信息检索中效率的研究.ppt

信息检索中效率问题的研究
报告人：赵江华
网络与分布式系统实验室
2002年4月21日
1
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。
2
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。
3
信息检索(IR)的基本概念（三）
信息检索系统的组成部分：
4
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。
5
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。
6
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。
7
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。
8
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。
9
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。
10