search花絮之关系运算命令

 

最近忙于一个搜索项目，忙里偷闲，记下其中的一个花絮。

在检索式中，有一种关系运算的命令需要解析，以备检索之用。如：

 

                     WordA  5W  WordB

这表示WordA和WordB之间可以出现0到5个任意词汇，且WordA和WordB的顺序不能改变。而“5W”，就是一个关系运算的命令。

所有的关系运算命令用正则表达式来表达，就是：

 

︹(=|ε)[0-9]?[0-9]?(D|W) ︹

其中︹为空格，强制如此是为消除词法歧义。这个正则表达式用NFA表达很自然的就是：

 

                            F( 1, ︹) = 2

                            F( 2, =) = 3

                            F(2, ε) = 3

                            F(3, [0-9]) = 4

                            F(3, ε) = 5

                            F(4, [0-9]) = 5

                            F(4, ε) = 5

                            F(5, D) = 6

                            F(5, W) = 6

                            F(6, ︹) = 7

 

把NFA转化为等价的DFA，可以首先计算状态集合{1，2，3，4，5，6，7}的每个元素的closure集及新的边集（状态转换函数）。

 

                     Closure(1) = {1}

                     Closure(2) = {2,3,5}

                     Closure(3) = {3,5}

                     Closure(4) = {4,5}

                     Closure(5) = {5}

                     Closure(6) = {6}

                     Closure(7) = {7}

 

则等价的DFA可表示为：

 

                     F_d( {1},︹) = {2,3,5}

                     F_d( {2,3,5}, =) = {3,5}

                     F_d( {2,3,5}, [0-9]) = {4,5}

                     F_d( {2,3,5}, D|W ) = {6}

                     F_d( {3,5}, [0-9]) = {4,5}

                     F_d( {3,5}, D|W ) = {6}

                     F_d( {4,5}, [0-9]) = {5}

                     F_d( {4,5}, D|W ) = {6}

                     F_d( {5}, D|W ) = {6}

                     F_d( {6}, ︹) = {7}

 

在命令中，W表示前后词汇的顺序不变，D表示前后词汇的顺序可以交换。‘=’表示两词汇之间（必须）跨越n个词汇，n的值由数字来表达（若不存在则为0）。没有‘=’则表示可以跨越任意0到n个词汇。

 

这是正则表达式的一个简单应用。命令的识别算法由其DFA形式较容易实现。问题的难度在于，对于一个含有关系运算命令的词汇序列，如何进行有效的检索？这个算法才是很有意思的。

 

不过作为花絮，我所要提出的问题并不是这一个，事实上问题是：

词汇序列中的词汇支持模糊查询，例如lieve 可以匹配 +li??e+#，而不能匹配+li?? #e+#，这其中有三种模糊查询命令字符，‘+’表示任意0到n个字符，‘？’表示0或1个字符，‘#’表示1个字符。此时词汇的模糊查询与词序列的关系运算同时存在，如何设计高效率的检索算法？

 

       有时间不妨思考之^_^.