2020-09-11 分類: 網(wǎng)站建設(shè)
索引其實(shí)在日常生活中是很常見的,比如書籍的目錄就是一種索引結(jié)構(gòu),目的是為了讓人們能夠更快地找到相關(guān)章節(jié)內(nèi)容。再比如像hao123這種類型的導(dǎo)航網(wǎng)站本質(zhì)上也是互聯(lián)網(wǎng)頁面中的索引結(jié)構(gòu),目的類似,也是為了讓用戶能夠盡快找到有價(jià)值的分類網(wǎng)站。
在計(jì)算機(jī)科學(xué)領(lǐng)域,索引也是非常常用的數(shù)據(jù)結(jié)構(gòu)。其根本目的是為了在具體應(yīng)用中加快查找速度。比如在數(shù)據(jù)庫中,在很多高效數(shù)據(jù)結(jié)構(gòu)中,都會(huì)大量采用索引來提升系統(tǒng)效率。
具體到搜索引擎,索引更是其中最重要的核心技術(shù)之一,面對海量的網(wǎng)頁內(nèi)容,如何快速找到包含用戶查詢詞的所有網(wǎng)頁?倒排索引在其中扮演了關(guān)鍵的角色。本文主要講解與倒排索引相關(guān)的技術(shù)。
本文通過引入簡單實(shí)例,介紹與搜索引擎有關(guān)的一些基本概念,了解這些基本概念對于以后深入了解索引的工作機(jī)制非常重要。
單詞-文檔矩陣
單詞-文檔矩陣是表達(dá)兩者之間所具有的一種包含關(guān)系的概念模型,圖1展示了其含義,圖1中的每列代表一個(gè)文檔,每行代表一個(gè)單詞,打?qū)吹奈恢么戆P(guān)系。
圖1:單詞-文檔矩陣
從縱向即文檔這個(gè)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,而不包含其他單詞。從橫向即單詞這個(gè)維度來看,每行代表了哪些文檔包含了某個(gè)單詞。比如對于詞匯1來說,文檔1和文檔4中出現(xiàn)過詞匯1,而其他文檔不包含詞匯1,矩陣中其他的行列也可做此種解讀。
搜索引擎的索引其實(shí)就是實(shí)現(xiàn)單詞-文檔矩陣的具體數(shù)據(jù)結(jié)構(gòu)??梢杂胁煌姆绞絹韺?shí)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(xiàng)試驗(yàn)數(shù)據(jù)表明,倒排索引是單詞到文檔映射關(guān)系的好實(shí)現(xiàn)方式,所以本文主要介紹倒排索引的技術(shù)細(xì)節(jié)。
倒排索引基本概念
在這里向大家解釋倒排索引常用的一些專用術(shù)語
文檔: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(gè)概念要更寬泛些,代表以文本形式存在的存儲(chǔ)對象。相比網(wǎng)頁來說,涵蓋更多形式,比如Word、PDF、XML等不同格式的文件都可以稱為文檔,再比如一封郵件、一條短信、一條微博也可以稱為文檔。
文檔集合:由若干文檔構(gòu)成的集合稱為文檔集合。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(hào):在搜索引擎內(nèi)部,會(huì)為文檔集合內(nèi)每個(gè)文檔賦予一個(gè)唯一的內(nèi)部編號(hào),以此編號(hào)來作為這個(gè)文檔的唯一標(biāo)識(shí),這樣方便內(nèi)部處理。每個(gè)文檔的內(nèi)部編號(hào)即稱為文檔編號(hào)。
單詞編號(hào):與文檔編號(hào)類似,搜索引擎內(nèi)部以唯一的編號(hào)來表征某個(gè)單詞,單詞編號(hào)可以作為某個(gè)單詞的唯一表征。
倒排索引:倒排索引是實(shí)現(xiàn)單詞-文檔矩陣的一種具體存儲(chǔ)形式。通過倒排索引,可以根據(jù)單詞快速獲取包含這個(gè)單詞的文檔列表。倒排索引主要由兩個(gè)部分組成:單詞詞典和倒排文件。
單詞詞典:搜索引擎通常的索引單位是單詞,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(xiàng)記載單詞本身的一些信息及指向倒排列表的指針。
倒排列表:倒排列表記載了出現(xiàn)某個(gè)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(gè)倒排項(xiàng)。根據(jù)倒排列表,即可獲知哪些文檔包含某個(gè)單詞。
倒排文件:所有單詞的倒排列表往往順序地存儲(chǔ)在磁盤的某個(gè)文件里,這個(gè)文件即被稱為倒排文件,倒排文件是存儲(chǔ)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2可以比較清晰地看出來。
圖2:倒排索引基本概念示意圖
倒排索引簡單實(shí)例
倒排索引從邏輯結(jié)構(gòu)和基本思路上講非常簡單。下面我們通過具體實(shí)例來進(jìn)行說明,使得大家能夠?qū)Φ古潘饕幸粋€(gè)宏觀而直接的感受。
假設(shè)文檔集合包含5個(gè)文檔,每個(gè)文檔包含內(nèi)容如下圖所示,在圖3中最左端一欄是每個(gè)文檔對應(yīng)的文檔編號(hào),我們的任務(wù)就是對這個(gè)文檔集合建立倒排索引。
