Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Manfred Thaller, Universität zu Köln Köln 26. November 2007

Ähnliche Präsentationen


Präsentation zum Thema: "Manfred Thaller, Universität zu Köln Köln 26. November 2007"—  Präsentation transkript:

1 Manfred Thaller, Universität zu Köln Köln 26. November 2007
Einführung in die Informationsverarbeitung Stunde VII: Zusammengefügte Bausteine: Google Manfred Thaller, Universität zu Köln Köln 26. November 2007

2

3 Google - ein „System“ Crawler Speicher URL Server Anker URL Auflösung
Indizierer Repository „Barrels“ Links Lexikon Doc Index Sortieren PageRank Suchen

4 „Ur Google“ Sergey Brin and Lawrence Page: The Anatomy of a Large-Scale Hypertextual Web Search Engine. Proceedings of the seventh World Wide Web Conference (WWW7), Brisbane, also in a special issue of the journal Computer Networks and ISDN Systems, Volume 30, issues Vgl.:

5 Formalia Entwickler: Sergey Brin, Lawrence Page. Name: "Google" Verballhornung von "Googol" ( = ). System verteilt auf viele kooperierende Rechner: Google operates what is probably the world's largest Linux cluster that puts many supercomputing centers to shame.

6 URL Server Startet mit Anfangs URL.
Crawler URL Server Startet mit Anfangs URL. Liest weitere URLs aus einem Dokumenten-Index. Schickt URLs an Crawler um Seiten zu holen. Wichtig: Art der Suche im WWW (Tiefen v. Breitensuche). Doc Index

7 Crawler Holen Web-Seiten.
Speicher Holen Web-Seiten. Speichern individuelle Seiten in Speicher-Subsystem. Mehrere Crawler! "Robots Exclusion Protocol" - "Wohlverhalten"

8 Indizierer I Liest Seiten aus dem Repository und dekomprimiert sie.
"Parsed" jedes Dokument und verwandelt es in "Treffer", bestehend aus der Wortform. der Position innerhalb des Dokuments. einer relativen Fontgröße. Anzeige der Großschreibung. Treffer sind "fancy" (in URL, Überschrift, Anker Text oder Meta-Tag) oder "plain" (alle anderen Fälle). Indizierer Repository

9 Indizierer II Verteilt Treffer in "barrels", wobei ein sortierter Index entsteht. Extrahiert Links und speichert sie {Start URL, Ziel URL, Text} in Anker Datei. Erzeugt Lexikon Datei. Anker Indizierer „Barrels“ Lexikon

10 Erinnerung Crawler Speicher URL Server Anker URL Auflösung Indizierer
Repository „Barrels“ Links Lexikon Doc Index Sortieren PageRank Suchen

11 URL Auflösung I Anker URL Auflösung „Barrels“ Links Doc Index

12 URL Auflösung II Liest Anker Datei.
Verwandelt relative URLs in absolute. Verwandelt absolute URLs in Dokumenten IDs. Fügt Anker Text in einen vorwärts gerichteten Index ein, zusammen mit den Dokumenten IDs auf die der Anker zeigt. Erzeugt eine Link Datenbank, die Paare von Dokumenten IDs enthält. (Wird für die Errechnung der PageRanks verwendet!)

13 Sortierung Verwandelt einen Index der Dokumenten Ids in einen "invertierten Index", sortiert nach Wort Ids. "Short barrel" - invertierter Index of Treffern in Titel- und Ankertags. "Full barel" - invertierter Index der Bodytags. Enthält Offsets der Dokumentenposition für jede Wort Id. (Nachbarschaftsberechnung / Positionsanzeige.) „Barrels“ Sortieren

14 Page Rank I Kann beschrieben werden als Modell des Verhaltens von Benutzern. Geht von einem "Zufallssurfer" aus, der von einer bestimmten Seite ausgeht und auf Links clickt. Er / Sie geht nie zurück und wird schließlich weitere Zufallsseite auswählen. Der "PageRank" ist die Wahrscheinlichkeit (p), dass der Surfer eine bestimmte Seite besucht. Die Wahrscheinlichkeit, dass BenutzerIn auf einer Zufallsseite landet ist 1-p. Links PageRank

15 Page Rank II Wir nehmen an:
Auf Seite A zeigen die Seiten T1 ... Tn (zitieren sie also). C(A) ist die Anzahl der Links, die von Seite A ausgehen. d ist ein empirischer / arbiträrer Dämpfungsfaktor zwischen 0 und 1 (in Google 0.85?). Dann gilt: PR(A) = (1-d) + d ( PR(T1) / C (T1) PR(Tn)/C(Tn) ) PageRanks stellen eine Wahrscheinlichkeitsverteilung dar; die Summe der PageRanks aller Seiten im Web ist also 1.0.

