什么是 Google Caffeine. Google Caffeine 是 Google 搜索引擎的一次架构重构，旨在满足不断增长的互联网内容和用户实时搜索需求. 它替代了 Google 早期的分层索引系统，转而采用更加实时的索引机制，使搜索结果更加快速和新鲜. 发布时间：Google 于 2009 年 8 月发布 Caffeine 项目 Beta 版本，并于 2010 年 6 月正式启用.

  在介绍QP前先简单介绍一下搜索平台的整体结构，方便大家快速了解QP在搜索平台中的作用. 下图简单展示了一个搜索请求开始到结束的全部流程. 业务通过简洁的api接入los，管理员在搜索平台新建配置并下发，完成整个搜索接入，并通过abtest验证QP带来的优化效果.    在NLP中，QP被称作Query理解（QueryParser），简单来说就是从词法、句法、语义三个层面对query进行结构化解析.

搜索系统作为用户自行使用的引导工具，重要程度不言而喻；本文主要从4步：需求识别、检索、排序、展现来总结搜索系统的工作机制. 搜索是一个比较有年份的功能，他不是一个简单的搜索框，毕竟搜索造就了一个百度帝国. 搜索系统在产品架构中是帮助用户搜索到他们想要的内容，当用户不知道如何通过其他路径直接获取特定内容的时候才会使用，也就是说搜索是用户自行使用最后的一个引导工具，重要程度不言而喻.

为了让你体验人工智能在语义理解和自然语言处理有多强大，Google 近日发布了一个新的搜索引擎，以及两个“文字游戏”. 在 Google 新发布的语义体验网站“ Semantic Experience”里，有一个全新的书籍搜索“Talk to Books”，以及基于机器学习的单词关联游戏. 相比平常我们搜索一本书，主要是通过书名、作者等关键词进行检索，在 Talk to Books 里，我们可以像平常讲话一样输入一句话，随后搜索引擎就会对这句话进行解读和预判，从而给出搜索结果.

在之前一篇博文中， 有同学在评论中问了个问题： 如何解决因式分解带来的推荐冷门，热门关键词的问题. 在回答这个问题的时候， 想到了近几年在做搜索推荐系统的过程中， 学术界和工业界的一些区别. 正好最近正在做技术规划， 于是写偏文章说下工业界完整推荐系统的设计. 结论是： 没有某种算法能够完全解决问题， 多重算法+交互设计， 才能解决特定场景的需求.

搜索引擎根据网民输入的检索词(query)猜测网民需要的信息， 之后进行检索， 排序后将相关的信息展现给网民. 因为网名输入的query一般都较短， 而且不同的网民使用搜索引擎的能力也不一样. 所以一般搜索引擎都会有些查询引导机制， 在猜测用户可能的意图后， 推荐一些相关且高质量的种子query给网民.

搜索建议是搜索的一个重要组成部分，一个搜索建议的实现通常需要考虑建议词的来源、匹配、排序、聚合、关联的文档数和拼写纠错等，本文介绍一个基于Elasticsearch实现的搜索建议. 电商网站的搜索是最基础最重要的功能之一，搜索框上面的良好体验能为电商带来更高的收益，我们先来看看淘宝、京东、亚马逊网站的搜索建议.

在 基于Elasticsearch实现搜索建议一文中我们曾经介绍过如何基于Elasticsearch来实现搜索建议，而本文是在此基础上进一步优化搜索体验，在当搜索无结果或结果过少时提供推荐搜索词给用户. 在根据用户输入和筛选条件进行搜索后，有时返回的是无结果或者结果很少的情况，为了提升用户搜索体验，需要能够给用户推荐一些相关的搜索词，比如用户搜索【迪奥】时没有找到相关的商品，可以推荐搜索【香水】、【眼镜】等关键词.

在 word2vec学习小记一文中我们曾经学习了word2vec这个工具，它基于神经网络语言模型并在其基础上进行优化，最终能获取词向量和语言模型. 在我们的商品搜索系统里，采用了word2vec的方式来计算用户向量和商品向量，并通过Elasticsearch的function_score评分机制和自定义的脚本插件来实现个性化搜索.

作者：王春明，现任京东搜索平台部负责人，2011年加入京东搜索团队，期间一直负责京东搜索引擎研发工作，主导了多次搜索架构升级工作保障其满足京东发展需求，擅长搜索引擎、高性能服务开发、分布式系统架构. 招聘： 京东搜索平台部木有有高级/资深搜索引擎研发工程师（C/C++)  、高级/资深算法工程师（C/C++）、高级/资深数据系统工程师（java）等职位，期待您的加入，一起打造弹性搜索平台.

