主题：Google与百度的语言处理技术比较 -- vanzolo
家园 Google与百度的语言处理技术比较 这里只是比较两个搜索引擎对语言的处理能力，不涉及后台的其他技术。
Google是从以词语为单位的自然分词语言发展过来的，处理大多数外语都很有经验。
Baidu是从以字为单位的非自然分词语言发展过来的，处理中文这样的语言经验丰富。
Google很早就开始国际化，所以处理多语言混合的内容要比Baidu成熟许多。Baidu现在还是主要以中文或者类似的东方语言（如日语）为主要方向，对西方语言和多语言混合处理起来笨拙很多。
中文这样需要分词的语言处理起来和西方语言有很大不同，如果是中西混合的内容，复杂程度又要增加很多。
两个搜索引擎对不同语言支持程度的不同也使不同用户有了不同的印象：IT工作者很多时候都是在使用英文词汇，甚至有时候很难找到对应的中文词汇来表达，所以这些人会感觉Google好很多；而对于主要使用中文搜索的用户，当搜索关键词比较复杂（比如长句）的时候，百度的优势就会显示出来了。
例子1：搜索关键词：Concurrency with Python, Twisted, and Flex （我找的是JavaEye的帖子，这里是英文原文）
Google直接就找的了英文原文
这对于专业人员很重要第一页的结果基本上都靠谱或者沾边
Baidu也不错，把英文原文放在了第二位。但是从结果上看，不如Google的好。
这一局Google小胜
例子2：搜索关键词：是否可以考虑放弃浏览器另起炉灶 （河里的帖子）
这个例子搜索的关键词是一个中文长句。
Google给的第二个结果已经很不靠谱啦：
农村合作金融监管需要“另起炉灶”_特别关注_中国金融界网第一页10个结果有6个不靠谱
Baidu第一页只有最后一个不沾边：
泡泡通wap模拟浏览器 -- 小沈阳另起炉灶,赵本山带新人-泡泡门户 ...Baidu搬回一局
例子3：搜索关键词：使用 Optim Data Privacy 解决方案在开放平台上定制数据转换 （IBM developerWorks中国的文章）
Google准确命中目标
但是。。。只限于前两个结果（包括这两个结果所属网站的其他结果），第一页后面的结果就有点不知所云啦
Baidu没有找到靶心
但是。。。第一页的所有结果都跟搜索关键词有或多或少的关系
怎么比呢。。。算是平手吧
在这样三个不同类型的测试中两个搜索引擎基本上部分高下。但是这是在三种类型关键词出现概率相同的条件下。如果用户日常搜索的关键词偏向于某一类的话，用户的到的体验就完全不一样啦。
所以出发点不同，导致结果不同。每个人都可能对搜索结果有自己直观的感受，每个人的感受都可能不同，单纯从自己的角度评论搜索引擎的语言处理技术水平不能说明什么问题。
本帖一共被 1 帖 引用 (帖内工具实现)家园 你这个做得是黑盒测试啊· 就从功能角度方面测。 用黑盒测试想很全面评价这两个引擎是有点难。很难覆盖到所有的路径。
要是知道这两种技术的ranking 和cluster的具体算法就会比较方便了。
我记得应该有这一方面的论文的,比较google和baidu的算法。
顺便说一句，google 的学术搜索引擎，http://scholar.google.com.sg/ 不错。这个找英文论文非常靠谱。百度都没有专门的学术文献搜索引擎。
家园 就是黑盒测试，而且是专门针对语言处理方面的 从实验的方法应该很明显的看出来。可惜大家都把这个比较当成针对整个引擎的白盒测试啦
使用长搜索关键词就是为了减少排序过程中其他因素的干扰，突出语言处理部分，结果。。。
其实自然语言处理技术更关心的是短句，句子，段落这个级别，短语词汇这个级别更多的是作为语法、语义处理的基石。在现在的搜索引擎中，自然娱乐处理技术能够施展的地方很少。这也跟自然语言处理技术本身不成熟有很大关系。唯一的例外就是中文分词，也就是前面那个实验的重点。
语言处理不会关心到网页之间的关系，所以搜索结果所反映处理的网站指向正确性是由搜索算法的其他部分决定的，也就是PageRank这样的技术。
家园 我认为楼主对例子2的分析不是特别准确 如果统计一下百度第一页的搜索结果，10个结果里有4个指向cchere，5个指向cctongbao。而Google则把ccthere的网页都group在一起，放在头两个搜索结果中。如果点击Show more results from www.ccthere.com，会发现还有5个ccthere的网页。如果Google也像百度那样罗列出所有相同网站的网页，那么前七个搜索结果都是靠谱的。而楼主说的
