跨语言信息检索，是信息检索范畴中的一个研究课题。近10几年来，由于互联网的飞速成长，这方面的研究受到了学术界的普遍重视。将这项手艺应用于搜索，可以帮忙我们查找到更多的有用信息，例如外语相关页面、多语言页面以及语言无关的资源（如图片）等等。这些信息可以年夜年夜丰富搜索的成果，满足用户多样的需求。在跨语言信息检索的研究中，有一些研究功能已经趋于成熟，达到可以应用的状态。事实上，Yahoo和谷歌在5，6年前就已经起头提供多语言的搜索办事。毫无疑问，在这方面他们已经走在了世界的前列。目前，百度的各项国际化业务正在如火如荼的展开，对跨语言手艺来讲，正是用武之地。相信不久的未来，它将会在搜索国际化过程中饰演举足轻重的角色。来，就让我们一探事实吧。

假定你搜索"中菲黄岩岛对峙"，如果你是一个普通用户，你想知道的多是这个事件的汗青渊源和成长动态；如果你是一个文艺用户，你想知道的多是中国愤青们的爱国言论。没问题，现有的中文搜索完全可以满足你的需求。

可是，如果你是一个XX用户，你对中国网站的内容不满足，很想知道外国的媒体是怎么报导的，外国民众是怎么谈论这个事件的。那么欠好意思，中文搜索引擎就无能为力了。这是因为，中文搜索引擎都是中文作为根本来构建的，它往往只收录了中文数据，只斟酌了中文的特性，只斟酌了该中国网民的需求。可是，当我们想要做跨语言搜索时，搜索就变得坚苦了。且不说我们没有抓取那么多外文数据。即便我们有数据了，由于不合语言之间的巨年夜差别，以及各个国度各类各样的网络习惯，我们也很难精准地搜索到相关的外文信息。也就是说，语言的不合给搜索带来了一道鸿沟。

那么，这道鸿沟就不克不及逾越了么？当然不是。事实上很多年前人们就已经起头斟酌这个问题了。在学术界，对这个问题有个专有名词，叫跨语言信息检索（Cross-Language Information Retrieval）。早在上个世纪60年代，现代信息检索的奠定人，美国康奈尔年夜学的Salton传授颁发了一篇《Automatic processing of foreign language documents》，首先打开了跨语言信息检索的年夜门。可是由于那个时代还没有互联网，研究也只能停留在简单实验阶段，甚至跨语言信息检索的概念还没有正式提出。到了上世纪90年代，美国国度标准手艺研究所（National Institute of Standards and Technology）和美国情报局前沿研发勾当中心（Advanced Research and Development Activity center of the U.S. Department of Defense）结合进行了信息检索范畴最重要的会议——"TREC"会议（The Text REtrieval Conference）。到了1996年，在瑞士所进行的SIGIR-96会议中，首次呈现了以跨语检索为研究主题的研讨会。而到了2000年，欧盟成立了"跨语言评估论坛"（Cross Language Evaluation Forum），每年按期进行跨语检索研讨会，并且推动跨语检索手艺评比。从此，跨语言信息检索酿成了信息检索范畴的一个炙手可热的研究课题，无数英雄豪杰参与其中。

闲话少说，我们该进入正题了：对跨语言信息检索问题该如何解决呢？接下来让我们揭开它的面纱。

在说跨语言信息检索之前，我们先回顾一下经典信息检索是怎样做的，如图1所示：首先，对用户的query，我们要对它进行特征提取，使之酿成一个特征向量，用于匹配文档。其次，对已经抓取的文档，我们也对它进行特征提取，并赐与这些特征一些权重，来暗示它们的重要水平。再次，我们对query的特征和文档的特征进行相似度计较，来判断哪些文档跟query相关，哪些不相关。信息检索最常常使用的相似度计较体例是求cosine，其它还可以从语义主题的角度去描述相似性，这个就不详细介绍了。有了相似度，我们可以按照相似度对文档进行排序，并将最相关的一些作为检索成果。对检索成果，用户可能会提供一些反馈，比如用户的点击。这些反馈可以奉告我们，在搜索成果里面哪些是用户需要的。这些信息可以用来权衡检索的效果，来对检索模型进一步提升。

在信息检索的流程中，我们可以看出跨语言检索的难点：当query的语言和文档的语言不应时，query和文档的特征空间是不合的。中文的特征调集（某个中文词语呈现与否）与英文的特征调集（某个英文词语呈现与否）的交集少少，这致使原有的相似度计较体例在跨语言时失效了。