标签 PostgreSQL , 数组 , 相似度 背景 相似度分析是一个非常普遍的需求，例如根据用户提供的线索，从一堆文本数据、图片数据、视频数据中筛选一段与用户的描述相近的. 我之前写过一系列的文章来介绍，文本、图片相似度搜索的技术和使用场景. 《PostgreSQL 在视频、图片去重，图像搜.

看到微信要做搜索的新闻其实并不惊讶，毕竟近几个月来微信一直「小动作」不断，3月份微信指数推出之后，广告主在微信平台投放广告时就会问「你们有没有基于微信热词的广告报价啊」，似乎预示着一些零碎的出招结束之后，微信还是会踏入移动搜索领域. 动作很快，4月24日，搜狗发布公布2017年Q1财报的同一天，腾讯的微信事业群内部架构作了一些调整，微信事业群下成立搜索应用部.

说完了ES的索引与检索，接着再介绍一个ES高级功能API – 聚合(Aggregations)，聚合功能为ES注入了统计分析的血统，使用户在面对大数据提取统计指标时变得游刃有余. 同样的工作，你在hadoop中可能需要写mapreduce或hive，在mongo中你必须得用大段的mapreduce脚本，而在ES中仅仅调用一个API就能实现了.

结合目前已存在的商品推荐设计（如淘宝、京东等），推荐系统主要包含系统推荐和个性化推荐两个模块. 系统推荐： 根据大众行为的推荐引擎，对每个用户都给出同样的推荐，这些推荐可以是静态的由系统管理员人工设定的，或者基于系统所有用户的反馈统计计算出的当下比较流行的物品. 个性化推荐：对不同的用户，根据他们的口味和喜好给出更加精确的推荐，这时，系统需要了解需推荐内容和用户的特质，或者基于社会化网络，通过找到与当前用户相同喜好的用户，实现推荐.

　　对于网上有太多关于竞价的一些文章，但是没有一套属于系统化，完整化的文章来讲解，让一些步入竞价这个行业的新手来说学起来确实挺费劲，该篇为你详解百度竞价从入门到精通实战操作系列之全过程. 　　如果你要将一个项目进行推广，那么你要做好以下充分准备工作，从而为准备进行下一阶段搭建账户进行推广. 　　首先市场分析，人群定位，整理出有关这个项目所需的所有关键词进行分类，.

没有安装 app，却能在 Android 手机桌面看到该 app 的图标，点击进去可以阅读内容. 不同 app 还能按主题“合体”在一起，在一个有时间线的信息流页面里阅读“合体” app 的内容. 联翩科技出品、 1 月 29 日晚刚刚发布的 豌豆荚轻桌面，就能做到上面说的这些“神奇的”事情. 今年 1 月，豌豆荚将 豌豆荚一览、Snap 效率锁屏（现已更名豌豆荚 Smart 锁屏）两款产品拆分了出来，成立一间新公司——联翩科技.

小型网站开发通常会使用某种Web应用框架，比如类似Spring、Express、Django等框架. 这些框架会给出自定义错误页面的方式. 当404发生时Web框架会渲染并返回对应的错误页面. 这是最自然和直接的错误处理方式，但有时我们希望错误页面可以单独Serve，比如放到CDN上. 本文档依据RFC 2616（HTTP 1.1）比较几种常见的404错误处理方法：.

7 月，从丁香园的内部邮件里，我们得知丁香园 CTO 冯大辉已经决定离职. 离职期间，冯大辉还与丁香园发生了期权纠纷. 作为知名的技术人员和医疗布道者，冯大辉离职后的去向一直备受关注，今天， 他通过微信公众号正式宣布，接下来将开始创业. 从 2010 年加入丁香园算起，冯大辉在医疗行业工作超过 6 年，在此期间，他也不遗余力地通过个人影响力普及医疗知识，向公众推广丁香园.

360：2015年Q2化妆品行业研究报告. 360：2015年Q3汽车行业研究报告. 360：2015年Q3度海淘行业研究报告. 360：2015年第二季度P2P行业研究报告. 360：2014年Q3汽车行业搜索研究.

2016年4月15日，百度搜索分享会及百度之夜在厦门成功举办. 会议上,百度表示移动搜索量延续了2013、2014年高速增长的趋势，且在2015年移动搜索日导出量增加了50%，移动化的站点从百度获取流量激增. 从大方向上可以看出有个移动化的网站是从百度获取流量的先决条件. 『移动友好度——搜索排序的重要参考』.

