تصویر زیدان، پله، مارادونا و فوتبال دستی در فرندفید و ۲۲ تا لایک. شاید به نظرتون عجیب باشه ولی همین لایک‌ها در آینده‌ای نه چندان دور به جستجوی بهتر در وب کمک می‌کنند.

اگر مطالب این وبلاگ رو دنبال کرده باشید، حتماً‌ متوجه شدید که یکی از زمینه‌های علاقه من جستجو هست. پیشتر در نوشته نرم افزار وحید آنلاین،به جستجوی ذخیره شده اشاره کردم، حالا به یکی از ابزارهایی که به جستجوی شخصی شده کمک می‌کنه اشاره می‌کنم: Like.

جستجوی ذخیره شده یک روش دستی برای تعیین محدوده مطالب مورد علاقه هست، شما با مشخص کردن چند کلمه کلیدی و چند پارامتر مثل تعداد لایک یا تعداد کامنت می‌تونید یک view شخصی از اطلاعات درست کنید. لایک زدن اما کمک می‌کنه تا نرم‌افزارها با آنالیز مطالبی که شما لایک زدید، محدوده اطلاعات مورد علاقه شما رو با الگوریتم‌های خاصی تشخیص بده.

مطالب چطور آنالیز می‌شوند؟ قبلاً درباره آینده جستجو در وب گفته بودم که:

در آینده جستجو بر اساس درک ماشین از معنا و مفهوم اطلاعات شکل می‌گیرد: وب معنایی.
نرم‌افزارهای امروز درکی از معنای اطلاعات ندارند، آن‌ها تنها در یک بانک اطلاعاتی که به اطلاعات به شکل یک رشته نگاه می‌کند به دنبال کلمات کلیدی که کاربر وارد کرده می‌گردند، اما اگر نرم‌افزارها بتوانند معنای اطلاعات را بفهمند، جستجو در میان اطلاعات ساده‌تر، دقیق‌تر و کاراتر می‌شود.

در واقع اگر وب معنایی قرار هست اطلاعات روی وب رو برای ماشین‌ها قابل فهم کنه، لایک ابزاری هست که به نرم‌افزارها امکان می‌ده که در میان محتوای مورد علاقه کاربر جستجو کنند.

بزرگان عرصه لایک

بدون شک فیس بوک و گوگل بزرگترین‌ها در عرصه ایده لایک هستند. فیس بوک ضمن اینکه لایک‌های کاربران خودش و فرندفید (که خریداری کرده) رو داره، عملاً با اضافه کردن امکان لایک به همه محتوای وب، خیلی خوب می‌تونه موضوعات مورد علاقه کاربران رو بدست بیاره.

گوگل هم که با انبوه سرویس‌ها و کاربرانش عملاً از هر چیزی که شما در وب ممکنه بهش علاقه داشته باشید با خبر هست: از جستجوهای مورد علاقه شما تا ویدئوهای favorite شده در یوتیوب یا buzz های لایک زده شده.

همین حالا دیگ و فیس بوک آگهی‌هایی رو نمایش می‌دهند که شما می‌توانید به اون‌ها رای بدید/لایک بزنید. فکر می‌کنید چند سال دیگه طول می‌کشه تا کلمات کلیدی که جستجو می‌کنید در بین محتوای مورد علاقه‌تون جستجو بشه یا نتایج بالاتر، واقعاً‌ نتایج جستجوی مورد علاقه شما باشند؟

چالش‌های لایک

تا اینجا همه چیز به نظر خوب میاد اما لایک زدن با مسائلی هم روبروست. در حال حاضر سیستم‌های مبتنی بر رای/اشتراک گذاری/لایک کاربران روی وب با مساله تقلب (چه به صورت تقلب نرم‌افزاری از طریق رباتهای نرم افزاری و چه به صورت تقلب سازمان یافته کاربران از طریق تشکیل شدن مافیا) روبرو هستند. اگر معیارهای موتورهای جستجو برای تعیین محدوده جستجو یا میزان اهمیت یک نتیجه جستجو بر مبنای ایده‌هایی نظیر لایک قرار بگیره همیشه با افراد و شرکت‌هایی روبرو خواهیم بود که برای بالا آمدن در نتایج جستجو به این روش تقلب می‌کنند.

