文本检索的索引技术.pptVIP

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 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++”，RB，U.S.，a.out没有被识别 问题：数字长度、词长度?词规模 Lemertization (曲折词形合并) He,him -he ; is, are,was -be Stemmer (取词根） Stemmer -stem ; SE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 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,liberal,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） termid,docid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 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。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 docid,…..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 γ 系列、golomb系列、bytecode 4。索引查询 4。索引查询 布尔查询 北京 AND 大学