摘  要： 介绍了利用BP神经网络对查询结果进行排名，通过了解人们在得到搜索结果以后都点了哪些链接，BP神经网络会将搜索过程与搜索结果关联起来，利用这些信息来改变搜索结果的排列顺序，让用户得到更好的搜索体验。
关键词： 神经网络；BP算法；搜索结果；排名

　随着信息技术的快速发展，互联网已经成为人们获知信息的重要渠道。面对一些门户网站庞大复杂的信息资源，仅依靠浏览器浏览的方式来获得所关心的信息是非常困难的，这就促使了站内搜索引擎的出现和快速发展。搜索引擎起到了信息导航的作用，已成为人们获取信息的有效工具。但是网站的信息量呈爆炸趋势增长，每天都有大量新的网页出现，使得搜索引擎对信息的覆盖率和搜索出结果的相关性、准确性在整体上呈下降趋势。检索出的结果集数量之多，经常都是几十万条甚至是几百万条记录，其中存在着大量的重复信息或是与检索主题无关的信息，要想从中快速、准确地找出所需要的信息变得越来越困难。
　目前简单关键字搜索已经无法满足需要，智能化搜索是未来发展的必然趋势[1]。本文通过对BP神经网络的深入了解，设计并实现了用BP神经网络对站内搜索结果进行排名，让用户得到更好的体验。
1 BP神经网络概述
　神经网络最早是由心理学家和神经学家提出的，旨在寻求开发和测试神经的计算模拟。粗略地说，神经网络是一组连接的输入/输出单元，其中每个连接都与一个权相相联。在学习阶段，通过调整神经网络的权，使得能够预测输入样本的正确类标号来学习。由于单元之间的连接，神经网络学习又称连接者学习。神经网络需要很长的训练时间，因而对于有足够长训练时间的应用更合适。它需要大量的参数，这些通常主要靠经验确定，如网络拓扑或“结构”[2]。
　神经网络的一个例子如图1所示。输入对应于对每个训练样本度量的属性，输入同时提供给称作输入层的单元层。这些单元的加权输出依次同时地提供给称作隐藏层的“类神经元的”第二层；该隐藏层的加权输出可以输入到另一个隐藏层；如此下去。隐藏层的数量是任意的，尽管实践中通常只用一层。最后一个隐藏层的加权输出作为构成输出层的单元的输入。输出层发布给定样本的网络预测。

2 用于对查询结果排名的神经网络的设计
　神经网络可以有多个中间层，不过在本文中，只使用一层。对输入的组合结果就是一组单词，因此可以将这一层看作是“查询层”。图2是本文神经网络的结构。所有位于输入层中的节点都与所有位于隐藏层中的节点相连，而所有位于隐藏层中的节点也都与所有位于输出层中的节点相连。
　为了让神经网络得到最佳查询结果，本文将与查询条件中出现的单词对应的输入节点设值为1。这些节点的输出端开启后，会试图激活隐藏层，相应地位于隐藏层中的节点如果得到一个足够强力的输入，就会触发其输出端，并试图激活位于输出层中的节点。位于输出层中的节点将处于不同程度的活跃状态，可以利用其活跃程度来判断一个URL与原查询中出现的单词在相关性上的紧密程度[3]。最终的结果取决于被逐渐纠正的连接强度，因此只要有人执行搜索，并从结果中选择链接，就对该网络进行训练。
　如图3所示，许多人已在搜索“apple iphone”之后，点击过有关apple iphone的相关结果，而这一点加强了单词与URL的联系。