مساله مهم دیگه مساله privacy هست. اینکه شرکت‌ها یا سایت‌هایی با آنالیز فعالیت‌های کاربران در وب، سایت‌‌هایی که دیده‌اند، لایک‌های آنها، favorite هایشان  و… یک پروفایل از زندگی هر کاربر ایجاد کنند برای خیلی‌ها قابل قبول نیست.

خلاصه

موتورهای جستجو در چند سال اخیر با حجم بسیار زیاد داده روی وب مواجه شدند، با اضافه شدن صدا و ویدئو کار جستجو حتی سخت‌تر هم شده. وب معنایی کمک می‌کنه تا اطلاعات روی وب برای ماشین‌ها قابل فهم باشند ولی هنوز لازمه از میزان توجه کاربران به محتوای روی وب (از طریق رای/لایک/به اشتراک گذاری) برای تعیین اهمیت نتایج جستجو استفاده بشه.

در قسمت اول شیرپوینت چیست از یکپارچگی محصولات و فناوری‌های مختلف مایکروسافت با شیرپوینت گفتم. در دومین قسمت از مجموعه نوشته‌های شیرپوینت چیست، درباره قابلیت‌های جستجو در شیرپوینت خواهم گفت. در آشنایی با قابلیت‌های شیرپوینت با من همراه باشید.

امکانات جستجو در شیرپوینت

در شیرپوینت امکان تعریف سایت‌هایی مختص جستجو وجود دارد و وب پارت‌هایی نیز برای جستجو در نظر گرفته شده‌اند. یکی از امکانات جالب جستجوی شیرپوینت امکان تعریف حوزه‌های جستجو است. به عنوان مثال می‌توانید در محتوا یا در نام اشخاص جستجو داشته باشید.

روش جستجو شیرپوینت بر اساس جستجو در اطلاعات ایندکس شده است. نحوه crawl کردن شیرپوینت در سایت‌های مختلف را کاملاً می‌توان مدیریت و تنظیم کرد. شیرپوینت می‌تواند کلمه یا عبارت مورد نظر شما را در محتوای فایلهای مختلف و همین‌طور سایت‌های مختلف یک مجموعه سایت جستجو کند.

مقیاس‌های کاری جستجو در شیرپوینت هم بسیار جالب است. به عنوان مثال ویژگی‌های جستجوی شیرپوینت ۲۰۰۷ نسخه Enterprise از ۵۰ میلیون سند در یک ایندکس پشتیبانی می‌کند! امکانات جستجوی شیرپوینت در سطوح مختلف کاربری قابل استفاده‌اند. به عنوان مثال می‌توان به امکان کوئری گرفت از سرویس جستجو مایکروسافت با برنامه نویسی برای توسعه دهندگان و امکان اشتراک در نتایج جستجوی کلمه یا عبارت از طریق فید RSS یا ایمیل هشدار (alarm) برای کاربران عادی می‌توان اشاره کرد.

بهبود جستجو در شیرپوینت ۲۰۱۰

یکی از حوزه‌هایی که شیرپوینت ۲۰۱۰ در آن پیشرفت قابل ملاحظه‌ای نسبت به نسخه‌های قبلی شیرپوینت داشته حوزه جستجو است. مایکروسافت در کنار شیرپوینت محصولات دیگری نظیر Search Server و Fast Search Server for SharePoint را ارائه کرده است که در چند سطح به کاربران شیرپوینت کمک می‌کند تا به شکل فوق العاده‌ای جستجو در شیرپوینت را تجربه کنند.

کاربران نهایی علاوه بر بهبود اینترفیس جستجو، امکاناتی نظیر جستجو از دسکتاپ یا موبایل و همین‌طور جستجوی اجتماعی و جستجوی پیشرفته افراد را در اختیار دارند. توسعه دهنده‌ها و ارائه کنندگان راهکار روی شیرپوینت امکان دسترسی به داده‌های ساخت یافته و غیرساخت یافته را از طریق Business Connectivity Services را دارند و می‌توانند بر پایه ابزارهای برنامه نویسی که در اختیار دارند راهکاری جستجو سفارشی عرضه کنند.

