Moteur de recherche - Définition

Source: Wikipédia sous licence CC-BY-SA 3.0.
La liste des auteurs de cet article est disponible ici.

Introduction

Un moteur de recherche est une application permettant de retrouver des ressources (pages Web, forums Usenet, images, vidéo, fichiers, etc.) associées à des mots quelconques. Certains sites Web offrent un moteur de recherche comme principale fonctionnalité ; on appelle alors moteur de recherche le site lui-même (Google Video par exemple est un moteur (Un moteur est un dispositif transformant une énergie non-mécanique (éolienne, chimique,...) de recherche vidéo).

Outil (Un outil est un objet finalisé utilisé par un être vivant dans le but d'augmenter son...) de recherche sur le Web constitué de « robots », encore appelés bots, spiders, crawlers ou agents qui parcourent les sites à intervalles réguliers et de façon automatique (L'automatique fait partie des sciences de l'ingénieur. Cette discipline traite de la...) (sans intervention humaine, ce qui les distingue des annuaires) pour découvrir de nouvelles adresses (URL). Ils suivent les liens hypertextes (qui relient les pages les unes aux autres) rencontrés sur chaque page atteinte. Chaque page identifiée est alors indexée dans une base de données (En informatique, une base de données (Abr. : « BD » ou...), accessible ensuite par les internautes à partir de mots-clés.

Par abus de langage, on appelle également moteurs de recherche des sites Web proposant des annuaires de sites web : dans ce cas, ce sont des ressources humaines qui répertorient et classifient des sites web jugés dignes d'intérêt et non des robots d'indexation — on peut citer par exemple Voilà et Yahoo! (Yahoo!,Inc. est une société américaine de services sur Internet opérant...), etc.

Les moteurs de recherche ne s'appliquent pas qu'à Internet : certains moteurs sont des logiciels installés sur un ordinateur personnel (Un ordinateur personnel, encore appelé micro-ordinateur ou ordinateur individuel, est un...). Ce sont des moteurs dits desktop qui combinent la recherche parmi les fichiers stockés sur le PC et la recherche parmi les sites Web — on peut citer par exemple Exalead (Exalead [eg'zæli:d] est un éditeur de logiciels français spécialisé dans...) Desktop, Google (Google, Inc. est une société fondée le 7 septembre 1998 dans la Silicon Valley en Californie par...) Desktop et Copernic Desktop Search, etc.

On trouve également des métamoteurs, c'est-à-dire des sites Web où une même recherche est lancée simultanément sur plusieurs moteurs de recherche (les résultats étant ensuite fusionnés pour être présentés à l'internaute) — on peut citer Mamma, Kartoo (Le métamoteur de recherche KartOO fournit une représentation cartographique des résultats de la...), Seek.fr, etc.

Fonctionnement

Représentation d'une partie web en 2005.

Le fonctionnement d'un moteur (Un moteur (du latin mōtor : « celui qui remue ») est un dispositif...) de recherche se décompose en trois étapes principales :

