《文本检索的索引技术.ppt》由会员分享，可在线阅读，更多相关《文本检索的索引技术.ppt（22页珍藏版）》请在三一办公上搜索。
1、文本检索的索引技术,彭波2003-11-1,提纲,背景和概念文档分析索引创建索引查询相关资料,1。背景和概念索引作用,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系统文本检索记录文档doc，记录特征索引词(index terms),1。背景和概念索引形式,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 match倒排文件 inverted file 高效，支持多种检索模型倒排索引从index term快速查询到doc的索引结构Doc正常表示为index term
2、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,原始文档,倒排索引,倒排,2。文档分析原则,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部分索引title,abstract,keywords,etc（例如：北大图书馆的WebCat系统）全文索引文档中所有词都参与索引。(SE/IR普遍采用)索引词的选择原则Index term word理想：表达文档内容的语义单位字、词、短语（词汇词）中文分词,2。文档分析英文文本,Tokenize(Lexical grammar)问题：“c+”，R SE
3、为了支持精确查询，往往不使用后两种技术,2。文档分析中文文本,字符编码问题字符集：GB2312,GBK,BIG5,HZ UNICODE简、繁转换（乾杯，乾坤）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,中文分词歧义交集型：“部分居民生活水平”1分居、居民、民生、生活、组合型：“老人家”老人、老人家未登录词专有名词（人名、地名、机构名、译名、术语等）、新词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”2,2。文档分析中文文本混合索引,基本分词词典6万，选词较为严格统计识别的未登录词扩展词典统计方
4、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”这样三个单位建立。,3。倒排索引创建,基本思想：排序,文档分析,文本数据,排序,词典,倒排文件,term,ptr,term,ptr,Doc1,doc2,Doc1,doc2,先term,再docid,3。倒排索引创建算法优化,Term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,l
5、iberal,liberalist)散列表(MPH,无冲突散列）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。数据压缩,3。倒排索引创建两趟算法,主词典,倒排文件,倒排文件,倒排文件,主 倒排 文件,3。倒排索引创建两趟算法,Two-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
6、。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。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)上，使用压缩。,3。倒排索引创建整数压缩,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1,3,7,11,13,14 1,2,4,4,2,1编码方案 系列、golomb系列、bytecode,4。索引查询,北京,词典,倒排文件
7、,大学,北京大学,文档属性,4。索引查询,布尔查询北京 AND 大学VSM rank查询相关度用文档相似度来计算Similarity(Q,D)=COS(Q,D),4。索引查询,VSM rank查询Document-level索引：增加文档属性数据库：|D|短语、临近查询例如：“北京 网易”，“北京大学”Word-level索引：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，索引的随机访问加入同步点更多的IO次数，减少数据传输总量折衷：控制block大小参数有待进一步工作参考Justin Zobel,Ian Witten,Alistair moffat等人一系列的paper,5。其它问题,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。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,谢谢!,