در کنار قابلیت‌ها و بهبودهای جستجو در شیرپوینت ۲۰۱۰، محصولات دیگری که در کنار شیرپوینت ۲۰۱۰ برای جستجو عرضه شدند امکانات بیشتری به ویژگی‌های جستجو در شیرپوینت اضافه می‌کنند. به عنوان مثال با کمک Fast Search Server بهبود جستجو در زبان‌های مختلف، امکان مرتب سازی نتایج بر اساس هر ویژگی دلخواه و همچنین جستجوهای مشابه، اینترفیس بهتر برای جستجو با تصاویر بندانگشتی و ویژگی‌های خاص (به عنوان مثال امکان پیمایش پیش نمایش‌های اسلایدهای پاورپوینتی) و … نیز به جستجوی شیرپوینت افزوده می‌شوند.

در قسمت بعدی مجموعه نوشته‌های شیرپوینت چیست به امکانات شیرپوینت در حوزه گردش اسناد و فرم‌ها خواهم پرداخت.

Timeline‌ توییتر در جستجوی گوگل

قبلاً در مورد جستجوی اجتماعی گوگل نوشته بودم، سرویس جستجو در نتایج زنده و بلادرنگ (realtime) گوگل اکنون نتایج را بر اساس Timeline توییتر نیز به شما نشان می‌دهد. گوگل که به منظور دسترسی به تمام داده‌های توییتر قراردادی با این شرکت بسته است، معتقد است با این کار می‌تواند نتایج زنده بهتر و ارزشمندتری درباره موضوعات مورد جستجوی کاربران ارائه کند. به عنوان مثال نتایجی که گوگل برای جستجوی کلمه "فوتبال" در این سرویس ارائه می‌دهد را مشاهده کنید.

Follow Finder

یکی دیگر از سرویس‌های جدید مرتبط با توییتر که توسط آزمایشگاه‌های گوگل عرضه شده، Follow Finder است. Follow Finder‌ با تحلیل گراف اجتماعی کاربران در گوگل، کاربرانی که ممکن است به دنبال کردن توییت‌های آن‌ها علاقمند باشید را به شما پیشنهاد می‌کند.

چند سال پیش وقتی هنوز استفاده از RSS به این گستردگی نبود و همه نرم‌افزارهای انتشار محتوا از این فرمت‌ها استفاده نمی‌کردند، برای اطلاع از به روز بودن یک سایت یا وبلاگ می‌بایست واقعاً مجبور بودیم به آن سایت یا وبلاگ سر بزنیم، این کار بسیار زمان بر بود و به دلیل اینکه حداقل باید صفحه اول سایت لود می‌شد تا از به روز بودن یا نبودنش مطمئن شویم هزینه زیادی هم برای کاربران ایجاد می‌کرد. اینجا بود که RSS ضمن نجات دادن کاربران از این دردسر همیشگی به انتشار انفجاری اطلاعات در سطح وسیع هم کمک کرد.

حالا همین مساله برای فیدهای RSS به وجود آمده، تعداد فیدهایی که هر روز باید مطالبشان را ببینیم زیاد شده‌اند، دنبال کردن این مطالب به خودی خود دشوار است چه برسد به اینکه بخواهیم مطالب Share شده توسط دوستان را هم دنبال کنیم آن هم روی سرویس‌ها و سایت‌های مختلف. آیا راه حلی برای این مساله وجود دارد؟ آیا می‌توانیم نرم‌افزارهای داشته باشیم که مثل وحید آنلاین عمل کنند و مطالب مورد علاقه ما را از میان صدها و هزارها مطلب که در روز منتشر می‌شود برایمان جدا کنند؟ آیا می‌توانیم یک خبرگزاری شخصی درست کنیم؟ در چند نوشته به پاسخ این سوالات خواهم پرداخت.