  1. L'exploration ou crawl : le Web est systématiquement exploré par un robot (Un robot est un dispositif mécatronique (alliant mécanique, électronique et...) d'indexation suivant récursivement tous les hyperliens qu'il trouve et récupérant les ressources jugées intéressantes. L'exploration est lancée depuis une ressource pivot, comme une page d'annuaire (Un annuaire est une publication (imprimée ou électronique) mise à jour chaque année qui...) web. Un moteur de recherche est d'abord un outil d'indexation, c'est-à-dire qu'il dispose d'une technologie (Le mot technologie possède deux acceptions de fait :) de collecte de documents à distance sur les sites Web, via un outil que l'on appelle robot ou bot. Un robot d'indexation dispose de sa propre signature (comme chaque navigateur web). Googlebot est le user agent (signature) du crawler de Google
  2. L'indexation des ressources récupérées consiste à extraire les mots considérés comme significatifs du corpus à explorer. Les mots extraits sont enregistrés dans une base de données (Dans les technologies de l'information (TI), une donnée est une description élémentaire, souvent...) organisée comme un gigantesque dictionnaire inverse (En mathématiques, l'inverse d'un élément x d'un ensemble muni d'une loi de...) ou, plus exactement, comme l'index terminologique d'un ouvrage, qui permet de retrouver rapidement dans quel chapitre de l'ouvrage se situe un terme significatif donné. Les termes non significatifs s'appellent des mots vides. Les termes significatifs sont associés à une valeur de poids. Ce poids correspond à une probabilité (La probabilité (du latin probabilitas) est une évaluation du caractère probable d'un...) d'apparition du mot dans un document (Dans son acception courante un document est généralement défini comme le support physique d'une...). Cette probabilité est indiquée sous la forme d'une "fréquence (En physique, la fréquence désigne en général la mesure du nombre de fois qu'un...) de terme", ou "inverse de fréquence de terme" et est souvent calculée par la formule TF-IDF.
  3. La recherche correspond à la partie requêtes du moteur, qui restitue les résultats. Un algorithme est appliqué pour identifier dans le corpus documentaire (en utilisant l'index), les documents qui correspondent le mieux aux mots contenus dans la requête (Le mot requête, synonyme de demande, est employé dans les domaines suivants :), afin de présenter les résultats des recherches par ordre de pertinence supposée. Les algorithmes de recherche font l'objet (De manière générale, le mot objet (du latin objectum, 1361) désigne une entité définie dans...) de très nombreuses investigations scientifiques. Les moteurs de recherche les plus simples se contentent de requêtes booléennes pour comparer les mots d'une requête avec ceux des documents. Mais cette méthode atteint vite ses limites sur des corpus volumineux. Les moteurs plus évoluées utilisent la formule TF-IDF pour mettre en perspective le poids des mots dans une requête avec ceux contenus dans les documents. Cette formule est utilisée pour construire des vecteurs de mots, comparés dans un espaces vectoriel, par une mesure de Cosinus (En mathématiques, les fonctions trigonométriques sont des fonctions d'angle importantes pour...) (la similarité Cosine). Pour améliorer encore les performances d'un moteur, il existe de nombreuses techniques, la plus connue étant celle du PageRank (Le PageRank (terme anglais signifiant « classement d'une page ») ou PR désigne le...) de Google qui permet de pondérer une mesure de cosinus en utilisant un indice de notoriété de pages. Les recherches les plus récentes utilisent la méthode dîtes d'analyse sémantique latente (L’analyse sémantique latente (LSA, de l'anglais : Latent semantic analysis) ou...) qui tente d'introduire l'idée de co-occurrences dans la recherche de résultats (le terme "voiture" est automatiquement associé à ses mots proches tels que "garage" ou un nom de marque dans le critère de recherche).

Des modules complémentaires sont souvent utilisés en association avec les trois briques de bases du moteur de recherche. Les plus connus sont les suivants :

  1. Le correcteur orthographique : il permet de corriger les erreurs introduites dans les mots de la requête, et s'assurer que la pertinence d'un mot sera bien prise en compte sous sa forme canonique.
  2. Le lemmatiseur : il permet de réduire les mots recherchés à leur lemme et ainsi d'étendre leur portée de recherche.
  3. L'anti dictionnaire : utilisé pour supprimer à la fois dans l'index et dans les requêtes tous les mots "vides" (tels que "de", "le", "la") qui sont non discriminants et perturbent le score de recherche en introduisant du bruit (Dans son sens courant, le mot de bruit se rapproche de la signification principale du mot son....).
Page générée en 0.011 seconde(s) - site hébergé chez Contabo
Ce site fait l'objet d'une déclaration à la CNIL sous le numéro de dossier 1037632
A propos - Informations légales | Partenaire: HD-Numérique
Version anglaise | Version allemande | Version espagnole | Version portugaise