信息索引导论学习笔记（1）——布尔检索

信息检索

信息检索（Information Retrieval，简称IR）：从大规模非结构化数据(通常是文本)的集合（通常保存在计算机上）中找出满足用户信息需求的资料（通常是文档）的过程

信息检索按照规模分类：

以web搜索为代表的大规模级别
小规模级别，典型示例为个人信息检索
中等规模级别，面向企业、机构和特定领域的搜索

倒排索引

顺序扫描：这种线性扫描就是一种最简单的计算机文档检索方式。这个过程通常称为grepping，它来自于Unix下的一个文本扫描命令grep。

顺序扫描无法满足的几种情况：

大规模文档集条件下的快速查找。
更灵活的匹配方式。比如grep命令下不能支持诸如Romans NEAR countrymen之类的查询
需要对结果进行排序
词项-文档的关联矩阵



词项-文档的关联矩阵，其中每一行代表一个词，每列表示一个剧本。当词t在剧本d中存在时，矩阵元素(t, d)的值为1,否则为0

为想要查询 Brutus AND Caesar AND NOT Calpurnia，我们分别取出 Brutus，Caesar及Calpurnia对应的行向量，并对Calpurnia对应的向量求反，然后进行基于位的与操作，得到：
110100 AND 110111 AND 101111 = 100100

词项-文档（term-doc）的关联矩阵具有高度稀疏性，仅仅保存非零的位置明显更好

倒排索引的构建

对每个词项t，记录所有包含t的文档，建立词条序列<词条，docID>二元组
对词项、文档排序。按词项排序，然后每个词项按docID排序
合并词项，并记录词项的文档频率df（对每个词项t，记录所有包含t的文档数目）

布尔查询处理

and查询处理

比如说，我们要寻找既包含字符串“Brutus”又包含字符串“Calpurnia”的文档，我们可以采用归并的方法（类似于归并排序中的merge操作），进行如下几步：

取出包含字符串“Brutus”的倒排记录表
取出包含字符串“Calpurnia”的倒排记录表
通过合并两个倒排记录表，找出既包含“Brutus”又包含“Calpurnia”的文档



利用归并的算法，可以在O(n)的时间复杂度求出交集，书上用链表，我为了方便，直接用数组了

#include <stdio.h>

int main(void)
{
int arr1[7] = {1, 2, 4, 11, 31, 45, 173}; /*Brutus文档集合*/
int arr2[4] = {2, 31, 54, 101}; /*Calpurnia文档集合*/
int result[7] = {0}; /*交集集合*/
int i, j, k, len1, len2;

/*变量初始化*/
len1 = sizeof(arr1) / sizeof(int);
len2 = sizeof(arr2) / sizeof(int);

/*归并算法*/
for (i = j = k = 0; i < len1 && j < len2;) {
if (arr1[i] == arr2[j]) {
result[k] = arr1[i];
i ++;
j ++;
k ++;
} else if (arr1[i] < arr2[j]) {
i ++;
} else if(arr1[i] > arr2[j]) {
j ++;
}
}

/*打印输出*/
for (i = 0; i < k; i ++) {
printf("%d ", result[i]);
}
printf("\n");

return 0;
}

通用的查询优化策略（词典中保存文档频率df的一个充分理由）

（madding OR crowd） AND （ignoble OR strife） AND （killed OR slain）

每个布尔表达式都能转换成上述形式(合取范式)
获得每个词项的df
通过将词项的df相加，估计每个OR表达式对应的倒排记录表的大小
按照上述估计从小到大依次处理每个OR表达式

布尔逻辑转换（数学理论）

可以参考我之前写的一篇博客：http://blog.csdn.net/zinss26914/article/details/9056049

这种变换基于关于逻辑等价的规则：

双重否定律
德×摩根定律：非（P 且 Q） = （非P）  |  （非Q） 非（P 或 Q） = （非 P） 且 （非 Q）
分配律

参考链接

http://www.cnblogs.com/god_bless_you/archive/2012/08/10/2631975.html