搜索关键词加个VS有何用？学下棋、追剧都不在话下，澎湃号·湃客，澎湃新闻，ThePaper

以下内容选自 Medium，作者是 DavidFoster，由机器之心编译，参与编译的有 Panda、张倩。

我们在使用搜索引擎时，都知道引号、星号、加减号等符号能助力我们更快找到想要的结果。那你有没有试过在搜索词后面加个「VS」呢？最近，有位 medium 博主分享了「搜索词」+「VS」的奇妙用法。利用这个技巧创建的 egograph 能在学习下棋、购买宠物甚至追剧等活动中发挥作用。

你是否曾在搜索引擎里输入一个关键词后再加上「vs」，然后观察它自动匹配出的内容呢？

事实证明，这是个有趣且实用的技巧，能帮我们快速找到感兴趣事物的其他对应或替代选项。

不仅如此，当我们想要了解一项技术、一款产品或一个概念时，这个技巧也能提供有效帮助，原因主要有三点：

学习新事物的最佳途径是了解它与熟悉事物的异同。当在搜索引擎返回的列表中看到熟悉的事物时，我们会立刻产生「原来如此」的感觉。

操作十分简单，短短几秒钟就能完成。

输入「vs」后，搜索引擎会认为我们要对「vs」前后的事物进行直接比较。我们也可以使用「or」，但「or」表达的比较态度不如「vs」强烈，此时谷歌返回的可选内容可能会偏离我们的预期，比如：

「bert or」返回的结果大多和儿童节目《芝麻街》相关，而「bert vs」返回的结果则是和 BERT 模型相关的内容。

基于这一观察，如果将谷歌自动填充的关键词继续用「vs」进一步搜索并持续下去，就能得到一个由关键词连接而成的图网络 —— 自我中心图：

这种技巧可以很好地用于创建技术、产品或想法之间的心理映射图，让我们了解它们之间的关联。

我们可以自己构建这样的图网络。

vs 技巧自动化：

可以使用下面这个 URL 来获取 XML 格式的自动填充建议。不过这个看起来不太正式，所以最好不要大量查询。

http://suggestqueries.google.com/complete/search?output=toolbar?gl=us&hl=en&q=

其中，output=toolbar 会以 XML 格式返回响应结果，gl=us 设定国家或地区，hl=en 设定语言，q = 是你想要自动填充的关键词。

gl 和 hl 可以分别使用标准的两字母国家地区代码或语言代码。

现在就来试试吧。

首先选择一个初始关键词，这里我们选择 tensorflow。

先将 q=tensorflow%20vs%20 放到上述 URL 的相应位置：

http://suggestqueries.google.com/complete/search?output=toolbar&gl=us&hl=en&q=tensorflow%20vs%20

然后访问这个网址。

这时我们会得到返回的 XML。现在需要依据一些标准来判断是否保留各个自动填充建议。

这里使用的标准是：

自动填充的关键词不应包含我们输入的搜索关键词，即 tensorflow；

自动填充的关键词不应重复，比如 pytorch；

不应包含有多个 vs 的选项。

筛选后，我们得到 5 个合适的关键词，然后舍弃其他的。

这只是清理返回建议列表的一种方法，也可以包含仅有一个词的返回项。具体采用何种方法要根据具体用例来决定。

使用这套标准后，我们可以得到以下 5 个经过加权的连接：

然后继续。把这 5 个关键词加上「vs」，再次通过上述 URL 搜索自动建议，同样在过滤后保存前 5 个连接。

如此不断重复，扩展 target 列中尚未被探索的词。

操作足够多次后，我们可以得到一个包含加权边的表格，而且很适合用图来可视化。

自我中心图：

前面提到了自我中心图。下面是 tensorflow 的自我中心图。这里的自我中心图是指所有节点与 tensorflow 节点的距离小于特定值的图。

那么这里的距离是指什么呢？

先来看这个图：

我们已经知道从关键词 A 到关键词 B 的边的权重，根据自动建议列表取值 1 到 5。为了得到无向图，只需要将两个方向的权重加起来就行，此时权重范围为 1 到 10。

那么，每条边的距离就简单地等于「11 - 权重」。选择 11 是因为边的最大权重为 10，此时两个关键词都出现在彼此的自动建议列表最上方。基于这个定义，关键词之间的最小距离为 1。每个节点的大小和颜色由边的数量决定，这表示其出现在自动建议列表中的次数。所以，节点越大，这个概念就越重要。

上面的自我中心图半径为 22，表示以 tensorflow 为起点，抵达任何一个节点的距离不超过 22。如果把半径增大到 50 会怎样呢？

很不错吧？这个图包含了 AI 工程师需要了解的大多数已有技术，而且是按逻辑进行聚类的。

而这一切都始于一个关键词。

怎样画出这样漂亮的图呢？

它的 GUI 简洁易用，能让我们轻松构建图网络和其他图表。值得一试。

如何构建给定半径的自我中心图呢？

这要用到一个 Python 软件包：networkx，其中有一个好用的函数：ego_graph。需要指定半径作为该函数的输入参数。

ego_grap：https://gist.github.com/davidADSP/35648e480685c6b57ce1efad50170c26#file - ego_graph - py

这里还用到了另一个函数 k_edge_subgraphs 来移除一些偏离主题的关键词。

例如，storm 是一个开源的分布式实时计算系统，但同时也是漫威宇宙的一个角色。如果在谷歌搜索框里输入「storm vs」，猜猜会出现什么结果？

k_edge_subgraphs 函数可以发现无法被少于或等于 k 次切割分开的节点分组 —— 一般来说 k = 2 或 k = 3 效果较好。仅保留 tensorflow 所在的子图就能确保我们接近目标，不会偏离到幻想世界。

使用自我中心图来组织日常生活：

不再看 TensorFlow 的例子了，来看另一个自我中心图：国际象棋的西班牙开局。

这个技巧能让我们快速得到最常用开局思路的图，便于组织研究。

现在来点好玩的。

吃得更健康！

羽衣甘蓝很健康，但可能想换个口味？那就用「kale vs」找到 kale 的自我中心图来寻找新的健康食材吧。

想买只宠物狗！

但狗狗品种那么多，时间有限，选哪个好呢？

寻找真爱！

宠物狗和甘蓝还不够，还想找个伴侣？这里有个约会应用 coffeemeetsbagel 的自我中心图。

甚至还可以用这个技巧来找可能爱看的剧，比如下面这个英剧《The Office》的自我中心图。

原标题：《搜索关键词加个「VS」有何用？学下棋、追剧都不在话下》

列举一些在搜索时加“VS”能得到有趣结果的例子