جستجوی ذخیره شده

در اولین گام از بررسی روش‌های نرم‌افزاری به جستجوی ذخیره شده می‌پردازم. برای روشن شدن موضوع فرندفید را در نظر بگیرید. سایتی که کاربران می‌توانند فید سرویس‌های مختلف را به آن متصل کنند و در یک اینترفیس خوب (شاید بهترین در حوزه اینگونه سایت‌ها) به صورت Realtime مطالب را ببینند و Share کنند و Like بزنند و در موردشان نظر بدهند. فرندفید بخشی دارد به عنوان جستجوی ذخیره شده، کاربران در این بخش می‌توانند یک View سفارشی از اطلاعات روی فرندفید بر اساس پارامترهایی که خود تنظیم می‌کنند داشته باشند. مثلاً من می‌توانم برای جدا کردن مطالب مهم آی تی، یک جستجو ذخیره شده درست کنم که در آن، فیدهایی از گروه آی تی (که خودم از مجموعه دوستانم در فرندفید ساخته‌ام) را نشان بدهد که حداقل ۵ لایک و ۵ نظر داشته باشند، یا کاربر/کاربران خاصی در موردش نظر داده باشند یا شامل کلمه/کلمات خاصی در عنوان فید یا نظرات آن باشد. وقتی از این امکان استفاده می‌کنید به سادگی می‌توانید View های سفارشی که به شما امکان غربالگری بهتر محتوا را می‌دهند داشته باشید.

در این مورد بیشتر صحبت می‌کنیم. شما هم در کامنت‌ها می‌توانید روش‌هایی را که برای دسترسی به محتوای مورد علاقه‌تان در اقیانوس محتوای روی وب استفاده می‌کنید معرفی کنید.

فروم چه کاربردی دارد؟
دو کاربرد اساسی برای یک نرم‌افزار فروم متصور است: ۱-استفاده به عنوان یک نرم‌افزار پرسش و پاسخ (Q&A) و ۲-استفاده برای نشر محتوا اعم از مطالب جالب و اخبار و …

در ایران کاربرد اغلب فروم‌ها منحصر به قابلیت اول است، یعنی سایت‌هایی که برای پرسش و پاسخ ایجاد شده‌اند. اجازه بدهید با هم نگاهی داشته باشیم به مسائلی که دید فرومی به پرسش و پاسخ برای کاربران ایجاد می‌کند.

چرا فروم‌ها به ابزاری قدیمی برای پرسش و پاسخ تبدیل شده‌اند؟

عضوگیری و مشارکت کاربران

اغلب فروم‌ها امکاناتی را در اختیار مدیران قرار می‌دهند تا قابلیت‌های مختلف مثل لینک‌ها یا فایل‌ها را از دید کاربرانی که عضو سایت نیستند (anonymous users) پنهان کنند. در واقع یکی از روش‌های عضوگیری کاربران در فروم‌ها محروم کردن آن‌ها از مشاهده لینک یا فایل‌ها یا حتی thread هاست! تا به حال چند بار برایتان پیش آمده است که برای دیدن یک و فقط یک موضوع یا لینک مجبور به عضویت در فرومی شده‌اید و دیگر هم به آن سر نزده‌اید؟

امروز دنیای وب تغییر کرده است، دسترسی سریع و آزاد به اطلاعات شرط اصلی حضور و دوام سایت‌هاست. اگر می‌بینیم سایت‌هایی نظیر فروم هنوز هم در ایران با اقبال کاربران مواجهند به دلیل حرکت کند ما به سوی وب ۲ است. از طرفی مشارکت کاربران زیر ذره‌بین مدیران، یک مدل قدیمی برای کنترل نشر محتواست. این مدل یادآور دوران قبل از وبلاگ‌هاست، زمانی که سایت‌ها عموماً توسط عده‌ای به عنوان مدیر/سردبیر به روز می‌شدند و دیگر کاربران تنها جنبه مصرف کننده داشتند. امروز هر کاربر همزمان می‌تواند نقش تولید‌کننده/مصرف کننده/کنترل کننده اطلاعات را داشته باشد. آقای مهرانی در بازنگری مفاهیم وب ۲ این موضوع را این‌طور بیان کردند:

