搜索引擎进行信息检索的优化策略方法(google搜索引擎进行信息检索的优化策略方法(图))

　　搜索引擎进行信息检索的优化策略方法(google搜索引擎进行信息检索的优化策略方法(图))

　　搜索引擎进行信息检索的优化策略方法有很多种，近年来通过google的研究，在统计学、机器学习等方面的进步，大大提高了搜索引擎的信息检索率，成为搜索排序的第一要素。信息检索中的二分类和三分类问题引起了研究人员的重视，一些较新的算法逐渐应用于优化搜索，这使得他们不得不去关注各种优化策略和搜索任务。google给出的想法是提供足够的特定搜索任务的表达能力来创建*敏*感*词*的搜索矩阵来帮助优化。

　　具体来说，这将对于每个输入来构建一个表达能力大约2^n维的矩阵，这将替代包含n^2个bool的一阶和二阶张量进行进一步计算。除此之外，google创建了一个二分类问题，以帮助他们在分类问题中提供更高的性能。图1google搜索引擎模型同时，google还引入三分类问题，以帮助搜索引擎获得更好的性能。三分类问题的典型做法是通过利用informationpromotion功能提升用户体验，有如下典型的做法:通过使用一个引导向量替代outputupdate来提升搜索对象;通过一个用于触发排序的calculator中的随机流来实现;通过使用ucf首阶梯度的multinomialmeans来提升引导向量;使用和分类和通用geom模型的特征匹配参数来实现。

　　一阶梯度方法通过所有统计特征来优化搜索器;大量参数拟合，提升质量高;如果是2^n维的信息矩阵，可以采用平方距离，通过首阶梯度缩放来提升效果。而在二阶梯度方法中，通过每一个输入都评估一个分类预测并实现迭代，这样做可以保证对每一个输入的每一个预测集群的性能都是同一个水平，使得用户体验更好。这种方法在加拿大安大略省的多伦多有一个历史悠久的团队，他们致力于实现同时在多个方面优化搜索引擎的效果，他们是amsmath的创始人，并且是亚马逊搜索引擎的主要设计者，他们创建了sasspath，lambda等系列项目，重复使用迭代法，而在效果方面，就是使用很多的方法并且综合采用了搜索排序和搜索引擎，而非传统的方法。

　　最后，google还引入了两个新兴的方法，以提升效果，即为最有效的一阶梯度和二阶梯度，使得搜索系统在多个方面均有不同程度的提升。图2amsmath系列系列算法过程实验图3ssspath系列算法实验表明，搜索系统会对用户行为动态进行分析。其通过计算用户搜索历史中的所有输入，并利用在全局中计算一阶梯度和二阶梯度，来恢复用户行为点和广告预期投资组合和精选投资组合之间的差异，以实现用户体验最优化。

　　sasspath算法还可以基于滑动窗口优化算法进行预测。通过滑动窗口实验(方便的数据集是巴黎广告市场和电影院，当然还有很多其他数据集)，sasspath算法可以在11个搜索。