Google给的第二个结果已经很不靠谱啦则是不准确的。我觉得Google这样提供搜索结果更有效率。
家园 怎么说呢， 放弃用关键字，而用整句来搜索的话，不得不说是一种舍近求远。
除非有接近完全匹配的文章，不然的话，是非常没有效率的。
搜索文章名的话，恐怕谷歌不会比百度更差，如果想把搜索引擎变成一种人工智能处理的话，恐怕至少现在，你不能有很好的答案的。
这一点河里也一样，很多文章的最下面有关键词列表，而如果你使用黏着语的话，恐怕搜不到结果的。
另外，用的例子属于比较偏的冷话题，即使搜索到，估计列为首页的可能不大，这一点，汉字输入也一样，联想词汇总是从常用词开始。而且百度的结果很多是同样内容的重复，而谷歌似乎在故意避免这个结果。
家园 不同的比较结果，楼主被命中 搜索时请把长句加上引号．then
例子２： Google 和 baidu 均给出很好的结果，都仅指向西西，不相干的都省略了．
例子３： Google 准确命中，baidu表示抱歉．Google给出5个网页，2个IBM，２个ITPUB, 1个西西:楼主的帖子.
Web
Hide optionsShow options...
Results 1 - 5 of 5 for "使用 Optim Data Privacy 解决方案在开放平台上定制数据转换". (0.11 seconds)
Search Results
1.
使用Optim Data Privacy 解决方案在开放平台上定制数据转换
- [ Translate this page ]
2010年1月15日 ... 在客户环境中，我们经常会需要对一些敏感数据进行保护，IBM Optim Data Privacy 解决方案中，提供了综合数据屏蔽技术，使用各种屏蔽选项以及更高级的 ...
www.ibm.com/developerworks/cn/data/library/.../dm.../index.html - Cached
2.
IBM developerWorks 中国: Information Management 专区- Information ...
- [ Translate this page ]
使用Optim Data Privacy 解决方案在开放平台上定制数据转换. 在客户环境中，我们经常会需要对一些敏感数据进行保护。本文通过使用三种不同的方法，以身份证数据转换为 ...
www.ibm.com/developerworks/cn/db2/ - Cached - Similar
Show more results from www.ibm.com
3.
ArtCode的个人空间- ITPUB个人空间- powered by X-Space
- [ Translate this page ]
使用Optim Data Privacy 解决方案在开放平台上定制数据转换. 2010-01-19 13:56:06. 数据载入中，请稍等... 查看(4) 评论(0) 收藏 分享 圈子 管理 ...
space.itpub.net/15082138/ - Cached
4.
关闭窗口推荐给好友
标题: 使用Optim Data Privacy 解决方案在开放平台上定制数据转换地址: http://space.itpub.net/?viewspace-625475 希望你能喜欢。 推荐给好友.
space.itpub.net/batch.common.php?action=emailfriend&itemid... - Cached
Show more results from space.itpub.net
5.
Google与百度的语言处理技术比较文章内容- ccthere.com
- [ Translate this page ]
2010年1月21日 ... Baidu搬回一局 F 例子3：搜索关键词：使用Optim Data Privacy 解决方案在开放平台上定制数据转换（IBM developerWorks中国的文章） ...
www.ccthere.com/article/2674403
In order to show you the most relevant results, we have omitted some entries very similar to the 5 already displayed.
