字叫做索引，便是来自于图书馆的用语）。左边是词库：只要一次搜索的输入词能匹配到词库，就可以快速的查找词库到对应的内容。
每个搜索系统都有自己的词库，无法对应到分词的搜索行为就会没有结果。每个搜索系统都会根据目标用户的不同，有对应的一套词库，就像字典一样，《冶金专业词典》和《生物学大辞典》收录的词条是不同的，知乎的词库和淘宝的词库也不同。搜索的很多优化都是集中在词库的优化上。
大略总结下，搜索的存储事理便是：一个别系词库，一个排列整洁的内容索引库，同时系统词库和内容索引库之间可以快速关联。
在这个搜索系统的储存构造的根本上，我们提到的搜索三步骤将依次展开。
4. Step1：对用户输入信息的解读
前面提到，搜索的词库是有限的，但是用户的输入却是没有限定的。那么怎么把无限制的搜索转化为有限的词库，并且匹配到对应的结果呢？这里须要先容一个新的观点：分词，大略来说便是对输入字符串进行分拆。
同样以【图1-1】中的新闻搜索系统为例。如果用户输入的query为“中国的转基因食品”，系统中实在没有这个词。如果没有分词功能，这个搜索就会立即结束，纵然系统里确实有对应的内容。分词的事情事理是在无法精确匹配的情形下，会对用户的输入进行进一步的拆分。于是我们得到了下面的结果。
“中国的转基因食品”——“中国”、“的”、“转基因”、“食品”。
并不是所有的词都有信息量，如果召回“的‘’的结果，那么险些所有的新闻内容里面都会有这个字，召回这么多结果显然是不对的。比如这个query里的“的”，这个词实际上在分词系统中会被直接忽略掉。正是由于涌如今内容中的概率不同，一个词涌现的新闻越多，这个词的信息量就越小，信息量太小的词会被忽略，也便是停用词。同时包含信息量越大的词的新闻内容，会更更要。那么去掉停用词之后，结果就进一步简化。
“中国的转基因食品”——“中国”、“转基因”、“食品”。
经由处理，用户非标准的query就被转化为标准的词库，就可以快速找到对应的内容了。如【图1-1】所示。
5. Step2：根据用户输入信息对内容进行筛选
经由对用户的query解读之后，实在就得到了一些标准化的词，而这些词就会对应一些搜索目标内容，接下来便是对付内容的筛选。
用户进行了一次搜索，一部分结果被搜索了出来。那么所有的内容根据“内容是否干系”、“内容是否被召回”两个维度，就被分为了四部分。
召回的干系内容：搜索出来的内容中，和用户搜索干系的部分。召回的不干系内容：搜索出来的内容中，和用户搜索不干系的部分。未召回的干系内容：没有搜索出来的内容中，和用户搜索干系的部分。未召回的不干系内容：没有搜索出来的内容中，和用户搜索不干系的部分。搜索一样平常而言，决定是否筛选出来，会从两个角度衡量，准确率，和召回率。
准确率便是所有搜到的内容里面，干系的内容的比例。准确率：
召回率便是所有该当搜到的内容里面，真正被搜出来的比例。召回率：
准确率和召回率是一对存在抵牾的指标。须要权衡。终极衡量会取两个的调和均匀数作为目标函数。即F值：
这三个观点在搜索优化中是关键性指标，牵扯到人工打分和更高等的优化。这里不展开更多。我们只须要记住一点：并不是所有的包含用户query关键词的结果都该当被召回。
6. Step3：对筛选后的结果进行排序
排序影响着搜索的结果质量，越往前的结果约随意马虎得到用户的点击。好的搜索不仅仅是把该当搜索的内容尽可能的搜索出来，同时还要考虑该当把最随意马虎吸引用户的内容展示在前面。
搜索排序比较大的根本逻辑是通用的：
用户输入一个文本转化为标准词库中的词，搜索系统根据每个详细内容是否包含这些词决定是否展示这些内容，同时搜索系统根据文本相关性给这些要展示的内容一个分数。而终极排序则根据每个内容的分数排序。
这个Lucene的的核心排序公式的事理，网上有先容。但是实际的情形实在更为繁芜。还是以我们之条件到的新闻搜索系统为例（方便理解，再贴一遍图）
如果用户搜索“转基因”，那么这个转基因的文本涌如今标题中，还是涌如今导语中，还是涌如今正文中，表示在分数上该当是不一样的。显然涌如今标题中该当有更高的分数。同样也须要考虑业务数据，比如一个阅读量10万+的帖子和一个阅读量3的帖子比较，纵然阅读量低的帖子文本相关性更强，但是显然10万+的帖子该当在前面。
实在所有的数据都可以分为两类，文本和数据。文本用于打算内容的干系性，这部分的打分交给Lucene成熟的算法办理，目前市情上也都有成型的开源办理方案。而怎么处理文本之间的关系，以及数据之间的关系，才是一个搜索系统设计最核心的部分。
以基于Lucene的Solr系统为例，文本和数据配置代码实在很大略。在<str name=”bf”>和<str name=”qf”>标签中只须要几行代码就能完成。
<str name=”bf”>中是对付业务数据授予权重。<str name=”qf”>中是对付文本数据授予权重。在研究过Solr系统这个机制之后，对Solr核心公式进行变形，就得到了一个公式：
代表针对文本，我们给出的文本分数权重。比如这个别系中有三种文本，标题，导语，正文。根据主要性，标题权重为10，导语权重为5，正文权重为1。 代表针对文本，Lucene算法给出的文本相关性分数，这个会综合考虑文本的字数，这个搜索词在所有文本中涌现的概率等等成分（想进一步了事理的同学，可以看下TF-IDF与余弦相似性的先容）。 代表针对数据，我们给出的数据权重。比如这个别系中有三种数据，评论量，分享数，阅读量。根据主要性，标题评论数权重为100，分享数权重为200，阅读量权重为1。（一样平常而言会引入韶光衰减性，这里暂不谈论） 代表针对数据，详细的值。比如这个别系得三种数据，评论量，分享数，阅读量。代表归一化系数，意味着权重可以给的非常大，末了总的分值也会在一个合理的范围内。 是本次根据算法索引判断出的。代表本次打分，用户输入query供应信息的信息量大小。如果输入query供应了越多的信息，则S越大。增加，不变，之前的系数不变，之前的系数增加。而代表文本数据的对整体分数的贡献，则 越大，就解释文本数据比较于业务数据就霸占更大的权重。比如：输入“北京国庆交通拥堵”，和输入“交通拥堵”比较，“北京国庆交通拥堵”供应给了系统更多的信息，S值更大，文本的打分在总分数汇总占比越大。以是我们可以看到，实在终极影响排序的，是我们对付文本数据和业务数据的授予的权重，即： 代表针对文本的权重，和 代表针对数据的权重。
这两组数据，影响了搜索终极的排序，而这组数据的赋值，正是搜索系统的对业务的理解。
7. 小结
本篇文章是对付搜索系统事情事理一个整体的先容，对付事理的理解，是设计系统举重若轻的根本。
在这些根本事理之上，搜索系统还有很多标准功能。那么一个比较完备的搜索系统该当具备若何的标准功能？这些功能又有着怎么的事理？移动时期，搜索前端设计该当如何方案？欢迎关注专栏，连续收看下期。
作者：潘一鸣，知乎专栏：产品逻辑之美
本文由 @潘一鸣 原创发布于大家都是产品经理。未经容许，禁止转载。
