变长索引压缩VariableLengthIndexCompression.ppt

信息检索中效率问题的研究 报告人：赵江华 北京大学计算机科学与技术系 网络与分布式系统实验室 2002年4月21日 信息检索(IR)的基本概念（一） 信息检索和数据库管理系统(DBMS）的区别： DBMS处理对象是结构化数据，IR处理大量的非结构化数据。 DBMS只是管理数据，IR要管理数据的内容——内容管理（content management）。 DBMS的每次事务的结果是确定的，IR系统的任务是找到用户需要的信息，其结果是不精确的。 信息检索(IR)的基本概念（二） 信息检索的两大问题：效率(efficiency)、效果（effectiveness）。 效果指标：查准率(precision)和查全率（recall）。 效率指标：响应时间(response time)和吞吐量（throughput）。 文本信息检索效果的提高依赖于自然语言处理(NLP)；信息的指数增长使得检索效率也成为不可忽略的问题。 信息检索(IR)的基本概念（三） 信息检索系统的组成部分： 信息检索(IR)的基本概念（四） 基本用户查询(query): 逻辑操作(AND,OR,NOT)。 位置邻近查找(Proximity Search),短语查找(Phrase Search)。 对原始信息创建索引加快检索速度： Inverted file , signature file等。 倒排文件是最广泛使用的技术，它组织结构灵活，可以满足多种查询方式。 对文档的预处理 在英语等语言中做“stem”,索引单词的“主干”。—— 可以提高查全率，降低查准率。 汉字之间没有空格，可以对汉字字符索引，也可以索引做切词处理后的词组。 现代汉语中大部分是两个字的词组，单个的字符表示的意义很不确定，所以对词组建索引可以提高查询的效果。切词对查询效率也有重大影响。 倒排文件的组织 将文档分割成独立的单词项(term),按单词项索引形成倒排文件。 单词tj对应的posting lists是{( di , fi, a*)+( di+k , fi+k, a*)+…}，fi表示tj在di的出现次数，也是后面a的数量。这是倒排文件的全文本索引(full-text inverted file)形式,它记录了每次出现的位置等信息，要占用较多的存储空间。如果去掉位置信息，仅可以支持逻辑查询形式。 词典的组织（一） 索引单词项的集合构成词典，系统通过查找词典定位该单词对应的posting lists，这是从单词到指针的映射。有两种词典的组织方式： 直接用B+树等方式组织单词的字符串。 用哈希（hash）的方式——速度更快，可以将所有单词装入内存中。 词典的组织（二） “天网”中用哈希的方法实现从单词字符串到单词标识(TermID，整数)的转换，单词的标志是在每次创建索引是赋予的（不是固定的），所有单词的标志是从零开始的连续整数。 如果维护一个全局稳定的词典（固定单词的标识，便于维护），系统的TermID可能成为稀疏的整数，可以组织成B+树实现从TermID到指针的映射。 数据组织（一） 倒排文件中单词对应的posting lists部分必须存储在磁盘中，不同单词的posting lists 长度差别很大，可以区别对待。 存储管理的方法在DBMS已经有深入研究。在倒排文件中，每个单词的posting lists的访问模式是顺序扫描（sequential scanning） ，作为一个对象看待最合适。关系数据库管理系统（RDBMS）用于倒排文件的缺点是不太灵活，而且SQL语句的开销比较大。 数据组织（二） 面向对象的概念更能简洁地描述倒排文件的结构，采用面向对象数据库系统（OODBS）是更好的选择。下面是两个被一些IR系统使用的例子： 用持久对象存储（Persistent Object Store）Mneme管理倒排文件，Mneme不但提供基于对象的数据缓存和良好的磁盘空间分配策略，还可以用它高度的可扩展性，根据数据的特性定制存储。 ObjectStore是商业上最成功的面向对象数据库系统之一，它用内存映射技术实现持久对象存储，和程序语言（C,C++,JAVA）完全集成，既有程序设计语言的灵活，又可以高效的存储数据，是另一个很好的索引管理工具。 数据组织（三） “天网”中用多个文件实现倒排文件的存储，优点是实现简单，可以利用文件的缓存机制，缺点是灵活性差，效率也有所损失。 嵌入式数据库系统Berkeley Database（Berkeley DB）,是一个开放源代码产品，它提供简单高效的功能（三种访问方法 B+tree, hash, recno ），实现key/value的存取，这已完全能满足索引管理的需求，可以替代OODBS（在WebBas