If you like, you can repeat the search with the omitted results included.
家园 LZ是考虑到AI, 可是，众所周知，AI还很不成熟。
因此得出结论，虽然看似轻率，不过这种手法在现实社会中却很常用。
另外，河里很多文章都用少数事例的单个结果来下结论，不知道这种做法是在学校这样学的，还只是偶然脑子一热。似乎并不科学，但是对人群的确有效果。也许这就是过于理性的人不适合当政治家和企业家吧。
家园 手法倒是谈不上，只是实验中的一种策略而已 其实很多实验都是用这样的策略。比如检查肝功时的谷丙转氨酶测试就是这样。如果想知道肝脏的某些功能是不是出了问题，谷丙转氨酶测试可以帮我们得到一些信息；但是肝脏的另一些功能出了问题不一定能够通过谷丙转氨酶测试得到验证；同样谷丙转氨酶升高也不能确定到底是哪里出了问题。
对于复杂系统进行功能性黑盒测试，只能通过某一类输入得到对应的输出来猜测所测试的功能。测试的结果不能算作正确的结论，但也能反映一定的问题。
家园 使用引号是把文字顺序放在最高优先级 当文字顺序作为最高优先级的时候，词典的作用就基本被忽略啦，可以和以字为单位进行切割的情况。而以字为单位的情况可以参考这里。
在搜索引擎对网页中的一个句子进行处理的时候，都会产生不同级别的分词结果，其中就包括完全以字为单位进行切割的结果。处理算法会的不同的结果打分，尽量选取最优的结果。但是并不是说其他结果就都会被抛弃掉。很多时候以字为单位的切割结果都会保留下来，为的就是能够支持关键词完整匹配模式，也就是使用引号的情况。
不使用引号时，搜索引擎会先对关键词分词，去掉其中的停用词（不过现在流行不去掉停用词啦，为的就是能够得到更优的结果，代价就是算法的复杂度增大和耗费的时间增多）。然后在对关键词分词的结果去和倒排索引中的条目进行匹配，再对匹配处理的条目进行汇总打分排序，得到最后的结果。这个计算过程中起最大作用的是词（字）本身的属性，也就是权重、词性、词义等，而词（字）在关键词和网页内容中的位置参数属比较次要的位置，对最后的结果影响较小。
使用引号时，搜索引擎认为词（字）的位置信息更重要。能够和完整的关键词完全匹配的结果能够得到高分。而词典中的词汇属性就退居次要地位啦。
对于例子2，使用引号得到的结果可以参考这里的说明。这时两个引擎的中文语言处理功力基本上没有发挥的余地。
对于例子3，使用引号的结果说明百度对中西混合的内容处理上有欠缺。因为“使用 Optim Data Privacy 解决方案在开放平台上定制数据转换”中的英文部分包括了空格，而空格是英文词汇的天然分隔符。这对英文处理已经炉火纯青的Google来说可以说是小菜一碟，但是对于从中文处理发展起来的Baidu来说就是不小的麻烦啦。应该说Baidu在这方面还有很多事情要做。
对于引号的使用，百度给出了解释：
精确匹配——双引号和书名号如果输入的查询词很长，百度在经过分析后，给出的搜索结果中的查询词，可能是拆分的。如果您对这种情况不满意，可以尝试让百度不拆分查询词。给查询词加上双引号，就可以达到这种效果。
例如，搜索 上海科技大学 ，如果不加双引号，搜索结果被拆分，效果不是很好，但加上双引号后，“上海科技大学”，获得的结果就全是符合要求的了。
书名号是百度独有的一个特殊查询语法。在其他搜索引擎中，书名号会被忽略，而在百度，中文书名号是可被查询的。加上书名号的查询词，有两层特殊功能，一是书名号会出现在搜索结果中；二是被书名号扩起来的内容，不会被拆分。 书名号在某些情况下特别有效果，例如，查名字很通俗和常用的那些电影或者小说。比如，查电影“手机”，如果不加书名号，很多情况下出来的是通讯工具——手机，而加上书名号后，《手机》结果就都是关于电影方面的了。
