1.單詞——文檔矩陣

?????? 單詞-文檔矩陣是表達兩者之間所具有的一種包含關(guān)系的概念模型，圖3-1展示了其含義。圖3-1的每列代表一個文檔，每行代表一個單詞，打?qū)吹奈恢么戆P(guān)系。

???????????????????????????

????????????????????????? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ? ? 圖3-1 單詞-文檔矩陣

????? 從縱向即文檔這個維度來看，每列代表文檔包含了哪些單詞，比如文檔1包含了詞匯1和詞匯4，而不包含其它單詞。從橫向即單詞這個維度來看，每行代表了哪些文檔包含了某個單詞。比如對于詞匯1來說，文檔1和文檔4中出現(xiàn)過單詞1，而其它文檔不包含詞匯1。矩陣中其它的行列也可作此種解讀。

???? 搜索引擎的索引其實就是實現(xiàn)“單詞-文檔矩陣”的具體數(shù)據(jù)結(jié)構(gòu)。可以有不同的方式來實現(xiàn)上述概念模型，比如“倒排索引”、“簽名文件”、“后綴樹”等方式。但是各項實驗數(shù)據(jù)表明，“倒排索引”是實現(xiàn)單詞到文檔映射關(guān)系的最佳實現(xiàn)方式，所以本章主要介紹“倒排索引”的技術(shù)細節(jié)。

?

2.倒排索引基本概念

???????文檔(Document)：一般搜索引擎的處理對象是互聯(lián)網(wǎng)網(wǎng)頁，而文檔這個概念要更寬泛些，代表以文本形式存在的存儲對象，相比網(wǎng)頁來說，涵蓋更多種形式，比如Word，PDF，html，XML等不同格式的文件都可以稱之為文檔。再比如一封郵件，一條短信，一條微博也可以稱之為文檔。在本書后續(xù)內(nèi)容，很多情況下會使用文檔來表征文本信息。

???????文檔集合(Document Collection)：由若干文檔構(gòu)成的集合稱之為文檔集合。比如海量的互聯(lián)網(wǎng)網(wǎng)頁或者說大量的電子郵件都是文檔集合的具體例子。

???????文檔編號(Document ID)：在搜索引擎內(nèi)部，會將文檔集合內(nèi)每個文檔賦予一個唯一的內(nèi)部編號，以此編號來作為這個文檔的唯一標識，這樣方便內(nèi)部處理，每個文檔的內(nèi)部編號即稱之為“文檔編號”，后文有時會用DocID來便捷地代表文檔編號。

?????? 單詞編號(Word ID)：與文檔編號類似，搜索引擎內(nèi)部以唯一的編號來表征某個單詞，單詞編號可以作為某個單詞的唯一表征。

???????倒排索引(Inverted Index)：倒排索引是實現(xiàn)“單詞-文檔矩陣”的一種具體存儲形式，通過倒排索引，可以根據(jù)單詞快速獲取包含這個單詞的文檔列表。倒排索引主要由兩個部分組成：“單詞詞典”和“倒排文件”。

???????單詞詞典(Lexicon)：搜索引擎的通常索引單位是單詞，單詞詞典是由文檔集合中出現(xiàn)過的所有單詞構(gòu)成的字符串集合，單詞詞典內(nèi)每條索引項記載單詞本身的一些信息以及指向“倒排列表”的指針。

??????倒排列表(PostingList)：倒排列表記載了出現(xiàn)過某個單詞的所有文檔的文檔列表及單詞在該文檔中出現(xiàn)的位置信息，每條記錄稱為一個倒排項(Posting)。根據(jù)倒排列表，即可獲知哪些文檔包含某個單詞。

??????倒排文件(Inverted File)：所有單詞的倒排列表往往順序地存儲在磁盤的某個文件里，這個文件即被稱之為倒排文件，倒排文件是存儲倒排索引的物理文件。

???? 關(guān)于這些概念之間的關(guān)系，通過圖3-2可以比較清晰的看出來。

???????????????????? ????????????????????

?

????????????????? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 圖3-2 倒排索引基本概念示意圖

?

3.倒排索引簡單實例

????? 倒排索引從邏輯結(jié)構(gòu)和基本思路上來講非常簡單。下面我們通過具體實例來進行說明，使得讀者能夠?qū)Φ古潘饕幸粋€宏觀而直接的感受。

????? 假設(shè)文檔集合包含五個文檔，每個文檔內(nèi)容如圖3-3所示，在圖中最左端一欄是每個文檔對應(yīng)的文檔編號。我們的任務(wù)就是對這個文檔集合建立倒排索引。

??????????????????????????

?????????????????????????? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ? ?? 圖3-3 文檔集合

?

