机器学习基础——倒排索引与搜索引擎

今天的文章，我们继续探讨搜索引擎，和大家聊聊搜索引擎最重要的一环——倒排索引。

在介绍倒排索引之前，我们先来看看什么是索引。索引是数据库当中的概念，维基百科中的说法是“数据库索引，是数据库管理系统中一个排序的数据结构，以协助快速查询、更新数据库表中数据”。可以简单地把索引当成是字典里的检索目录，我们比如我们要查一个叫“index”的单词，通过目录，可以快速地找到字母i开始的位置。索引也是一样，不过我们查找的不再是单词的首字母，而是数据。

在之前介绍搜索引擎的文章当中，我们曾经说过，搜索引擎的爬虫爬取到网页的文本信息之后，会先进行分词，再进行存储。也就是说存储的不是完整的文档，而是文档当中的关键词信息。显然，搜索引擎当中包含的网页数量极为庞大，为了保证效率，我们必须要使用索引。

我们将每个网页称作是一个文档（document），为它准备一个文档Id，然后通过链表将文档当中的关键词串联起来。那么这个数据结构应该变成下面这个样子。

在这张图里面，我们通过文档的ID去查询文档当中包含的关键词信息。我们先查到对应的文档，再去查其中的id，这是一个符合我们日常思维的查询，所以被认为是一个“正向查询”。因此，这个索引结构被称为正向索引</