یکی از پایه ای ترین مفاهیمی که وب۲ بر آن تاکید دارد، قدرت بخشیدن به افراد است. یعنی بجای اینکه سیستمها بصورت متمرکز مدیریت شوند و یک یا چند نفر سیاست گذاری باشند یا تولید محتوا کنند و بازدیدکننده ها فقط وظیفه بازدید را داشته باشند، این سیستمها امکاناتی را در اختیار افراد قرار می دهند تا بوسیله این امکانات آنها قدرت تولید محتوا یا مشارکت در تولید محتوا را بدست آورند. این جنبه Social وب ۲ است: قدرت بخشیدن به افراد برای مشارکت در فعالیتها. عمده سایتها مثل فیس بوک، توییتر، گوگل ویو، گوگل رید و یا سایتها اشتراک لینک و … بر همین مبنا فعالیت می کنند.

جستجو و طبقه بندی اطلاعات

آیا دسته بندی اطلاعات به جستجو و طبقه بندی بهتر آن‌ها کمک می‌کند؟ پاسخ همیشه مثبت نیست. برای اینکه به جواب بهتری برای این سوال برسیم باید به دلیل رشد سریع طبقه‌بندی اطلاعات بر مبنای تگ نگاه کنیم. تگ‌ها یا برچسب‌ها به این دلیل به وجود آمدند که ما را از شر دسته‌بندی‌های fix ایجاد شده توسط طراحان/مدیران سیستم نجات بدهند. با رشد وبلاگ‌ها و سایت‌های اشتراک گذاری (لینک، متن، صدا، ویدئو) حجم اطلاعات وب به سرعت گسترش پیدا کرد. دسته‌بندی‌ ایجاد شده توسط طراح/مدیر یک سیستم کلی و محدود است، در حالی که طبقه‌بندی اطلاعات بر اساس تگ، جزئی و نامحدود.

دسته‌بندی اطلاعات در سایت‌های وب ۲ بر اساس تگ‌های تعریف شده توسط خود کاربران انجام می‌شود، نه صرفاً تعداد محدودی دسته‌بندی از قبل تعریف شده، این قابلیت علاوه بر بهبود امکان جستجوپذیری اطلاعات به کاربران کمک می‌کند تا یک دید شخصی و سفارشی شده به اطلاعات داشته باشند. در واقع وقتی یک کاربر به یک سایت وب ۲ وارد می‌شود چون از قبل تگ‌های مورد علاقه‌اش را مشخص کرده و همچنین با استفاده از قابلیت‌های شبکه اجتماعی دوستانش را نیز اضافه کرده، می‌تواند به راحتی اطلاعاتی را ببیند که می‌خواهد ببیند و در میان انبوه اطلاعاتی که هر ثانیه بیشتر می‌شوند گم نخواهد شد.

دسترسی به اطلاعات

دسترسی به اطلاعات را از دو جنبه می‌توان بررسی کرد: موتورهای جستجو و دید کاربر. از دید موتورهای جستجو، جستجوی Social‌ یعنی جستجو در میان سایت‌ها و محتوای ایجاد شده در وب ۲ و همچنین محتوای ایجاد شده در بین دوستان یک فرد اهمیت ویژه‌ای پیدا کرده است. پیشتر درباره Google Social Search‌ نوشته‌ام. جدا از اینکه اطلاعاتی که در فروم‌ها با استفاده از قابلیت‌های مدیران فروم از دید کاربران غیرعضو پنهان می‌شوند چقدر در دید موتورهای جستجو هستند، باید پذیرفت که ارزش محتوای وب ۲ (به دلیل بیشتر بودن و همچنین جستجوپذیری بهتر و قابلیت انطباق بیشتر بر خواسته کاربران به دلیل فاکتورهایی نظیر تگ، reshare، like و …) روز به روز بیشتر می‌شود. البته ارزش بیشتر محتوای تولید شده در سایت‌های وب ۲ لزوماً خوب نیست، در این مورد نگاه کنید به مشکل جستجو و محتوای کم ارزش وب ۲.

اما دسترسی به اطلاعات از دید کاربر، یکی از مهمترین دلایلی که طرفداران فروم‌ها بر کارایی نرم‌افزارهای فروم دارند این است که در فروم‌ها به راحتی و به سرعت جواب سوالات تخصصی را پیدا می‌کنیم. این جمله را این‌طور باید تصحیح کرد: چون نمی‌دانیم که چطور به راحتی و به سرعت جواب سوالات تخصصی را پیدا کنیم دست به دامان فروم‌ها می‌شویم.

