跨語言信息檢索，是信息檢索領域中的一個研究課題。近10幾年來，由於互聯網的飛速發展，這方面的研究受到了學術界的廣泛重視。將這項技術應用於搜索，可以幫助我們查找到更多的有用信息，例如外語相關頁面、多語言頁面以及語言無關的資源（如圖片）等等。這些信息可以大大豐富搜索的結果，滿足用戶多樣的需求。在跨語言信息檢索的研究中，有一些研究成果已經趨於成熟，達到可以應用的狀態。事實上，Yahoo和Google在5，6年前就已經開始提供多語言的搜索服務。毫無疑問，在這方面他們已經走在了世界的前列。目前，百度的各項國際化業務正在如火如荼的開展，對跨語言技術來說，正是用武之地。相信不久的將來，它將會在搜索國際化進程中扮演舉足輕重的角色。來，就讓我們一探究竟吧。
假如你搜索“中菲黃巖島對峙”，如果你是一個普通用戶，你想知道的可能是這個事件的歷史淵源和發展動態；如果你是一個文藝用戶，你想知道的可能是中國憤青們的愛國言論。沒問題，現有的中文搜索完全可以滿足你的需求。
但是，如果你是一個XX用戶，你對中國網站的內容不滿足，很想知道外國的媒體是怎麼報道的，外國民眾是怎麼談論這個事件的。那麼不好意思，中文搜索引擎就無能為力了。這是因為，中文搜索引擎都是中文作為基礎來構建的，它往往只收錄了中文數據，只考慮了中文的特性，只考慮了該中國網民的需求。但是，當我們想要做跨語言搜索時，搜索就變得困難了。且不說我們沒有抓取那麼多外文數據。即使我們有數據了，由於不同語言之間的巨大差異，以及各個國家各種各樣的網絡習慣，我們也很難精准地搜索到相關的外文信息。也就是說，語言的不同給搜索帶來了一道鴻溝。
那麼，這道鴻溝就不能跨越了麼？當然不是。事實上很多年前人們就已經開始考慮這個問題了。在學術界，對這個問題有個專有名詞，叫跨語言信息檢索（Cross-Language Information Retrieval）。早在上個世紀60年代，現代信息檢索的奠基人，美國康奈爾大學的Salton教授發表了一篇《Automatic processing of foreign language documents》，首先打開了跨語言信息檢索的大門。但是由於那個時代還沒有互聯網，研究也只能停留在簡單實驗階段，甚至跨語言信息檢索的概念還沒有正式提出。到了上世紀90年代，美國國家標准技術研究所（National Institute of Standards and Technology）和美國情報局前沿研發活動中心（Advanced Research and Development Activity center of the U.S. Department of Defense）聯合舉辦了信息檢索領域最重要的會議——“TREC”會議（The Text REtrieval Conference）。到了1996年，在瑞士所舉辦的SIGIR-96會議中，首次出現了以跨語檢索為研究主題的研討會。而到了2000年，歐盟成立了“跨語言評估論壇”（Cross Language Evaluation Forum），每年定期舉辦跨語檢索研討會，並且推動跨語檢索技術評比。從此，跨語言信息檢索變成了信息檢索領域的一個炙手可熱的研究課題，無數英雄豪傑參與其中。
閒話少說，我們該進入正題了：對於跨語言信息檢索問題該如何解決呢？接下來讓我們揭開它的面紗。
在說跨語言信息檢索之前，我們先回顧一下經典信息檢索是怎樣做的，如圖1所示：首先，對於用戶的query，我們要對它進行特征提取，使之變成一個特征向量，用於匹配文檔。其次，對於已經抓取的文檔，我們也對它進行特征提取，並給予這些特征一些權重，來表示它們的重要程度。再次，我們對query的特征和文檔的特征進行相似度計算，來判斷哪些文檔跟query相關，哪些不相關。信息檢索最常用的相似度計算方法是求cosine，其它還可以從語義主題的角度去描述相似性，這個就不詳細介紹了。有了相似度，我們可以根據相似度對文檔進行排序，並將最相關的一些作為檢索結果。對於檢索結果，用戶可能會提供一些反饋，比如用戶的點擊。這些反饋可以告訴我們，在搜索結果裡面哪些是用戶需要的。這些信息可以用來衡量檢索的效果，來對檢索模型進一步提升。
在信息檢索的流程中，我們可以看出跨語言檢索的難點：當query的語言和文檔的語言不同時，query和文檔的特征空間是不同的。中文的特征集合（某個中文詞語出現與否）與英文的特征集合（某個英文詞語出現與否）的交集極少，這導致原有的相似度計算方式在跨語言時失效了。
那麼這個問題怎麼解決呢？
對於跨語言，我們自然而然想到的一種方式就是：翻譯。我們可以通過翻譯的方式把一個語言的詞語映射到另一語言上，從而讓query和文檔處於同一個特征空間中，然後再利用單語下的檢索模型進行檢索和排序，這樣就可以實現跨語言檢索了。
Query翻譯——把query翻譯到文檔的語言下，然後用這些翻譯後的query在文檔中進行檢索。對於query中的詞語，我們可以選擇若干可能的翻譯，用於擴大召回。這可以看作是一種query擴展。
文檔翻譯——把文檔翻譯到query的語言下，然後用原有query對翻譯的文檔進行檢索。文檔的翻譯一般是在線下進行的。一篇源語言的文檔通過自動的翻譯（如機器翻譯）變換成一篇目標語言下的文檔。
這兩種方式都是可以達到跨語言檢索目的的，我們在實踐中應該采用哪種方式呢？下面我們分析一下這兩種方式的優劣：
從上述優劣比較中我們可以看出，文檔翻譯雖然可能提供更准確的翻譯，但它需要更多的線下處理時間，需要更多的存儲空間，實用性較差。鑒於此，無論是學術界還是工業界，一般采用的都是Query翻譯的方式。
1