16 Page Rank III Hoher PageRank kann anzeigen:
Dass sehr viele Seiten auf eine Seite zeigen ... ... oder dass eine relativ kleine Anzhal von Seiten mit hohem PageRank auf diese Seite zeigen.

17 Erinnerung Crawler Speicher URL Server Anker URL Auflösung Indizierer
Repository „Barrels“ Links Lexikon Doc Index Sortieren PageRank Suchen

18 Repository Voller (HTML) Text jeder Webseite.
Seiten werden komprimiert gespeichert (ZLIB). Format: Dokumenten Id. Dokumentenlänge. URL des Dokuments. Inhalt des Dokuments.

19 Anker Beschreibung der Verweise in den Seiten
sie {Start URL, Ziel URL, Text} Laut Google of genauere Beschreibung der Seiten, als die Seiten selbst. Können auch nicht-Texte berücksichtigen. Problem: Tote Links ...

20 Links Datenbank aller Paare von Dokumenten Ids.
Basis aller PageRank Berechnungen.

21 Doc Index Datenbank aller verarbeiteten Dokumente (Web Seiten)
Organisiert als ISAM Datei. (Indexed sequential access mode.) Geordnet nach DokumentenId. Jeder Eintrag enthält: Status des Dokuments. Prüfsumme des Dokuments. Statistiken zum Dokument. Angabe ob Seite von Crawlern schon durchsucht wurde. Sonst Verweis auf Liste abzuarbeitender URLs.

22 Lexikon

23 Barrels I Datenbank des Inhalts aller verarbeiteten Dokumente (Web Seiten) Beginnt mit einem Index von Dokumenten Ids, wird danach zu einem Index der Wort IDs sortiert. Die Suchmaschine sucht zuerst in den "short barrels" nach Treffern (Titel und Anker), erst danach in den "full barrels".

24 Barrels II

25 Google - ein „System“ Crawler Speicher URL Server Anker URL Auflösung
Indizierer Repository „Barrels“ Links Lexikon Doc Index Sortieren PageRank Suchen

26 Suche I Besonderheiten der Googlesuche:
Google analysiert nicht nur die Wortformen, sondern auch ihren (auch graphischen) Kontext. Jede Trefferliste enthält Informationen über die Position, den Schrifttyp und die Großschreibung. Zudem wird zwischen "fancy" und "plain" unterschieden - und der PageRank wird berücksichtigt. Ausgewogenheit zwischen diesen Faktoren.

27 Suche II – Abfragebearbeitung
Abfrage "parsen". Worte in WortIds verwandeln. "Short barrel" auf Anfang der Dokumentenliste für jedes Wort der Abfrage positionieren. Dokumentenliste durchsuchen, bis es Dokument gibt, dass alle Suchterme enthält. Rang dieses Dokuments berechnen, relativ zu den anderen, die die Bedingungen erfüllen. Wenn wir mit der Bearbeitung der "short barrels" fertig sind, wiederhole Schritt 3 ff. sinngemäß für die "full barrels". Wenn wir noch nicht am Ende der Dokumentenliste sind, gehe zu Schritt 4. Gefundene Dokumente nach Rang sortieren und n beste mitteilen.

28 Suche III – Ranking, Einzelwort
Trefferliste erstellen. Jedem Treffer Typ {Überschrift, Anker, URL, Großer Font, Kleiner Font ...}, mit spezifischem Typwert, zuweisen. Vector der Typen-Gewichte in der Reihenfolge der Typen erzeugen. Typen zählen und Häufigkeiten in Häufigkeitsgewichtungen verwandeln. Häufigkeitsgewichtung normalisieren, am Anfang linear, dann abnehmend. Gewichtungsrang entspricht dem Skalarprodukt aus dem Vektor der Typengewichte mit dem Vektor der Häufigkeitsgewichte. Kombination aus Gewichtungsrang und PageRank ergibt endgültigen Rang des Dokuments.


Herunterladen ppt "Manfred Thaller, Universität zu Köln Köln 26. November 2007"

Ähnliche Präsentationen


Google-Anzeigen