一，什么是google信息检索模型？
信息检索模型（IR model）可形式化地表示为一个四元组：< D, Q, F, R(q, d) >
其中D是一个文档集合，Q是一个查询集合，F是一个对文 档和查询建模的框架，R(q, d) 是一个排序函数，它给查 询q和文档 d之间的相关度，赋予一个排序值，即相关度评价。常见的信息检索模型有：
1、布尔模型（Boolean Model）
2、向量空间模型（Vector Space Model）
3、概率模型（Probabilistic Model）
4、推理网络模型（Inference Network Model）
google信息检索的一个核心问题是如何决定查询和文档之间的相 关度，即信息检索模型中的排序函数R(q,d)。常用的相关度评价方法是向量空间模型(Vector Space Model，VSM) 。向量空间模型基于共有词汇假设（shared bag of words），即查询和文档都被认为是有所有关键词组成的 N维向量，相关度根据他们在向量空间中的夹角的cosine值表示，即R(d, q) = cos(d, q) = d·q / |d|×|q|。那么如何决定N维向量每一维的权重，即N维向量中每个关键词的权重呢？？
根据信息论原理，信息单位出现的频率越大，携带的信息越小。这就是说出 现频度很高的词对于文档区分的作用很小，比如汉语中的“的”，英语中的 “the”。基于这一原理，“逆文本频率指数”（Inverse Document Frequency, IDF）通 常被用来计算关键词的权重。关键词t的IDF值可以被表示为：IDF(t) = log( N/ df(t) )，其中N是所有文档总数， df(t)表示单词t的文档频率(Document Frequency)， 即单词t在多少篇文档中出现。
IDF是一个单词在语言中的统计特性，所以少量新文档加入对它影响很小，可以一次计算后作为单词的属性使用。把TF(t, d)定义为单词t在文档d中的出现频率，那么文档d中关键词t的权重可以表示为：
Weight(t, d) = TF(t, d) * IDF(t)
其中，IDF(t)对单词t来说是一个全局权值，而TF(t, d)则是单词t在文档d中的局部权值。
二，google信息检索模型的原理。
根据TF*IDF公式，文档集中包含某一词条的文档越多，说明它区分文档类别属性的能力越低，其权值越小；
另一方面，某一文档中某一词条出现的频率越高，说明它区分文档内容属性的能力越强，其权值越大。
三，google信息检索模型评价标准。
“效率”几乎是任何计算机系统都需要考虑的问题，比如算法的时空效率，对于信息检索系统，重要的效率指标通常 有：
系统的查询响应时间（Response time）、系统的查询吞吐量（Request throughput）。
“效果”关注用户需求的满足程度，对于信息检索系统通常 有两个指标：查全率（Recall）和查准率（Precision）。
查全率定义为检索结果集中的相关文档占整个文档全集中的相关 文档的百分比
查准率定义为检索结果集中与用户查询相关的文档占整个检索结 果中所有文档的百分比。
查全率是衡量检索系统取回相关信息的能力，查准率是衡量检索 系统拒绝非相关信息的能力。实验证明，在信息检索中，查全率 和查准率之间存在着相反的相互依赖关系，即查准率和查全率往 往不能两全其美，通常查准率高时，查全率低；查全率高时，查 准率低。
（推荐阅读：搜索引擎优化进阶：DocView模型）
（推荐阅读：从索引与抓取看百度与Google的区别）
（推荐阅读：搜索引擎的运作机制，原理篇）
（推荐阅读：基于P2P的Web搜索强于集中式搜索引擎？）
（推荐阅读：google工程总监认为人类长生不老的时代即将来临）
（推荐阅读：Google优化方案英文版）
推荐阅读
