释迦牟尼的赛博生命
AI summary
本文介绍了 Google 搜索的自动补全功能，该功能可以在 Google 主页、Google 应用中使用。用户只需在搜索框中输入关键字，就可以看到联想词了。Google 的自动补全功能是为了帮助用户完成他们打算进行的搜索，而不是建议用户要执行什么搜索。Google 根据趋势搜索 trends 来给到我们这些“预测”，哪个热门、哪个搜索频率高，就更可能推给我们。用户输入某个关键字时看不到联想词的原因可能是该关键字不是热门字词、搜索的字词太新了，或者该搜索字词违反了 Google 的相关政策。Google 拥有专门设计的系统，可以自动捕获不适当的预测结果而不显示出来。Google 搜索的用户，如果认定某条预测违反了相关的搜索自动补全政策，可以进行举报反馈。Google 的自动补全器的核心是一个函数，它接受输入的前缀，并搜索以给定前缀开头的词汇或语句列表。Google 采用了多种数据结构来实现自动补全功能，包括词汇表、前缀树和有限状态自动机(DFA)。除此之外，可以通过为词汇表中的每个单词增加一个代表单词值的权重
weight，并且按照权重高低来排序自动补全列表，来改善用户体验。Published
‣
Source
State
Unread
Tags
blog
郑大钱
使用自动补全
Google 搜索的自动补全功能可以在 Google 搜索应用的大多数位置使用，包括 Google[1] 主页、适用于 IOS 和 Android 的 Google 应用，我们只需要在 Google 搜索框上开始键入关键字，就可以看到联想词了。
在上图示例中，我们可以看到，输入关键字
juej，Google 搜索会联想到“掘金”、“掘金小册”、“绝句”等等，好处就是，我们无须输入完整的关键字即可轻松完成针对这些 topics 的搜索。谷歌搜索的自动补全功能对于使用移动设备的用户来说特别有用，用户可以轻松在难以键入的小屏幕上完成搜索。当然，对于移动设备用户和台式机用户而言，这都节省了大量的时间。根据 Google 官方报告，自动补全功能可以减少大约 25% 的打字，累积起来，预计每天可以节省 200 多年的打字时间。是的，每天！
注意，本文所提到的“联想词”与“预测”，是同一个意思。
基于“预测”而非“建议”
Google 官方将自动补全功能称之为“预测”，而不是“建议”，为什么呢？其实是有充分理由的。自动补全功能是为了帮助用户完成他们打算进行的搜索，而不是建议用户要执行什么搜索。
那么，Google 是如何确定这些“预测”的？其实，Google 会根据趋势搜索 trends[2] 给到我们这些“预测”。简单来说，哪个热门、哪个搜索频率高，就更可能推给我们。当然，这也与我们当前所处的位置以及我们的搜索历史相关。
另外，这些“预测”也会随着我们键入的关键字的变更而更改。例如，当我们把键入的关键字从
juej 更改为 juex 时，与“掘金”相关的预测会“消失”，同时，与“觉醒”、“决心”相关联的词会出现。
为什么我们看不到某些联想词？
如果我们在输入某个关键字时看不到联想词，那么表明 Google 的算法可能检测到：
- 这个关键字不是热门字词；•搜索的字词太新了，我们可能需要等待几天或几周才能看到联想词；•这是一个侮辱性或敏感字词，这个搜索字词违反了 Google 的相关政策。更加详细的情况，可以了解 Google 搜索自动补全政策[3]。
为什么我们会看到某些不当的联想词？
Google 拥有专门设计的系统，可以自动捕获不适当的预测结果而不显示出来。然而，Google 每天需要处理数十亿次搜索，这意味着 Google 每天会显示数十亿甚至上百亿条预测。再好的系统，也可能存在缺陷，不正确的预测也可能随时会出现。
我们作为 Google 搜索的用户，如果认定某条预测违反了相关的搜索自动补全政策，可以进行举报反馈，点击右下角“举报不当的联想查询”并勾选相关选项即可。
如何实现自动补全算法？