برای یک نفر که در یک فروم یا هر نرم افزار دیگری سوالی مطرح می‌کند چیزی مهمتر از جواب سریع و دقیق نیست. حتماً برای شما هم پیش آمده که دنبال پاسخ سوالی به یک فروم رسیده‌اید و مشاهده کردید که یک نفر سوال شما را قبلاً در این فروم مطرح کرده، ولی چطور باید بهترین جواب را از بین ۲۰ صفحه جواب پیدا کرد؟ اصلاً چطور می‌فهمیم که یک سوال مطرح شده در فروم به جواب رسیده یا نه؟ نحوه جستجو برای جواب خطی است، یعنی باید تک تک پاسخ‌ها را بخوانید و آن‌قدر جلو بروید تا به جواب خود برسید!

در دید وب ۲، اگر قرار است که یک سایت Q&A داشته باشیم، این قابلیت را به کاربران می‌دهیم که به سوال‌ها و جواب‌ها رای بدهند، به این ترتیب ضمن شریک کردن کاربران در کنترل محتوا، سوالات و جواب‌های پر اهمیت را جدا کرده‌ایم. از طرفی به کسی که سوال را مطرح کرده این امکان را می‌دهیم تا بهترین جواب را مشخص کند. به این ترتیب وقتی یک کاربر دیگر برای مشاهده سوال و جواب پیرامون یک موضوع خاص به سایت وب ۲ ای ما می‌آید، علاوه بر اینکه به جواب رسیدن یا نرسیدن سوال کاملاً مشخص است، در همان صفحه اول و بلافاصله بعد از سوال می‌تواند بهترین جواب مشخص شده یا جواب‌هایی که از دید دیگر کاربران بهتر بودند را ببیند و لازم نیست ده‌ها پاسخ عمدتاً بی‌ربط و غیرمفید را بخواند.

از طرفی در این سیستم‌ها جواب و کامنت دو مفهوم جدا از هم هستند، در واقع reply‌های یک سوال یا جواب هستند یا کامنت (نظر یا سوال دیگری برای روشن شدن موضوع)، به این ترتیب و با کمک کنترل و مشارکت کاربران، این اطمینان وجود دارد که در یک موضوع خاص فقط سوال و جواب‌ها که اهمیت دارند را می‌بینیم نه حال و احوال پرسی و تشکر کاربران از هم برای پاسخ به یک سوال!

ادامه دارد….

حلقه اجتماعی (social circle) شما در واقع شامل دوستان شما در گوگل تاک و جیمیل و سرویس‌هایی است که آن‌ها در پروفایل گوگلشان معرفی کرده‌اند. برای استفاده از این سرویس آزمایشی گوگل ابتدا به این آدرس بروید، سپس در بخش Google Social Search‌ روی دکمه Join this experiment کلیک کنید، حالا هر زمان که چیزی در گوگل جستجو می‌کنید با کلیک بر Show options و انتخاب Social می‌توانید نتایج جستجو در میان محتوای منتشر شده توسط دوستانتان در وبلاگ‌ها و توییتر و فرندفید و … را ببینید.

جستجوی بصری

اگر با Visual Search موتور جستجوی بینگ کار کرده باشید روش دسته بندی آن را دیده‌اید. Pivot‌ را می‌توان یک Visual Search برای انواع و اقسام داده‌ها دانست. این داده‌ها می‌توانند مجموعه‌ای از تصاویر یا کل اطلاعات موجود روی بانک اطلاعاتی ویکی پدیا باشند!
هنگام جستجوی بصری با Pivot به عنوان مثال وقتی موضوع جستجو یک بازه تاریخی باشد، شما می‌توانید به کمک یک Slider به راحتی بازه خود را مشخص کنید.