圖3:文檔集合
中文和英文等語言不同,單詞之間沒有明確的分隔符號(hào),所以首先要用分詞系統(tǒng)將文檔自動(dòng)切分成單詞序列,這樣每個(gè)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(gè)不同的單詞賦予唯一的單詞編號(hào),同時(shí)記錄下哪些文檔包含這個(gè)單詞,在處理結(jié)束后,我們可以得到最簡單的倒排索引(參考圖4)。圖4中,“單詞ID”一列記錄了每個(gè)單詞對應(yīng)的編號(hào),第2列是對應(yīng)的單詞,第3列即每個(gè)單詞對應(yīng)的倒排列表。比如單詞“谷歌”,其中單詞編號(hào)為1,倒排列表為{1,2,3,4,5},說明文檔集合中每個(gè)文檔都包含了這個(gè)單詞。
之所以說圖4的倒排索引是最簡單的,是因?yàn)檫@個(gè)索引系統(tǒng)只記載了哪些文檔包含某個(gè)單詞,而事實(shí)上,索引系統(tǒng)還可以記錄除此之外的更多信息。圖5是一個(gè)相對復(fù)雜些的倒排索引,與圖4所示的基本索引系統(tǒng)相比,在單詞對應(yīng)的倒排列表中不僅記錄了文檔編號(hào),還記載了單詞頻率信息,即這個(gè)單詞在某個(gè)文檔中出現(xiàn)的次數(shù),之所以要記錄這個(gè)信息,是因?yàn)樵~頻信息在搜索結(jié)果排序時(shí),計(jì)算查詢和文檔相似度是一個(gè)很重要的計(jì)算因子,所以將其記錄在倒排列表中,以方便后續(xù)排序時(shí)進(jìn)行分值計(jì)算。在圖5所示的例子里,單詞“創(chuàng)始人”的單詞編號(hào)為7,對應(yīng)的倒排列表內(nèi)容有(3;1),其中3代表文檔編號(hào)為3的文檔包含這個(gè)單詞,數(shù)字1代表詞頻信息,即這個(gè)單詞在3號(hào)文檔中只出現(xiàn)過1次,其他單詞對應(yīng)的倒排列表所代表的含義與此相同。
圖4:最簡單的倒排索引
圖5:帶有單詞頻率信息的倒排索引
實(shí)用的倒排索引還可以記載更多的信息,圖6所示的索引系統(tǒng)除了記錄文檔編號(hào)和單詞詞頻信息外,額外記載了兩類信息,即每個(gè)單詞對應(yīng)的文檔頻率信息(圖6的第3列)及單詞在某個(gè)文檔出現(xiàn)位置的信息。
圖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(gè)文檔包含某個(gè)單詞,之所以要記錄這個(gè)信息,其原因與單詞頻率信息一樣,這個(gè)信息在搜索結(jié)果排序計(jì)算中是一個(gè)非常重要的因子。而單詞在某個(gè)文檔中出現(xiàn)位置的信息并非索引系統(tǒng)一定要記錄的,在實(shí)際的索引系統(tǒng)里可以包含,也可以選擇不包含這個(gè)信息,之所以如此是因?yàn)檫@個(gè)信息對于搜索系統(tǒng)來說并非必要,位置信息只有在支持短語查詢的時(shí)候才能夠派上用場。
以單詞“拉斯”為例,其單詞編號(hào)為8,文檔頻率為2,代表整個(gè)文檔集合中有兩個(gè)文檔包含這個(gè)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(gè)單詞,單詞頻率都為1,單詞“拉斯”在這兩個(gè)文檔中的出現(xiàn)位置都是4,即文檔中第4個(gè)單詞是“拉斯”。
圖6所示的倒排索引已經(jīng)是一個(gè)非常完備的索引系統(tǒng),實(shí)際搜索引擎的索引結(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(shí)現(xiàn)上述邏輯結(jié)構(gòu)。
有了這個(gè)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,從中可用讀出包含這個(gè)單詞的文檔,這些文檔就是提供給用戶的搜索結(jié)果,而利用單詞詞頻信息、文檔頻率信息即可對這些候選搜索結(jié)果進(jìn)行排序,計(jì)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。
網(wǎng)站名稱:搜索引擎索引的這些概念,你應(yīng)該知道
網(wǎng)頁URL:http://m.rwnh.cn/news39/86189.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián),為您提供ChatGPT、網(wǎng)站維護(hù)、移動(dòng)網(wǎng)站建設(shè)、定制開發(fā)、網(wǎng)頁設(shè)計(jì)公司、網(wǎng)站策劃
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主,如果涉及侵權(quán)請盡快告知,我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場,如需處理請聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時(shí)需注明來源: 創(chuàng)新互聯(lián)
猜你還喜歡下面的內(nèi)容