关键词匹配

搜索引擎对索引库的检索过程可以简单描述如下：

（1）把用户提交的搜索词分成词A和词B。

（2）同时使用词A和词B在索引库中进行检索，并提出所有包含词A或者词B的文件，组成文件集合L。

（3）在文件集合L中把同时包含词A和词B的文件优先提出来组成文件集合M排在前面，把只包含词A或词B的文件排在后面。

（4）继续对文件集合M进行分析，把完全包含用户搜索词的文档提出来组成文件集合N，并排在前面，把内容中没有完全匹配搜索词的文件排在后面。

（5）再根据搜索词在网页中出现的次数、位置、密度和形式等对文件集合N中的文件进行排序。

（6）搜索引擎还会分析文件的外链数量、质量和锚文本，根据锚文本辅助分析文件和关键词的相关度、外链的数量和质量来确定文件的重要程度，以进行排序调整。

以上只是简单模拟搜索引擎的检索排序过程，为了描述方便，引入了“文件集合”。在整个检索和排名过程中，关键词匹配程度、密度、频率、位置、形式和外链情况会应用到所有文件上，而不仅仅是上文所提到的文件集合上。由以上检索排序模拟过程可以看出，搜索引擎判断一个网页或者文件与搜索词的相关度，主要根据文件中关键词出现的频率（次数）、密度（占全部内容的比例）、最终分词后关键词之间

的距离（是否完全匹配）、位置和形式（是否在标题、内容比较靠前的位置以及是否黑体、变色、H标签等突出显示）、文件外链锚文本（是否和内容有统一的文本描述）等，外链的数量和质量并不是判断内容相关性的因素，只是判断文件重要程度、内容质量或可信任程度的标准。

同时在关键词匹配中，搜索引擎为了使返回的结果都是用户真正需要的，会分析判断搜索词分词后的词语，哪些是用户主要关心的，哪些是次要关心的。比如，搜索引擎会弱化搜索词中的常用或者意义不大的定语，在百度搜索“我们的航母”，搜索结果中前几页的网页内容都会完全匹配“我们的航母”这个关键词。多向后翻几页，当没有能完全匹配该搜索词的网页时，会明显感觉到后面的网页都是以“航母”为主要关键词的。