??? 中文和英文等語言不同，單詞之間沒有明確分隔符號，所以首先要用分詞系統(tǒng)將文檔自動切分成單詞序列。這樣每個文檔就轉(zhuǎn)換為由單詞序列構(gòu)成的數(shù)據(jù)流，為了系統(tǒng)后續(xù)處理方便，需要對每個不同的單詞賦予唯一的單詞編號，同時記錄下哪些文檔包含這個單詞，在如此處理結(jié)束后，我們可以得到最簡單的倒排索引（參考圖3-4）。在圖3-4中，“單詞ID”一欄記錄了每個單詞的單詞編號，第二欄是對應(yīng)的單詞，第三欄即每個單詞對應(yīng)的倒排列表。比如單詞“谷歌”，其單詞編號為1，倒排列表為{1,2,3,4,5}，說明文檔集合中每個文檔都包含了這個單詞。

????????

????????????????????????????? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? 圖3-4 簡單的倒排索引

????? 之所以說圖3-4所示倒排索引是最簡單的，是因為這個索引系統(tǒng)只記載了哪些文檔包含某個單詞，而事實上，索引系統(tǒng)還可以記錄除此之外的更多信息。圖3-5是一個相對復(fù)雜些的倒排索引，與圖3-4的基本索引系統(tǒng)比，在單詞對應(yīng)的倒排列表中不僅記錄了文檔編號，還記載了單詞頻率信息（TF），即這個單詞在某個文檔中的出現(xiàn)次數(shù)，之所以要記錄這個信息，是因為詞頻信息在搜索結(jié)果排序時，計算查詢和文檔相似度是很重要的一個計算因子，所以將其記錄在倒排列表中，以方便后續(xù)排序時進行分值計算。在圖3-5的例子里，單詞“創(chuàng)始人”的單詞編號為7，對應(yīng)的倒排列表內(nèi)容為：（3:1），其中的3代表文檔編號為3的文檔包含這個單詞，數(shù)字1代表詞頻信息，即這個單詞在3號文檔中只出現(xiàn)過1次，其它單詞對應(yīng)的倒排列表所代表含義與此相同。

?? ? ? ? ? ?? ???

???????????????????????????????????????????? ? ? ? ? ? ? ? ? ?? 圖3-5 帶有單詞頻率信息的倒排索引

???? 實用的倒排索引還可以記載更多的信息，圖3-6所示索引系統(tǒng)除了記錄文檔編號和單詞頻率信息外，額外記載了兩類信息，即每個單詞對應(yīng)的“文檔頻率信息”（對應(yīng)圖3-6的第三欄）以及在倒排列表中記錄單詞在某個文檔出現(xiàn)的位置信息。

????? ??????????????????? ???????????? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ? ? 圖3-6 帶有單詞頻率、文檔頻率和出現(xiàn)位置信息的倒排索引

?

???? “文檔頻率信息”代表了在文檔集合中有多少個文檔包含某個單詞，之所以要記錄這個信息，其原因與單詞頻率信息一樣，這個信息在搜索結(jié)果排序計算中是非常重要的一個因子。而單詞在某個文檔中出現(xiàn)的位置信息并非索引系統(tǒng)一定要記錄的，在實際的索引系統(tǒng)里可以包含，也可以選擇不包含這個信息，之所以如此，因為這個信息對于搜索系統(tǒng)來說并非必需的，位置信息只有在支持“短語查詢”的時候才能夠派上用場。

???? 以單詞“拉斯”為例，其單詞編號為8，文檔頻率為2，代表整個文檔集合中有兩個文檔包含這個單詞，對應(yīng)的倒排列表為：{(3;1;<4>)，(5;1;<4>)},其含義為在文檔3和文檔5出現(xiàn)過這個單詞，單詞頻率都為1，單詞“拉斯”在兩個文檔中的出現(xiàn)位置都是4，即文檔中第四個單詞是“拉斯”。

???? 圖3-6所示倒排索引已經(jīng)是一個非常完備的索引系統(tǒng)，實際搜索系統(tǒng)的索引結(jié)構(gòu)基本如此，區(qū)別無非是采取哪些具體的數(shù)據(jù)結(jié)構(gòu)來實現(xiàn)上述邏輯結(jié)構(gòu)。

???? 有了這個索引系統(tǒng)，搜索引擎可以很方便地響應(yīng)用戶的查詢，比如用戶輸入查詢詞“Facebook”，搜索系統(tǒng)查找倒排索引，從中可以讀出包含這個單詞的文檔，這些文檔就是提供給用戶的搜索結(jié)果，而利用單詞頻率信息、文檔頻率信息即可以對這些候選搜索結(jié)果進行排序，計算文檔和查詢的相似性，按照相似性得分由高到低排序輸出，此即為搜索系統(tǒng)的部分內(nèi)部流程，具體實現(xiàn)方案本書第五章會做詳細描述。