Pivot می‌تواند اطلاعاتی که پس از اعمال انواع فیلترها باقی می‌مانند را به صورت جالبی نمایش دهد. شما می‌توانید نمودار فراوانی اطلاعات را بر حسب فیلدهای مختلف ببینید. مثلاً من اطلاعات ۵۰۰ بازیگر برتر تاریخ سینما را بر اساس تاریخ تولدشان خواستم، نتیجه را در تصویر زیر می‌بینید.برای مشاهده در اندازه اصلی اینجا کلیک کنید.

وقتی که در نهایت داده‌های مورد نظر خود را از بین انبوه داده‌ها پیدا کردید، به راحتی روی آن‌ها زوم می‌کنید و با کلیک بر روی هر آیتم می‌توانید خلاصه‌ای از اطلاعات آن را ببینید یا حتی در موتور جستجوی بینگ در موردش جستجو کنید. برای مشاهده تصویر در اندازه اصلی اینجا کلیک کنید.

Pivot‌ چطور کار می‌‌کند؟

روش کار به این صورت است که در Pivot تعدادی Collection وجود دارد که هر کدام از آن‌ها ویژگی‌های خاص خود را دارند. مثلاً Collection مربوط به فیلم‌ها ویژگی‌هایی نظیر بازیگران،‌کارگردان، کشور سازنده، زمان فیلم و … دارد و بنابراین جستجوی بصری در این مجموعه بر حسب فیلدهای اطلاعاتی آن متفاوت با مثلاً مجموعه اطلاعات مربوط به ورزشکاران رشته بسکتبال است.

مجموعه‌ها یا Collection های Pivot سه دسته‌اند: ساده،‌ متصل (Linked) و پویا (Dynamic)، اطلاعات بیشتر درباره ساختار مجموعه‌ها، تفاوت انواع مجموعه‌ها با هم در حجم و میزان پیچیدگی داده‌ها، اطلاعات مربوط به معماری نرم افزار و … را می‌توانید در این آدرس ببینید. همچنین اطلاعاتی درباره میزبانی کردن مجموعه‌ها را می‌توانید در اینجا ببینید.

برای آشنایی بیشتر با ایده Pivot‌ و قابلیت‌هایش ویدئوی زیر را ببینید (برای مشاهده ویدئو به Silverlight احتیاج دارید):

چطور از Pivot‌ استفاده کنیم؟

Pivot در حال حاضر در مرحله تست بتا قرار دارد و استفاده از آن تنها با دعوتنامه و کد نصب ممکن است. بعد از دانلود نرم افزار Pivot (با حجم تقریبی ۲۸ مگابایت) با دادن ایمیل خود، در این صفحه درخواست کد نصب کنید. پس از دریافت کد نصب می‌توانید به راحتی نرم افزار را نصب و استفاده کنید. در صورتی که موفق به دریافت کد نصب نشدید من چند کد نصب دارم که می‌توانم از طریق ایمیل برایتان ارسال کنم.

در این سایت با انتخاب رنگ یا رنگ‌های مورد نظر خود می‌توانید تصاویری در فلیکر که تم رنگی مورد نظر شما را دارند پیدا کنید.

عملکرد این سایت مشابه قابلیت جدید جستجوی تصویر بر اساس رنگ در گوگل است با این تفاوت که Multicolr Search رنگ‌های ۱۰ میلیون تصویر جالب در فلیکر را استخراج کرده است. عملکرد Multicolr Search بسیار خوب و دقیق است. اگر به دنبال پیدا کردن عکس‌های مناسب و هماهنگ با رنگ‌بندی سایت خود هستید Multicolr Search برای شماست.

صرفنظر از اینکه توییت کردن موقع زایمان (که سلامتی مادر و فرزند مهمتر از همه چیز است) تا چه اندازه لازم است، یک بار دیگر به نقشی که سرویس‌های وب ۲ در تولید محتوای کم ارزش و مشکلی که در جستجوی عمقی وب ایجاد می‌کنند فکر کردم.

ما امروز چطور جستجو می‌کنیم؟
به گوگل یا یک موتور جستجو دیگر می‌رویم، یک باکس جستجو، چند کلمه کلیدی وارد می‌کنیم (گاهی وقت‌ها به همراه چند عملگر جستجو)، در صفحه اول جستجو چیزی را که می‌خواهیم پیدا می‌کنیم یا نه، به هر حال جستجوی ما محصور به ارزیابی خودمان از محتوای چند کلمه‌ای است به صورت لینک‌های آبی زیرخط دار در صفحه نتایج جستجو می‌بینیم.

