Selvom Grafsøgning ikke er blevet rullet ud til alle endnu, har det formået at blive en snak om Facebook for nylig; og med god grund. For de ukendte er Grafsøgning Facebooks svar på de personlige resultater, du kan få fra søgemaskiner som Google og Bing - bare langt mere kontekstualiseret og med langt mere specifikke data om din sociale cirkel (og din sociale cirkels sociale cirkel).
Hvordan nøjagtigt Graph Search fungerer er forblevet lidt af et mysterium, men for nylig gav Facebooks ingeniørblog et blokeringsfri kig på, hvad der får Graph Search til at dreje.
Til sammenligning var Facebooks ældre søgemaskine (kaldet PPS) elementær. Nøgleord var de eneste faktorer, som PPS brugte til at generere resultater. Selv dets "søgefilter" var rudimentært og indsnævrede resultaterne baseret på brede emner som mennesker, grupper og sider for at nævne nogle få.
Lad os nu undersøge grafsøgning. I løbet af de sidste par år har Facebook langsomt integreret nye funktioner, der i sidste ende vil føde Graph Search. Tag for eksempel "Typehead", som i det væsentlige er Facebooks svar på Googles autofuldførelse. Når du skriver en forespørgsel, giver søgemaskinen et veluddannet gæt til, hvad du søger efter, og foreslår resultater i et rullemenu. Typehead blev introduceret i 2009 - længe før Graph Search blev introduceret - men det var ikke så sofistikeret dengang, som det nu er inden for Graph Search.
Det er her tingene begynder at blive komplicerede. For at konceptualisere, hvordan Grafsøgning fungerer, skal du tænke på det større billede af forholdet mellem venner, sider, fotos, indlæg og grupper som et stort web. Venner har et forhold til venner, sider og fotos via likes og kommentarer. Og disse sider, fotos og grupper har et forhold til hinanden.
Facebooks ingeniører delte ovenstående diagram for at prøve at nedbryde tingene lidt. Forestil dig de store prikker, som vi kalder noder, som navneord - de kan være venner, sider, grupper, indlæg og endda dit navn. Hvordan disse navneord er relateret til hinanden er repræsenteret af pilene (som inkluderer forholdsattributter som "Ven", "Mærket", "Foto", "Begivenhed", "Synes godt om" og så videre) kaldet "Kanter". Så hvad du ser i dette diagram er, hvordan bruger Sriram Sankar ville være relateret til siden med titlen "Breville." I dette tilfælde er forholdet via en "lignende".
Hvis du tager et skridt tilbage og ser på det større billede, kan du blive forbløffet over, hvordan Facebook har formået at kortlægge et netværk med piggybacking på vores sociale natur. Det kender endda forholdet mellem dronning Elizabeth og George VI og historien om Star Wars, siger Facebook-ingeniør Sriram Sankar.
For at gøre brugernes oplevelse mere søgemotorlignende flyttede Facebook væk fra kun at stole på søgeordssøgning til Graph Search og besluttede at behandle naturligt sprog. Dette betyder, at du kan skrive søgninger, som du naturligt taler, og Graph Search's algoritme ser på hvert enkelt ord, du har skrevet, og bestemmer hvad du leder efter.
Konceptet virker let nok, men tilsyneladende var det lettere sagt end gjort at udføre det. Med Facebooks originale søgemaskine (1.0) blev handlinger på Facebook - checkins, likes, kommentarer, dine personlige oplysninger osv. - kun brugt til at rangere resultater. Med version 2.0 indekserer Grafsøgning alle disse handlinger for at finde ud af forholdet mellem de ord, du har skrevet. Hvis du f.eks. Søger efter "Mark Zuckerberg", skal Graph Search vide, at "Mark" og "Zuckerberg" henviser til Facebooks administrerende direktør, ikke folk, der tilfældigvis deler fornavnet "Mark" og efternavn "Zuckerberg." Programmering af grafsøgning for at kende forskellen var ikke let - og det er her "Unicorn" kommer ind i billedet.
Kort sagt, Unicorn mærker hver knude med tal og bruger den til at dechiffrere det, du søger efter i kontekst. Se på følgende indeks, som blev bemærket i blogindlægget som et eksempel.
Hvis Facebook skulle indeksere navnene Mark Zuckerberg (fbid: 4), Randi Zuckerberg (fbid: 13755), Mark David Johnson (fbid: 1001) Randi Johnson (fbid: 5542) og David Johnson (fbid: 10003), følgende er, hvordan det kan se ud. Det er en masse navne og tal og grafer lige nu, men du forstår, hvad det betyder på bare et minut (til reference: fbid henviser til Facebook-id).
mærke → 4
zuck → 4
randi → 13755
zuck → 13755
mærke → 100
david → 100
johnson → 100
randi → 5542
johnson → 5542
david → 10003
johnson → 10003
Navnet Mark Zuckerberg (Zuck) er mærket med fbid 4, Randi Zuckerberg er mærket med 13755 osv. Denne organisation anvendes uden hensyntagen til mellemrummet mellem navnene, da navnene er relaterede. Potentielt kan et navn som Mark have så få som en post (fbid-nummer) eller millioner.
Dette er vigtigt, fordi Graph Search behandler et navn som "David Johnson" som en søgning efter "David" og "Johnson." Men som gitteret ovenfor illustrerer, søger Graph Search at forstå det forhold mellem de to navne.
For at finde ud af, hvilket "Johnson" du muligvis søger efter, bruger Facebook det, det kalder "vigtigt", til at hente resultater, som Unicorn mener er det vigtigste for dig. For at visualisere, hvordan Unicorn ville dechiffrere det, du leder efter, se på de tre prikker under "Johnson." Af de mulige resultater er den, som Facebook vil spytte tilbage på dig, den, der betragtes som mest relevant. Facebook kommer dog ikke ind på specificiteten af vigtighedsmåling, så der er lidt lys, vi kan kaste på, hvordan det fungerer.
Og der har du det. Nu skal du have en ret god idé om, hvordan Facebook Graph Search fungerer for dig at imponere dine venner med, eller for at bringe op i en bar samtale.
