6.1简介

　　随着信息多元化的增长，千篇一律的给所有用户同一个入口显然已经不能满足特定用户更深入的查询需求。同时，这样的通用搜索引擎在目前的硬件条件下，要及时更新以得到互联网上较全面的信息是不太可能的。针对这种情况，我们需要一个分类细致精确、数据全面深入、更新及时的面向主题的搜索引擎。

　　由于主题搜索运用了人工分类以及特征提取等智能化策略，因此它比上面提到的前三代的搜索引擎将更加有效和准确，我们将这类完善的主题搜索引擎称为第四代搜索引擎。

　　6.2面向主题的搜索策略

　　6.2.1导向词

　　导向词就是一组关键词，它们会引导搜索器按照一定顺序搜索整个网络，使得搜索引擎可以在最短的时间里面得到最全面的跟某一个主题相关的信息。通过设置导向词以及它们对应的不同权值，所有标题、作者、正文或超连接文本中含有某一导向词的网页都会被赋予较高的权值，在搜索的时候会优先考虑。搜索器在向主控程序获得URL的时候也是按照权值由高到低的顺序。反之，搜索器在向主控程序提交新的URL和它的权值的时候，主控程序会按照权值预先排序，以便下一次有序的发给搜索器。

　　6.2.2网页评级

　　在考虑一个网页被另一个网页的引用时候，不是单纯的将被引用网页的Hit Number加一，而是将引用网页的连接数作为权，同时将该引用网页的重要性也考虑进来（看看上面提到的例子，Yahoo！引用的网页显然比个人网站引用的网页重要，因为Yahoo！本身很重要），就可以得到扩展后的网页评分。

　　最早提出网页评分的计算方法是Google。它们提出了一个“随机冲浪”模型来描述网络用户对网页的访问行为。模型假设如下：

　　1) 用户随机的选择一个网页作为上网的起始网页；

　　2) 看完这个网页后，从该网页内所含的超链内随机的选择一个页面继续进行浏览；

　　3) 沿着超链前进了一定数目的网页后，用户对这个主题感到厌倦，重新随机选择一个网页进行浏览，并重复2和3。

　　按照以上的用户行为模型，每个网页可能被访问到的次数就是该网页的链接权值。如何计算这个权值呢？PageRank采用以下公式进行计算：

　　其中Wj代表第j个网页的权值；lij只取0、1值，代表从网页i到网页j是否存在链接；ni代表网页i有多少个链向其它网页的链接；d代表“随机冲浪”中沿着链接访问网页的平均次数。选择合适的数值，递归的使用以上公式，即可得到理想的网页链接权值。该方法能够大幅度的提高简单检索返回结果的质量，同时能够有效的防止网页编写者对搜索引擎的欺骗。因此可以将其广泛的应用在检索器提供给用户的网页排序上，对于网页评分越高的网页，就排的越前。

　　6.2.3权威网页和中心网页

　　权威网页

　　顾名思义，是给定主题底下的一系列重要的权威的网页。其重要性和权威性主要体现在以下两点：

　　1) 从单个网页来看，它的网页内容本身对于这个给定主题来说是重要的；

　　2) 从这个网页在整个互联网重的地位来看，这个网页是被其他网页承认为权威的，这主要体现在跟这个主题相关的很多网页都有链接指向这个网页。

　　由此可见，权威网页对于主题搜索引擎的实现有很重大的意义。主题搜索引擎一个很关键的任务就是从互联网上无数的网页之中最快最准的找出这些可数的权威网页，并为他们建立索引。这也是有效区别主题搜索引擎和前三代传统通用搜索引擎的重要特征。

　　中心网页

　　是包含很多指向权威网页的超链接的网页。最典型中心网页的一个例子是Yahoo！，它的目录结构指向了很多主题的权威网页，使得它兼任了很多主题的中心网页。由中心网页出发，轻而易举的就会到达大量的权威网页。因此，它对于主题搜索引擎的实现也起了很大的意义。

　　权威网页和中心网页之间是一种互相促进的关系：一个好的中心网页必然要有超链接指向多个权威网页；一个好的权威网页反过来也必然被多个中心网页所链接。

　　6.3小节

　　本章介绍了面向主题的搜索策略，并作了详细阐述。虽然在新闻搜索中并没有应用到搜索策略，但是对于WWW搜索引擎来说，搜索策略是极其重要的。他直接关系到搜索的质量以及匹配度等性能。