روش کار؟ گوگل و موتور جستجوهای دیگر عملاً چیزی را در بیرون جستجو نمی‌کنند. آن‌ها یک کپی از اطلاعات را در دیتابیس خود ذخیره می‌کنند و بعد به کمک الگوریتم‌های خاص خودشان در آن جستجو می‌کنند. برای همین است که همیشه می‌توانید در کش گوگل صفحات و وب سایت‌هایی پیدا کنید که دیگر وجود خارجی ندارند.

وب ۲: مشارکت کاربران در تولید محتوا
پیش از اینکه واقعاً سرویس‌های وب ۲ از مشارکت کاربران و share کردن اطلاعات بهره ببرند، وبلاگ‌‌ها و وبلاگ‌نویسان باعث گسترش محتوای آنلاین شدند.
با به وجود آمدن امکان مشارکت کاربران در تولید محتوا، از روش‌هایی مثل برچسب‌زنی و ارزشیابی (به کمک رای در سیستم‌هایی نظیر دیگ و بالاترین) برای پیدا کردن و نشانه‌گذاری محتوای مفید استفاده شد. اما این روش نیز به تدریج کارآیی خود را از دست می‌دهد. حجم اطلاعات به شدت در حال افزایش است و استفاده از روش‌های بازنشری تنها به کپی شدن (شامل کپی شدن خود اطلاعات یا نسخه تغییر یافته یا لینک اطلاعات) بیشتر و بیهوده منتهی می‌شود. این نسخه‌های کپی شده از اطلاعات روی وب تنها جستجوی عمقی در وب را مشکل‌تر می‌کند. نه موتور جستجوهای سنتی (با روش خزیدن و ایندکس کردن اطلاعات) و نه روش‌های جدید (تگ گذاری و نشانه‌دار کردن اطلاعات مفید) جوابگوی این حجم از اطلاعات نخواهند بود.

یک مثال: Twitter و محتوای بی ارزش
Twitter یک رسانه است. یک رسانه جدید برای رساندن صدای مردم. اما نزدیک نیمی از توییت‌های مردم بی‌اهمیت و بی‌ارزش هستند. در چنین شرایطی فکر می‌کنید پیدا کردن صدای واقعی مردم در میان انبوه توییت‌های بی‌ارزش و اسپم چقدر مشکل است؟ به موضوعات داغی که عموماً با تگ گذاری توییت‌ها (با استفاده از #) در سطح توییتر ایجاد می‌شوند دقت کنید، بعد از چند ساعت خیلی از توییت‌های کاملاً بی‌ربط با موضوع اما با تگ یک موضوع داغ را می‌توانید ببینید.
حالا اگر به دنبال چیزی باشید با این حجم از اطلاعات بی‌ارزش و اسپم فکر می‌کنید شانس موفقیت‌ چقدر است؟ این مشکل تنها در مورد متن نیست، امروز ما عکس و ویدئو و صدا را هم با روش‌ سنتی (جستجوی کلمات کلیدی یا برچسب و عنوان و …) پیدا می‌کنیم.

جستجوی آینده 
در آینده جستجو بر اساس درک ماشین از معنا و مفهوم اطلاعات شکل می‌گیرد: وب معنایی.
نرم‌افزارهای امروز درکی از معنای اطلاعات ندارند، آن‌ها تنها در یک بانک اطلاعاتی که به اطلاعات به شکل یک رشته نگاه می‌کند به دنبال کلمات کلیدی که کاربر وارد کرده می‌گردند، اما اگر نرم‌افزارها بتوانند معنای اطلاعات را بفهمند، جستجو در میان اطلاعات ساده‌تر، دقیق‌تر و کاراتر می‌شود. این چیزی است که می‌خواهم درباره‌اش بیشتر صحبت کنم: وب معنایی
این آینده در واقع خیلی هم از ما دور نیست، بخشی از زیرساخت مورد نیاز همین حالا هم فراهم است.

ادامه دارد…