阅读TencentRec: Real-time Stream Recommendation inPractice. 大数据环境下的实时推荐需求，克服三大难题：大数据，实时性，准确度；. 大数据，用户数据，业务数据；实时基于storm处理；算法主要基于item-based，content-based，demographic，并且.

根据市场研究公司Net Applications最新数据显示，在6月份，全球搜索引擎市场份额冠军依然是Google – Global，占据70.80%的市场份额，环比上月，增加2.26%. Bing与Yahoo – Global分获亚季军，排名各上升1位. 相比上月，全球搜索引擎市场份额排名变化较为明显.

本篇文章来自我的朋友王硕，他在SEM领域沉浸多年. 他将通过一系列文章与大家分享自己在SEM工作中获得的经验. 如果你对他的文章感兴趣，或希望了解更多SEM的知识，又或对文章内容有任何疑问，请在本篇文章后留言. 王硕 2009年入行，有5年以上SEM从业经验，第一批通过百度中级认证的从业者. 曾在多家知名大型互联网公司任SEM负责人，包括链家地产，百合网，搜狐畅游等.

Redis在分布式应用中占据着越来越重要的地位，短短的几万行代码，实现了一个高性能的数据存储服务. 最近dump中心的cm8集群出现过几次redis超时的情况，但是查看redis机器的相关内存都没有发现内存不够，或者内存发生交换的情况，查看redis源码之后，发现在某些情况下redis会出现超时的状况，相关细节如下.

基于Item的时序协同过滤算法技术方案包括两个步骤：. （1）提取用户商品点击日志、搜索点击日志和商品基本信息等基本数据. 然后，去除噪音数据（譬如每天点击商品数达到数以万计的用户）和缺失值数据，构建时序点击流数据，即记录用户每天按照点击时间先后顺序排序的商品行为数据. 从而得到如下数据结构：<用户id，商品id，点击时间，点击日期>；.

流量是互联网变现的基石，而流量的资源是有限的，如何实现资源的最大化利用（买家-商品的最高效的匹配）是此次双11搜索技术深度切入的使命，也是第一次在双11通过实时把握资源流动的脉搏来控制资源的收和放. 天猫的业务团队同学，通过针对去年双11细致认真的数据分析，发现了去年双11暴露的一些问题. 小部分商品预热过度，预热期吸引的加购量远超出商品库存能支撑的量，大部分用户虽然加了购物车但当天也抢不到，购物车转化率低；而大部分商品预热不足，没有充分曝光；.

在搜索我经历过全部的双11，12年和13年这2次大促，GN是开发总指挥，我是在礼台上看各种新武器实弹表演. 过去6年里，我们的引擎体系每年做到100%的性能提升，以淘系搜索为例，从最初3000台机器翻倍到现在区区6000台，但搜索服务却从6千qps增长了40倍到现在的32万qps，同时还填补了算法欲壑（算法数据占用内存从最初的10%到了现在的50%），转化率持续攀升，目前大搜索GMV已经是全网的主体了.

在之前一篇博文中， 有同学在评论中问了个问题： 如何解决因式分解带来的推荐冷门关键词的问题. 在回答这个问题的时候， 想到了近几年在做搜索推荐系统的过程中， 学术界和工业界的一些区别. 正好最近正在做技术规划， 于是写偏文章说下工业界完整推荐系统的设计. 结论是： 没有某种算法能够完全解决问题， 多重算法+交互设计， 才能解决特定场景的需求.

下文就百度商业变现的指标体系进行概要描述，并针对一个类似于百度LBS系统的变现思路，阐述一个商业系统变现策略指标体系的建立过程. 为什么需要商业变现策略指标体系. 一般情况下，一个互联网产品，或是一个移动端产品在发展前期，主要会关注流量及用户量的增长. 当流量，用户量做到一定程度时，就会考虑商业变现.

所谓网络爬虫，就是一个在网上到处或定向抓取数据的程序，当然，这种说法不够专业，更专业的描述就是，抓取特定网站网页的HTML数据. 不过由于一个网站的网页很多，而我们又不可能事先知道所有网页的URL地址，所以，如何保证我们抓取到了网站的所有HTML页面就是一个有待考究的问题了. 一般的方法是，定义一个入口页面，然后一般一个页面会有其他页面的URL，于是从当前页面获取到这些URL加入到爬虫的抓取队列中，然后进入到新新页面后再递归的进行上述的操作，其实说来就跟深度遍历或广度遍历一样.