这里明确说明了括号会“让百度不拆分查询词”。所以使用引号会把搜索引擎分词能力给掩盖掉。
BTW，Google能够很快给出指向这个帖子的结果（荣幸一下
），得益于他高效的爬虫、快速的建立索引的能力和强大的计算平台的支持。这方面，Baidu就差的多了（当然也和西西河的服务器不再国内有关系，Baidu的爬虫更多的是面向国内的网站）。好像记得Google在准备推出即时搜索功能，也就是说这里这里刚刚把帖子发出来，他的爬虫就已经把网页抓走啦（好可怕）呵呵，一定的时延应该还是会有的，但是对于一般的网站已经足够强大啦。这个功能对于使用Google Site Search的网站非常有用，基本上可以用Google代替传统的站内搜索啦。当然，这些Google的强项不是在中文语言处理方面的，也就不是这个帖子讨论的主要方面啦。Google还有很多技术上的优势，即使是自然语言处理上也是数得着的。如果搜索关键词是“八国联军”，百度那就死得不是一般惨啦
所以百度从来都是在强调自己在中文处理上的能力而只字不提其他语言也是不得已的。
家园 百度不是技术问题。 主要是他的搜索结果可以花钱买，甚至勒索，导致可信度低。
家园 这里先不讨论技术问题以外的东西 这里只是讨论搜索引擎中自然语言处理方面的技术。搜素引擎包括很多技术，自然语言处理只是一方面。但是自然语言处理能对用户的搜索体验有直接的影响（搜到的结果靠不靠谱）。所以从普通用户的角度来看，谁的结果更靠谱谁就是好引擎。
这里所做的实验是在理想环境中，即排除了自然语言处理技术以外的其他因素的影响。结果中的广告、搜索排名这些都不在这个讨论的范围之内。
面对一个复杂事物我们很难下一个直接的判断肯定或者否定它。最后的办法是剖析一下，先来个庖丁解牛，找的容易比较的。然后再从整体的角度综合起来。
家园 建议用癌症，肝炎，减肥这些词来比较一下，会更有意义。 家园 百度现在 百度现在号称站内搜索， 搜很多关键词， 百科3个， 贴吧3个， 然后广告3个.而且更牛的是， 不管你搜啥关键词， 百科都有份。
家园 简单的关键词体现不出功力来 中文自然语言处理的能力需要比较复杂的环境来体现。Google黑板报对中文分词做了很好的说明，有兴趣可以看一看。
家园 其实搜索引擎见功力的地方恰恰是短搜索 如果有50%的人提交的搜索是lz测试的这个样子，做搜索引擎的人都可以失业了。你提交的这些搜索，如果专门去优化，其实是很好做的。这样的搜索只要把查全率做上去，基本上就解决了。如果你真的做个搜索方面的研究就知道，查全率要做上去很容易，只要解决速度问题，语言上不需要太多处理，用带子句内位移的单字索引即可做得很好。
事实上，90%以上的搜索只有1-2个词，还往往是非常通用的词，其匹配的结果可能上百万页。此时查全率没有任何意义，精度也没有任何意义，传统的评价搜索结果好坏的标准完全失效。这才是PageRank发挥威力的地方。由于短查询如此之普遍，现在所有的搜索引擎都是针对短查询优化的。计算机技术的特点（其实大多数技术都如此），就是优化某一方向必然导致另一方向的劣化。所以，现在的搜索引擎对长查询往往结果不太理想。
另外，搜索引擎目前的一个重要的核心技术和语义还没有任何关系，就是反SEO（Search Engine Optimization: 搜索引擎优化）。SEO就是针对PageRank之类的排序算法，把特定的目标网页的排名优化到最前面的技术。这类技术显然是破坏搜索引擎排序算法准确程度的，所以搜索引擎要获得好的结果，要把这些SEO制造的垃圾数据从真正有用的互联网数据中去除再进行网页排序计算。
所以，要比较搜索引擎的技术，主要应当比较对短查询的处理能力和反SEO的水平。