Relevance Ranking: from Web Search to Vertical Search 报告
今天下午听了一个学术报告《Relevance Ranking: from Web Search to Vertical Search》，报告人是来自于美国Yahoo的常毅，目前是中科院计算所在硅谷的校友会负责人。报告时间是：14:00-15:30， 计算所四层报告厅
下面我将对重点内容进行一些记录，对于搜索领域我了解的不是很深，因此很多内容不会做过多解释，毕竟能力有限，如果想了解更多的内容，请大家去查看他的相关论文即可。
1、搜索引擎发展的3个阶段
（i）1994-1998，Syntactic Matching
这个阶段主要是采用一些字面信息的匹配，比如TF-IDF等技术。
（ii）1998-2000
这个阶段主要是挖掘了一些内部的信息，比如网页之间的链接分析、点击等。
（iii）2000-现在
这个阶段更多的是对用户搜索的意图等进行理解，以问答方式或者其他方式展现给搜索用户。
总体而言，搜索引擎的发展的趋势就是利用表面信息逐渐到深层次内部信息，从鲁棒的返回到更加智能化的回答。
2、PageRank
想必大家都应该了解这个，PageRank是Google之所以能够成功的一个很重要的算法。它把互联网上的每一个网页或者网站类比成图中的结点，网页之间的链接关系类比成图中的有向边，然后建立成一个规模很大的图，然后通过random walk的方式计算出每一个网页或者网站的PageRank值，这个值决定了排序的相关性。
3、一些著名的搜索引擎：Google, Yahoo, Bing, Baidu, Yandex(俄罗斯地区), Qihu。搜索引擎的商业价值不言而喻，都达数十亿美金。
4、Machine Learning Rank
利用机器学习的方法进行相关性学习是一套架构，里面包含具体的算法、数据以及特征的选择。它把每一个query和URL构成训练文本，<query, URL>，然后标注成PEGFB五个标签（P:perfect, E:excellent, G:good, F:feel, B:bad），然后通过learning to rank或者其他机器学习算法进行训练模型。评价指标一般选择DCG。Machine Learning Rank的一个框架图大体如下图1所示：
图1：MRL框架图
5、Learning to Rank
Learning to Rank算法一般包含3种情况：
（i） Point-Wise L2R
该种将训练集<query,URL>看成是二维平面上的点，利用回归分析进行预测相应的值。
（ii）Pair-Wise L2R
没听明白。
（iii）List-Wise L2R
直接对优化目标函数DCG进行训练调参。
6、How to compete with bigger competitors ?
（i）new strategy, new marketing
（ii）beat competitors in core relevance
（iii）vertical search
（iv）difference services
如何同强大的对手进行竞争？ 新策略，新市场营销策略，以核心相关度计算，垂直索索以及区别化服务等。同强大的或者已经占有很大市场竞争份额的对手进行竞争，的确是一件很具有挑战性的工作。不仅要做好本分的工作，同时还要做出有区别性的服务在里面，找到自己的立足点。
7、Vertical Search Ranking
垂直搜索一直不被学术界所引起重视。垂直搜索不像传统的web search一样，对于每一个领域而言，搜索的问题都不一样。对于商品而言，相关性、评论以及距离等都是很重要的排序指标。在具体的领域做搜索，要充分考虑到该领域的特点并且要修改相应的排序算法。
=======================================================================
总结：对于这个报告，我只听懂了皮毛一些知识，真想成为这个领域的专家，不仅需要大把的时间投入，也需要一定的平台去施展自己的才华。