倒排索引设计公开课PPT.pptx

倒排索引设计 吴凯 2012年6月2日 信息源\网页集合 Query 检索 候选信息\ 页面 相关性排序 结果 关键词\Query 基本思路 关键字匹配 好文档至少要包含query中的所有词 分词 清华大学邮编 分词 清华大学 邮编 ＋ 最初的思路 索引查询、归并 Term: 清华大学 倒排 索引 …… 索引归并 候选集 目标 生存 能够实现简单的倒排索引建立和检索 发展 针对高性能索引加载的设计 针对高性能索引归并的设计 针对索引压缩的设计 生存篇 第一步：建立词到文档位置的映射关系 … for (my $i = 0; $i $documentCount; ++$i) { my $document = ReadDocument($i); my $words = WordBreak($document); #分词 my $wordCount = $#$words + 1; for (my $j = 0; $j $wordCount; ++$j) { printf “%s\t%d\t%d\n”, $words-[$j], $i, $j; #建立映射 } } … 生存篇 第二步：按照词排序 LC_ALL=C sort -k1,1 -k2,2n -k3,3n 相同词的映射记录被调整到邻近行 相同词的记录，按照文档号从小到大排序 相同词对应的相同文档的记录，按照出现位置从小到大排序 Why? a 3 5 b 3 1 b 3 2 b 3 5 b 5 0 b 5 1 b 6 3 d 3 4 a 3 5 b 3 1 b 3 2 b 3 5 b 5 0 b 5 1 b 6 3 d 3 4 生存篇 第三步：归并 a 3 5 b 3 1 b 3 2 b 3 5 b 5 0 b 5 1 b 6 3 d 3 4 a 3:5 b 3:1,2,5 5:0,1 6:3 d 3:4 生存篇 第四步：加载索引检索 while (my $line = STDIN) { chomp($line); next unless (length($line) 0); my @fields = split(/\t/, $line); my @docs; for (my $i = 1; $i = $#fields; ++$i) { my %doc; my @cols = split(/:/, $fields[$i]); my @pos = split(/,/, $cols[1]); $doc{docId} = $cols[0]; $doc{pos} = \@pos; push(@docs, \%doc); } $index{$fields[0]} = \@docs; } my $info = $index{$term}; 加载 检索 生存篇 第四步：加载索引检索 $VAR1 = { a = [ { docId = 3, pos = [5 ] } ], b = [ { docId = 3, pos = [1, 2, 5] }, { docId = 5, pos = [0, 1] }, （续） { docId = 6, pos = [3] } ], d = [ { docId = 3, pos = [4] }