View
71
Download
3
Category
Preview:
DESCRIPTION
Moteurs de Recherche. Vincent VANDENBUSSCHE DEA – SIR / GR BD Mars 2002. Plan. Introduction Fonctionnement Crawling Sélection Rafraîchissement Stockage Stockage distribué Indexage Index de texte Classement PageRank Conclusion. Introduction – Défis. Taille du Web - PowerPoint PPT Presentation
Citation preview
Moteurs de Recherche
Vincent VANDENBUSSCHEDEA – SIR / GR BD
Mars 2002
2
Plan Introduction
Fonctionnement Crawling
Sélection Rafraîchissement
Stockage Stockage distribué
Indexage Index de texte
Classement PageRank
Conclusion
30
0,5
1
1,5
2
2,5
3
3,5
4
4,5
août-99 déc-99 mars-00 juin-00 oct-00 janv-01 avr-01
Nom
bre
de
pages
Introduction – Défis Taille du Web
Plusieurs milliards de pages Croissance exponentielle Plusieurs dizaine de terabytes
4
Introduction – Défis Rafraîchissement
40 % des pages changent chaque jour La demi-vie des pages est de 10 jours
Enchevêtrement de liens nœud de papillon
Cœur : 28 %Pages accessibles depuis le cœur et donnant accès au coeur
22 %Pages accessibles depuis le cœur et mais ne donnant
pas accès au coeur
22 %Pages donnant accès au cœur mais pas accessible depuis le coeur
.com
5
Introduction – Défis Moteurs de recherche
Google : www.google.com WiseNut : www.wisenet.com AllTheWeb : www.alltheweb.com Lycos : www.lycos.com Altavista : www.altavista.com Northern Light : www.northernlight.com HotBot : www.hotbot.com MSN Search : search.msn.com Teoma : www.teoma.com
6
Introduction – Fonctionnement
Crawler(s)Crawler(s)
Contrôleur Crawl
Contrôleur Crawl
Module Indexag
e
Module Indexag
e
Module
Analyse
Module
Analyse
Module Interrogatio
n
Module Interrogatio
n
ModuleClasseme
nt
ModuleClasseme
nt
Entrepôt de
pages
Entrepôt de
pagesWWWWWW
ClientClient
Index
texte
Index
texte
Indexstructur
e
Indexstructur
e
Indexservice
s
Indexservice
s
7
Crawling – Description Algorithme :
S0 : ensemble initial d’URLs à récupérer R S0
Tant que R : Récupérer l’URL Télécharger la page correspondante Extraire les URLs de cette page et les ajouter à R
Challenges : Quelles pages le crawler doit-il télécharger ? Comment le crawler doit-il tenir compte du
rafraîchissement des pages ?
8
Crawling – Sélection Métrique d’importance
Basé sur l’intérêt : IS(P) Définir un intérêt : requête d’intérêt Q Quantifier la similarité textuelle entre P et
Q Basé sur la popularité : IB(P)
Décompte des citations Basé sur la localisation : IL(P)
Sur le domaine : .com plus important Sur la syntaxe : nombre de slashs
9
Crawling – Sélection Stratégies de crawl
Crawl & Stop K : nombre de pages à télécharger IK : Kème importance sur la totalité des pages du Web M : nbre de pages téléchargées dont l’importance >
IK Performance crawler : (M x 100)/K
Crawl & Stop avec seuil G : importance seuil H : nombre de pages du Web dont l’importance > G N : nbre de pages téléchargées dont l’importance >
G Performance crawler :
Si K>H : (N x 100)/K Si K<H : (N x 100)/H
10
Crawling – Sélection Métriques d’ordonnancement
Métrique a priori Métrique d’importance page Métrique d’ordonnancement URL
Métrique de localisation IL(P) Métrique de popularité IB’(P) approchée
Uniquement à partir des pages déjà téléchargées Métrique d’intérêt IS’(A(P)) approchée
Basée sur le texte de l’ancre pointant vers P Uniquement à partir des pages déjà téléchargées
Combinaison de ces métriques IC(P) = k1 x IL(P) + k2 x IB’(P) + k3 x IS’(A(P))
11
Crawling – Sélection 225 000 pages Métrique d’ordonnancement : IB’(P) Stratégies : Crawl & Stop avec seuil pour G = 100 (
H=1400)
12
Crawling – Rafraîchissement
Métrique de rafraîchissement Fraîcheur page P :
À l’instant t :
En moyenne : Âge page P :
À l’instant t :
En moyenne : Fraîcheur et âge collection
t
tdttPA
0),(lim (P)A
sinon 0
t àjour àest P si 1 t)F(P,
t
tdttPF
0),(lim (P)F
sinon onmodificatidate
t àjour àest P si 0 t)A(P,
t
13
Crawling – Rafraîchissement Stratégie de rafraîchissement
Uniforme : fréquence f Proportionnelle : i/fi constant
Ressource limitée e1 1/2 x 1/2 = 1/4 e2 1/2 x 1/18 = 1/32
Résultat Si l’évolution des pages suit une loi de
Poisson, la stratégie uniforme est toujours meilleure que la stratégie proportionnelle quelque soit le nbre de page, leurs fréquences d’évolution et leurs fréquences de rafraîchissement au sens de la métrique de fraîcheur ou d’âge.
