1、文本检索的索引技术文本检索的索引技术彭波2003-11-1提纲提纲l背景和概念l文档分析l索引创建l索引查询l相关资料1。背景和概念索引作用。背景和概念索引作用l索引?提供从记录的特征快速查询到记录的数据结构(B树、散列表、位图索引等）数据库，文档数据库，SE/IR系统l文本检索记录文档doc，记录特征索引词(index terms)数据库结构化，查询和事务型更新文档数据库非结构化，查询和事务型更新SE/IR系统非结构化，查询1。背景和概念索引形式。背景和概念索引形式l文本检索常见索引方式Brute-force检索 grep签名文件 signature file hash签名,false ma
2、tch倒排文件 inverted file 高效，支持多种检索模型l倒排索引从index term快速查询到doc的索引结构Doc正常表示为index term的集合，建立索引是把每个index term表示为其出现的doc的集合，这个过程称为inversion，即倒排。1。背景和概念倒排。背景和概念倒排文档内容Doc1.北京大学计算机系.Doc2.北京大学主页.Doc3计算机的发展。索引词索引项(posting list)北京大学。计算机。原始文档倒排索引倒排2。文档分析原则。文档分析原则l索引词的选择范围人工索引质量高，但不适用大规模文档数据处理自动索引l部分索引title,abstrac
3、t,keywords,etc（例如：北大图书馆的WebCat系统）l全文索引文档中所有词都参与索引。(SE/IR普遍采用)l索引词的选择原则Index term wordl理想：表达文档内容的语义单位l字、词、短语（词汇词）l中文分词2。文档分析英文文本。文档分析英文文本lTokenize(Lexical grammar)问题：“c+”，R&B，U.S.，a.out没有被识别问题：数字长度、词长度词规模lLemertization(曲折词形合并)He,him-he;is,are,was -belStemmer(取词根）Stemmer-stem;lSE为了支持精确查询，往往不使用后两种技术A-Z
4、A-Z+return UPWORD;a-zA-Z0-9+return WORD;A-ZA-Z+()?s)?return ACRONYM2;a-zA-Z0-9+a-zA-Z+return CONTRACTION;A-Z.(A-Z.)+return ACRONYM;2。文档分析中文文本。文档分析中文文本l字符编码问题字符集：GB2312,GBK,BIG5,HZ UNICODE简、繁转换（乾杯，乾坤）l分词问题词？：语法词、词汇词表达确定的意义（鱼）、非组合性（多媒体）、互译检查（dioxide 二氧化物）2。文档分析中文文本分词。文档分析中文文本分词l中文分词歧义交集型：“部分居民生活水平”1l分
5、居、居民、民生、生活、组合型：“老人家”l老人、老人家l未登录词专有名词（人名、地名、机构名、译名、术语等）、新词l对大规模中文信息处理，“词典规模是制约分词精度的主要因素”22。文档分析中文文本混合索引。文档分析中文文本混合索引l基本分词词典6万，选词较为严格l统计识别的未登录词扩展词典统计方法，精度不高如果加入到基本分词词典中，带来大量组合型歧义问题，不能正确处理。-混合索引l混合索引基本词典：“北京”“大学”，无“北京大学”；扩展词典：有“北京大学”文档中的“北京大学”，基本分词分为“北京”“大学”，扩展词典基础上在分为“北京大学”，索引按“北京”“大学”，“/2北京大学”这样三个单位建
6、立。3。倒排索引创建。倒排索引创建l基本思想：排序文档分析文本数据排序词典倒排文件term,ptrterm,ptrDoc1,doc2Doc1,doc2先term,再docid3。倒排索引创建算法优化。倒排索引创建算法优化lTerm编码（词典组织）每个term用整数编码，减小存储空间英文前缀编码(liber,liberal,liberalist)散列表(MPH,无冲突散列）l减少磁盘的随机访问次数（大内存环境）在内存中排序，排序结果分批写入磁盘，最后合并。两趟算法，在内存中直接倒排，小倒排文件分批写入磁盘，最后多路合并。l数据压缩3。倒排索引创建两趟算法。倒排索引创建两趟算法词典词典词典主词典倒
7、排文件倒排文件倒排文件主 倒排 文件 3。倒排索引创建两趟算法。倒排索引创建两趟算法lTwo-pass索引创建1。Parsing,提取index term，统计df和tf，通过hash表转换为term id，生成词典文件(lexicon file)。2。按统计得到的index term的tf,df属性,可以估计出对应posting list长度，预申请空间。再次parsing文档集，在内存中执行倒排。结果保存到临时文件。3。对多次生成的临时倒排文件，多路合并，压缩输出，得到最终倒排文件。l效率：Parsing（包括中文分词）为主要时间开销。空间开销在临时文件(parsing结果，临时倒排文件)
8、上，使用压缩。3。倒排索引创建整数压缩。倒排索引创建整数压缩l整数压缩的整数序列压缩存贮。压缩的基本思想：高频使用较短的位表示，低频使用较长的位表示（Huffman编码）频率分布模式与编码有序整数序列，记录距离，改变频率分布模式，以提高压缩比l1,3,7,11,13,14 1,2,4,4,2,1编码方案l 系列、golomb系列、bytecode4。索引查询。索引查询北京词典倒排文件大学 北京大学 文档属性4。索引查询。索引查询l布尔查询北京 AND 大学lVSM rank查询相关度用文档相似度来计算Similarity(Q,D)=COS(Q,D)QttddqdqQttddqQttqtddft
9、NfWWWWidfidffWWWWDQCos2,)log(*1*1*),(4。索引查询。索引查询lVSM rank查询Document-level索引：增加文档属性数据库：|D|l短语、临近查询例如：“北京 网易”，“北京大学”Word-level索引：docid,F(d,t),l结构查询例如：“北京大学 IN TITLE”在loc数据中用位标识记录 .VS.在word-level index基础上使用text interval 4。索引查询效率问题。索引查询效率问题l索引压缩减少磁盘io时间，增加cpu处理索引项的时间折衷：使用Byte code，l索引的随机访问加入同步点更多的IO次数，减
10、少数据传输总量折衷：控制block大小参数l有待进一步工作参考Justin Zobel,Ian Witten,Alistair moffat等人一系列的paper5。其它问题。其它问题l倒排索引更新查询和更新效率postinglist连续存储查询效率高，更新难postinglist分块链表存储查询效率低，更新易成批更新，删除使用结果过滤。l分布式结构按文档划分.vs.按索引词划分按文档划分，各个节点间在查询过程中相互无需数据通信，扩展性好。5。相关资料。相关资料lhttp:/www.stanford.edu/class/cs276a/lhttp:/www.cs.mu.oz.au/mg/谢谢谢谢!
