搜索引擎的大数据时代_数据分析师

近日百度和药监局达成战略合作，百度将使用药监局的的药品数据为人们提供用药相关的查询。百度为这批数据付出的代价并未提及。天下没有免费的午餐，药监局虽然是要造福于民，但是这批数据显然不会白给。这意味着搜索引擎为数据买单的时代已经到来。笔者今天想谈谈关于搜索和数据关系的一些看法。注意，大数据离我们太远，这不是谈大数据。

360与即刻此前已达成战略合作，共同运营食品安全和曝光栏栏目外，且360将与即刻共享药监局的数据。再前，360搜索引擎通过云云搜索接入了微博搜索结果，再之前，Google购买Twitter数据以提供Twitter搜索结果。

谷歌不作恶，干的事情是“整合全球信息，使人人皆可访问并从中受益”和“加速信息流动”。百度简单可依赖，干的事情是“让人们最便捷地获取信息，找到所求”。不同的表示，搜索引擎本质却是一致的：帮助人们找到想要的信息。伴随着社会化和移动互联网的浪潮，网络上的数据爆炸式的增长。如何应对这些爆炸的数据，既是搜索引擎面临的挑战，也是搜索引擎们的机遇。

具体分析如下：

一、比暗网更暗的大数据网

聚合所有网络上的信息，一直是有抱负的搜索引擎的梦想，但这是不可能完成的任务。

94年Dr．Jill Ellsworth便提出”暗网“的概念。指存储在网络数据库里、不能通过超链接访问，不属于那些可以被标准搜索引擎索引的表面网络。暗网的规模也远超我们的想象，据科学家研究，人类信息只有不到1%的实现了WEB化，而WEB化的网页中，搜索引擎能抓取的大概为1%500。

不能抓取的既有网站本身非主观的问题（不符合网页规范，对搜素引擎不友好等），也有网站本身的主观屏蔽的问题，如淘宝、优酷等网站屏蔽百度的爬虫既是这类。搜索引擎在解决这两类问题上已经做过很多努力。包括爬虫爬取技术的优化、合法SEO的推动以及类似百度阿拉丁计划。

百度的阿拉丁计划通过提供接口的方式，第三方网站主动接入自己的结构化数据，用户在搜索时即可在结果前面看到这些信息。百度期望阿拉丁灯神可以“照亮”暗网。与此类似的计划还有Google的OneBox，360的oneBox（360这名字取的）。但在暗网的问题还未解决之际，一个更暗的网已经到来。

1、越来越多的私有化的WEB化数据。

电商网站、BBS、知乎问答、互动百科、豆瓣电影等内容便是属于此类。垂直网站在达到一定规模后，拥有与搜索引擎博弈的能力时，便可屏蔽搜索引擎的爬虫，将自己的数据“私有化“。垂直网站提供的搜索功能，可以用个性化的搜索功能和独有的挖掘能力，提供更好的搜索体验。甚至上升为垂直搜索引擎，如知乎搜索。另外一种垂直搜索引擎即是综合其他垂直的结构化数据，提供搜索服务，如去哪儿、一淘。

笔者相信随着WEB的发展，垂直搜索是未来搜索引擎细分的一个方向，且将对传统搜索引擎构成威胁。类似手机上浏览器和原生APP之间的关系：浏览器和APP流量对半分。我们把传统搜索引擎如百度看成这一个浏览器，那么垂直搜索引擎便是APP。垂直搜索引擎也如APP一样正在滋长壮大。且他们具有的核心优势都是：个性化VS统一的优势。

如果说WEB数据私有化使前面提到的“WEB化的信息，能抓取：不能抓取的约为1:500”这个比率发生变化。下面要谈的将影响“不到1%的信息WEB化”的1%。

2、巨量增长的没有WEB化的数据。

随着10多年的发展，PC互联网已积累大量的数据；而在移动互联网的浪潮下，APP、云应用、社交和物联网让数据爆炸式增长。对搜索引擎来说，这些数据几乎都是不可见的。

人工整理的数据：

药监局的数据就是例子。这类数据集中存在于政府部门、机构组织和一些企业手里。他们手里即掌握着民众关心的权威民生数据，又暂时没有将这些数据通过网站开放出来。与此类似的拥有数据的还有交通部门、环保部门、旅游局、卫生局、教育局等民众关注的各个领域。经过十多年的信息化建设，这些数据想必已经达到可观的量级。

另外，“我查查”的条形码数据也可归为此类。我查查团队创业初期，数百人团队在全国商场收集商品条形码数据。我查查有一定规模后，用户才主动为其添加条形码数据。

社交产生的数据：

这里的社交网络不仅仅指微博或人人网。QQ聊天也是一种社交。邮件也是一种社交。虎嗅网也是一种社交。甚至短信通信也是一种社交。我们不妨将这称为“暗社交”。这些社交过程又产生了大量的信息，尤其是分享行为。一定程度上部分社交网站的数据是WEB化的，但是它们是封闭的。这部分数据正在巨量增长，而搜索引擎对他们无能为力。Facebook可以通过Graph Search搜索自己的数据，微博有微博搜索，人人的，以及“暗社交”的数据，谁来搜索？

APP产生的数据：

搜狗王小川曾经抛出过“WEB已死”的说法。移动互联网已经不再是由WEB通过超链接互相连接的网络。APP之间通过接口互相链接，APP上的不同用户通过QQ好友关系、微信圈、微博关注关系、手机号码等方式互相链接。而传统搜索引擎正是基于超链接的。带来的问题实际问题就是，搜素引擎如何搜索啪啪等APP的数据?