4. 單詞詞典

?????? 單詞詞典是倒排索引中非常重要的組成部分，它用來維護文檔集合中出現(xiàn)過的所有單詞的相關(guān)信息，同時用來記載某個單詞對應(yīng)的倒排列表在倒排文件中的位置信息。在支持搜索時，根據(jù)用戶的查詢詞，去單詞詞典里查詢，就能夠獲得相應(yīng)的倒排列表，并以此作為后續(xù)排序的基礎(chǔ)。
?????? 對于一個規(guī)模很大的文檔集合來說，可能包含幾十萬甚至上百萬的不同單詞，能否快速定位某個單詞，這直接影響搜索時的響應(yīng)速度，所以需要高效的數(shù)據(jù)結(jié)構(gòu)來對單詞詞典進行構(gòu)建和查找，常用的數(shù)據(jù)結(jié)構(gòu)包括哈希加鏈表結(jié)構(gòu)和樹形詞典結(jié)構(gòu)。
4.1?? 哈希加鏈表
?????? 圖1-7是這種詞典結(jié)構(gòu)的示意圖。這種詞典結(jié)構(gòu)主要由兩個部分構(gòu)成：

??????? 主體部分是哈希表，每個哈希表項保存一個指針，指針指向沖突鏈表，在沖突鏈表里，相同哈希值的單詞形成鏈表結(jié)構(gòu)。之所以會有沖突鏈表，是因為兩個不同單詞獲得相同的哈希值，如果是這樣，在哈希方法里被稱做是一次沖突，可以將相同哈希值的單詞存儲在鏈表里，以供后續(xù)查找。
???????????????????????

??????????????????????? 圖1-7? 哈希加鏈表詞典結(jié)構(gòu)
?????? 在建立索引的過程中，詞典結(jié)構(gòu)也會相應(yīng)地被構(gòu)建出來。比如在解析一個新文檔的時候，對于某個在文檔中出現(xiàn)的單詞T，首先利用哈希函數(shù)獲得其哈希值，之后根據(jù)哈希值對應(yīng)的哈希表項讀取其中保存的指針，就找到了對應(yīng)的沖突鏈表。如果沖突鏈表里已經(jīng)存在這個單詞，說明單詞在之前解析的文檔里已經(jīng)出現(xiàn)過。如果在沖突鏈表里沒有發(fā)現(xiàn)這個單詞，說明該單詞是首次碰到，則將其加入沖突鏈表里。通過這種方式，當文檔集合內(nèi)所有文檔解析完畢時，相應(yīng)的詞典結(jié)構(gòu)也就建立起來了。

??????? 在響應(yīng)用戶查詢請求時，其過程與建立詞典類似，不同點在于即使詞典里沒出現(xiàn)過某個單詞，也不會添加到詞典內(nèi)。以圖1-7為例，假設(shè)用戶輸入的查詢請求為單詞3，對這個單詞進行哈希，定位到哈希表內(nèi)的2號槽，從其保留的指針可以獲得沖突鏈表，依次將單詞3和沖突鏈表內(nèi)的單詞比較，發(fā)現(xiàn)單詞3在沖突鏈表內(nèi)，于是找到這個單詞，之后可以讀出這個單詞對應(yīng)的倒排列表來進行后續(xù)的工作，如果沒有找到這個單詞，說明文檔集合內(nèi)沒有任何文檔包含單詞，則搜索結(jié)果為空。

4.2?? 樹形結(jié)構(gòu)
?????? B樹（或者B+樹）是另外一種高效查找結(jié)構(gòu)，圖1-8是一個 B樹結(jié)構(gòu)示意圖。B樹與哈希方式查找不同，需要字典項能夠按照大小排序（數(shù)字或者字符序），而哈希方式則無須數(shù)據(jù)滿足此項要求。
?????? B樹形成了層級查找結(jié)構(gòu)，中間節(jié)點用于指出一定順序范圍的詞典項目存儲在哪個子樹中，起到根據(jù)詞典項比較大小進行導(dǎo)航的作用，最底層的葉子節(jié)點存儲單詞的地址信息，根據(jù)這個地址就可以提取出單詞字符串。
??????????????????
?????????????????????????????????????????? 圖1-8? B樹查找結(jié)構(gòu)?

參考文獻：?

《這就是搜索引擎:核心技術(shù)詳解》第三章

from:?http://blog.csdn.net/hguisu/article/details/7962350

總結(jié)

以上是生活随笔為你收集整理的搜索引擎-倒排索引基础知识的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。