Google基于HillTop算法的更新

转载自 车东的Bolg http://www.chedong.com/blog/archives/000034.html

HillTop算法为何物及其工作原理
=============================
如果PR对于你来说是一个全新的概念，建议阅读有关Google的PageRank算法的文章。在最基本的搜索结果排序中，Google的PageRank算法决定了一个网站的重要程度及最后的排名。根据这个原则，一个拥有100个链接的网站比一个只有10个链接的网站排名要高。在很多情况下这个因素都很重要。

而HillTop算法的指导思想和PageRank是一致的，即都通过反相链接的数量和质量来确定搜索结果的排序权重。但HillTop认为只计算来自具有相同主题的相关文档链接对于搜索者的价值会更大：即主题相关网页之间的链接对于权重计算的贡献比主题不相关的链接价值要更高。在1999与2000年，当这个算法被Bharat与其他Google开发人员开发出来的时候，他们称这种对主题有影响的文档为“专家”文档，而只有从这些专家文档页面到目标文档的链接决定了被链接网页“权重得分”的主要部分。

与PageRank结合HillTop算法确定网页与搜索关键词的匹配程度的基本排序过程取代了过份依靠PageRank的值去寻找那些权威页面的方法。这对于两个具有同样主题而且PR相近的网页排序过程中：HillTop算法就显得非常的重要了。

Google最早利用HillTop算法去定义相关网站：一个网站与另一个网站的相关性，实际上，HillTop算法在Google也中作为一个识别跨站点的链接交换干扰(spam)与识别相似链接的技术。HillTop算法要求：如果有两个以上相关主题的网站链接到你的网站，那么你的网站在搜索结果中出现的机会会更大，如果HillTop算法不查找到最少两个相关性的网站，那么搜索返回的结果的机会绝对是0。

Google应用新算法背后的原因
==========================
在1998年Google刚刚开始的时候，PR在决定适当程度与重要性方面起到了一个非常完美的作用。尽管如此，PR算法在设计上还是存在了一些脆弱性与限制性。Google在很早以前也就知道了。

HillTop算法实际上是拒绝了部分通过随意交换链接的方法来扰乱Google的排名规则而得到较好排名的做法，而在HillTop的论文中也提到很多关于识别“网站链接交换联盟”的设计：如根据IPv4地址的头3段，根据域名的别名推测：example.com = example.com.cn；

PR值对于搜索关键词的匹配度作用不大：因为在很多包含相应关键词的非相关主题的网站具有很高的PR值。这就是Google在HillTop算法中尽量避免的东西：应该尽其所能去列出与搜索关键词相关的结果。

总得看来，从过去到今天，很多搜索引擎停止了那种只使用一种有价值的算法去决定排名的做法。如：meta keyword标签等。这只是一个开始，Google在第一步已经完全忽略html header中的meta标签了。与不可见的meta标签相比，一个网站的可视部分使用干扰技术较在meta使用的要少，因为可视部分毕竟还要面对大部分的实际的访问者。

专家文档的动态智能识别
======================
基于“专家”文档的HillTop算法最大的难点是第一次“专家文档”的筛选，从目前的观察来看：Google显然首先给了教育(.edu)，政府(.gov)和非盈利组织(.org)站点很高的优先级。在运行时：Google会在庞大的内存里储存搜索频率比较高的关键词的索引，以备搜索者在短期内继续用同样的关键字短语等进行搜索。这些高频关键词还有另外一种作用，在“佛罗里达”更新之前很多人已经注意到的了：含有那些突增的搜索关键字的网站会得到较快的更新频率。如关于："SARS"，每天的搜索次数数以百万计：Google就会优先对与这个主题有关的网站进行更新。

回头看一下以前每个月的“Google Dance”，也能得出以下的结论：Google也明显地为一个关键词给予一个随机的“权重”，动态的根据关键词查询统计发现这些热门关键词，然后基于HillTop算法面向主题地找到这些含有热门关键词的网页，让这些网页作为相应关键词的“专家”文档，针对这些索引入口保持比较高的更新频率：这点显然对于应对突发事件非常有效。而那些含有查询频率比较低的关键词所对应的网页可能要1月才更新一次。简单的说就是：Google会根据主题的热门程度动态调整相应网站的索引的强度。而Google中文用户在总体用户中的比例与Google索引的中文网页在索引的总体网页中的比例，从某种程度上说，也是有一定关系的。