目前，Google 官方似乎并没有公开搜索自动补全的算法实现，但是业界在这方面已经有了不少研究。
一个好的自动补全器必须是快速的，并且在用户键入下一个字符后立即更新联想词列表。自动补全器的核心是一个函数，它接受输入的前缀，并搜索以给定前缀开头的词汇或语句列表。通常来说，只需要返回少量的数目即可。
接下来，我们先从一个简单且低效的实现开始，并在此基础上逐步构建更高效的方法。
词汇表实现
一个简单粗暴的实现方式是：顺序查找词汇表，依次检查每个词汇，看它是否以给定的前缀开头。
但是，此方法需要将前缀与每个词汇进行匹配检查，若词汇量较少，这种方式可能勉强行得通。但是，如果词汇量规模较大，效率就太低了。
一个更好的实现方式是：让词汇按字典顺序排序。借助二分搜索算法，可以快速搜索有序词汇表中的前缀。由于二分搜索的每一步都会将搜索的范围减半，因此，总的搜索时间与词汇表中单词数量的对数成正比，即时间复杂度是
O(log N)。二分搜索的性能很好，但有没有更好的实现呢？当然有，往下看。前缀树实现
通常来说，许多词汇都以相同的前缀开头，比如
need、nested 都以 ne 开头，seed、speed 都以 s 开头。要是为每个单词分别存储公共前缀似乎很浪费。
前缀树是一种利用公共前缀来加速补全速度的数据结构。前缀树在节点树中排列一组单词，单词沿着从根节点到叶子节点的路径存储，树的层次对应于前缀的字母位置。
前缀的补全是顺着前缀定义的路径来查找的。例如，在上图的前缀树中，前缀
ne 对应于从子节点取左边缘 N 和唯一边缘 E 的路径。然后可以通过继续遍历从 E 节点可以达到的所有叶节点来生成补全列表。在图中，ne 的补全可以是两个分支：-ed 和 -sted。如果在数中找不到由前缀定义的路径，则说明词汇表中不包含以该前缀开头的单词。有限状态自动机(DFA)实现
前缀树可以有效处理公共前缀，但是，对于其他共享词部分，仍会分别存储在每个分支中。比如，后缀
ed、ing、tion 在英文单词中特别常见。在上一个例子中，e、d 分别存放在了每一个分支上。有没有一种方法可以更加节省存储空间呢？有的，那就是 DFA。
在上面的例子中，单词
need、nested、seed 和 speed 仅由 9 个节点组成，而上一张图中的前缀树包含了 17 个节点。可以看出，最小化前缀树 DFA 可以在很大程度上减少数据结构的大小。即使词汇量很大，最小化 DFA 通常也适合在内存中存储，避免昂贵的磁盘访问是实现快速自动补全的关键。
一些扩展
上面介绍了如何利用合理的数据结构实现基本的自动补全功能。这些数据结构可以通过多种方式进行扩展，从而改善用户体验。
通常，满足特定前缀的词汇可能很多，而用户界面上能够显示的却不多，我们更希望能显示最常搜索或者最有价值的词汇。这通常可以通过为词汇表中的每个单词增加一个代表单词值的权重
weight，并且按照权重高低来排序自动补全列表。- 对于排序后的词汇表来说，在词汇表每个元素上增加
weight属性并不难；•对于前缀树来说，将weight存储在叶子节点中，也是很简单的一个实现；•对于DFA来说，则较为复杂。因为一个叶子节点可以通过多条路径到达。一种解决方案是将权重关联到路径而不是叶子节点。
References
[1] Google: _https://www.google.com/_`[2]` trends: _https://trends.google.com/trends/?geo=US_`[3]` Google 搜索自动补全政策: _https://support.google.com/websearch/answer/7368877_`[4]` Elasticsearch: _https://www.elastic.co/products/elasticsearch_`[5]` Solr: https://www.elastic.co/products/elasticsearch