14
Crawling – Rafraîchissement Optimisation du rafraîchissement
Nbre de pages : 5 avec fréquence d’évolution respective 1, 2,…, 5.
Capacité crawler : 5 pages Evolution selon loi de Poisson
15
Stockage – Défis Extensibilité
Distribution de l’entrepôt de pages Modes d’accès
Random : module d’interrogation Streaming : module d’indexage et d’analyse
Rafraîchissement Massif Fréquent
Effacement pages obsolètes
16
Stockage – Distribution Politique de distribution des pages
Uniforme Hashage
Méthode d’organisation des pages sur un site Hashage Uniforme Hashage par intervalle
Méthode de rafraîchissement Mode batch ou mode rigide Crawl complet ou partiel En place ou avec image
17
Indexage – Description Types d’index :
Index de structure (ou de liens) Stocker les informations de voisinage
Index de contenu (ou de texte) Index inversé
Index de services Index de site
Partitionnement d’index : Locale Globale
18
Indexage – Index inversé Définition
Mot d’indexage Localisation : URL + poids Index inversé : liste des localisations
par mot d’indexage Lexique : ensemble des mots
d’indexage Challenge
Taille Rafraîchissement Format de stockage (compression)
19
Indexage – Distribution
Etape 1
Etape 2
Distributeurs
Indexeurs Serveurs de requêtes
Statisticiens
Pages Web
Indexinversé
Etapeintermédiaire
20
Classement – Challenge Présenter les résultats d’une requête de
façon efficace Taille importante du Web Pages Web pas suffisamment auto-
descriptive Utiliser la structure des liens du Web PageRank
Algorithme développé par Page & Brine en 1998 à la base de Google
Étendre la notion de citation en prenant en compte l’importance du citant.
21
Classement – PageRank Version théorique
N(i) : nbre de liens sortant de la page i B(i) : nbre de pages citant i Définition récursive du PageRank r(i)
de i :
Interprétation de r comme vecteur propre
Méthode de la puissance itérée
)(
)(/)()(iBj
jNjrirr2=0.286
r3=0.143r1=0.286
r4=0.143r5=0.143
22
Classement – PageRank Version pratique
Le Web n’est pas un graphe fortement connexe : Existence de voies sans issue Existence de points d’arrêts
Enlever les nœuds sans liens de sortie Donner la possibilité de sortir des voies sans
issue
d traduit l’aptitude à l’ennui du surfeur lorsqu’il est bloqué dans une voie sans issue. A partir d’un moment il va décider de repartir d’un autre point.
mdjNjrdiriBj
/)1()(/)()()(
1
2
3
45
1
2
3
4
23
Conclusion 2 contraintes fortes
Taille Rafraîchissement
Heuristiques de crawling Stockage distribué Indexage parallélisé Classement basé sur les liens
(PageRank) Ce qu’il reste à faire
Images, vidéos Multiplication des contenus dynamiques
24
Bibliographie [1] A. Arasu, J. Cho, H. Garcia-Molina,
and S. Raghavan. Searching the web. ACM Transactions on Internet Technologies, 1(1), June 2001
[2] The Search Engine Showdown www.searchengineshowdown.com
[3] B. Murray, A. Moore. Sizing the Internet, White Paper, July 2000 disponible sur www.cyveillance.com
Recommended