信息检索中效率问题的研究ppt课件.ppt

信息检索中效率问题的研究*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(contentmanagement)。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(responsetime)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(ProximitySearch),短语查找(PhraseSearch)。对原始信息创建索引加快检索速度:Invertedfile,signaturefile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postinglists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-textinvertedfile)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postinglists,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postinglists部分必须存储在磁盘中,不同单词的postinglists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postinglists的访问模式是顺序扫描(sequentialscanning),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。*