个人云应用产生的数据：

个人云应用主要是解决多屏同步的问题。这让更多用户选择将数据保存在云端。在不同设备上账号认证后下载并使用这些数据。这类应用除了同步通讯录、收藏夹这类私密性强的数据外，还有印象笔记、网易云阅读等类型的大文本数据。个人云应用将越来越多。若干年后，笔者认为OFFICE提供云同步功能也不是没可能。这些数据，搜索引擎无能为力。

物联网产生的数据：

车联网、监控录像、电子抄表、水文监测等物联网应用每时每刻也在产生大量的数据。这个行业还没爆发。爆发的时候，应用也不会局限与此。互联网链接网页，移动互联网链接天下芸芸众生，而物联网，链接天下万物。现在中国的手机用户数突破11亿。芸芸众生基本已连起来。不过相比11亿，物联网用户数则是一个惊人的量级。这些“用户”也将产生大量的数据。这些数据将来是否要被人类搜索，以什么形式搜索，搜索的结果是什么？

二、大数据如何流动

百度的阿拉丁计划曾经一度拥有吸收结构化数据的魔力，众多结构化数据如天气预报、图书信息等都主动去接入百度框计算。以便从百度获取流量和用户。垂直网站们也一度通过SEO提升百度排名。而这个形势正在逆转。结构化数据不再主动流到百度。垂直网站们趋于将这些数据私有化，或者有限地开放给部分搜索引擎。

云云搜索由雄心勃勃的Google工程师出来创立，最初立意于做社交搜索。此时FACEBOOK的GraphSearch还不为大家所知。但是云云搜索现在走向了为新浪、即刻等公司提供搜索技术服务的方向。云云搜索之所以在自己的社交搜索上没有起色，归根结底就是从搜索切入社交是痴人说梦，因为没有用户，就没有社交，也就没有社交搜素依赖的数据。云云需要的社交数据在微博。所以，云云投奔微博而去。

百度搜索做了10多年，在如何吸引用户登录上做出很多努力，但仍然没有形成自己的账号体系。Google煞费苦心的GooglePlus也无法撼动Facebook在社交网络的地位。同类的例子还有BING。2012年10月沈向阳接受采访时说BING战略是社交搜索、实体搜索（移动搜索）和地图。而现在，BING中国主要方向已变为英文搜索。

1、远离搜索引擎的数据

搜索需要的大数据掌握在谁手里呢?垂直网站正将其数据私有化，社交网站天生私有化，云应用提供商替保存着用户的私有数据，APP的数据因为没有WEB化也是私有化的，当然还有一部分数据掌握在政府、组织、普通企业手里。

数据一度主动流向搜素引擎，而现在结构化的数据，尤其是有价值的结构化数据正在慢慢远离搜索引擎，流向一个私有的领地。这将产生数据的滚雪球效应：有数据的地方，数据会越来越多；没有数据的地方，必须为获得数据付出比蜘蛛爬取更多的代价。

2、搜索引擎将退化，或者改变位置？

传统综合搜索引擎接下来要解决的不是“加速信息流动”，因为很多信息都够不着。这也更加突出Google+以及gmail等可以收集数据的应用对Google未来的意义。或许未来的搜素引擎，百度这种传统的网页搜索引擎将退化为“垂直网页搜索引擎”。因为网页数据只是网络数据的一部分，一小部分。这里再次借用王小川的话“WEB已死”。

当然，还有一种可能是搜索引擎仍然可以够着这些数据，有偿获取。其在生态圈中的位置的变化。搜索吃了免费数据10多年，接下来，搜索引擎要更多地为数据买单。药监局只是一个开始。

三、大数据对搜索的价值

人类已经到了离开信息不能活的地步。数据大爆炸，按照达尔文生物进化论，人类的信息吸收、筛选和处理的能力应该也会进化。人们对信息的需求并不会退化，反而会更加饥渴。而搜索引擎需要解决的问题，不再是帮助人们从海量信息里面找到结果。而是，在海量结果里面找到唯一。快速找到准确的答案比找到更多的答案更重要。

1、结构化数据对搜索的价值。

结构化数据和网页数据相比，更能满足第一点：找准唯一答案。网页分析是靠文本匹配。结构化数据的分析即支持内容提供者的主动接入，也支持搜索引擎的个性化精准分析。这两种方式都会增加内容提供者或者搜索引擎的成本，但是付出带来的回报是用户快速得到准确的唯一的答案。

2、大数据挖掘是搜索引擎的机会。

不再仅仅是加速信息流动，如果只做第一点提的结构化数据接入和展示又太简单。搜素引擎要做什么呢？帮助人类做人脑不能做的事情：数据挖掘。即从海量数据中挖掘价值。人们都说大数据是一座金矿。但是如何从这座金矿中淘金，人们即没找到方法，也没找到工具。

搜索引擎经过十多年的发展，在文本分析、关系发掘、图谱构造、用户语义理解等方面已有丰富的积累。这些技术是大数据挖掘依赖的基本技术。咱们会叫它挖掘引擎。而将挖掘和传统搜索结合起来，通过挖掘响应用户主动的或者被动的搜索需求，或许咱们可以叫其“推荐引擎”。

豆瓣和一些电商网站早已进行这方面的探索。豆瓣因为最初便将“推荐”作为其核心功能之一，已有一些成型的成果。或许，我们撇开豆瓣的UGC模式，其搜索+推荐的模式值得关注：豆瓣专注文化产品，其早已悄然上线“发现喜欢的东西”，可以点评、分享和推荐任何“东西”，任何“物”。现在属于低调的实验性产品，但我认为这可能是豆瓣将来的爆发点，这个将来很远，因为豆瓣很“慢”。