信息检索（基础知识二）—— 布尔检索模型

---

（一）实现内容：

        1.参照课堂所讲示例，利用构建的词项文档关联矩阵进行布尔检索，要求分别针对AND，OR和NOT进行检索，并分别给出实际检索案例。课堂示例如下所示：

• 包含 Brutus 和 Caesar 但不包含Calpurnia？
• 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 .
• 向量中的第 1 和第 4 个元素为 1，这表明该查询对应的剧本是 Antony and Cleopatra 和 Hamlet （如图1所示）。

 图1

        2.参照课堂所讲案例，利用构建的倒排索引进行布尔检索，支持AND操作，并给出实际检索案例。示例如下所示：

• 布尔查询Brutus AND Calpurnia
• 查询步骤：

(1) 在词典中定位 Brutus；

(2) 返回其倒排记录表；

(3) 在词典中定位 Calpurnia；

(4) 返回其倒排记录表；

(5) 对两个倒排记录表求交集（如图2所示）。

图2

---

（二）实现步骤：

首先我们要明确，实现上述的功能需要有以下四个基本的步骤：

A.倒排索引（inverted index）的建立过程

B.考虑布尔查询表达式的实现

C.倒排索引之查找包含某个单词的文件（返回其倒排记录表）

D.合并两个倒排记录表

---

1.倒排索引（inverted index）的建立过程

首先，明确词项-文档关联矩阵实际上具有高度的稀疏性。所以为了节省存储空间，引入倒排记录表(inverted index)。称为词项词典(dictionary，简称词典，有时也称为vocabulary或者lexicon。而vocabulary则指词汇表)。

每个词项都有一个记录出现该词项的所有文档的列表，该表中的每个元素记录的是词项在某文档中的一次出现信息(在后面的讨论中，该信息中往往还包括词项在文档中出现的位置），这个表中的每个元素通常称为倒排记录(posting)。

根据上讲内容，首先，可以把邮件转换为txt文件，将文档读取到一个一维数据之中；

然后，将每篇文档转换成一个个token的列表：

步骤：

a. 将文本全部转换成小写 b. 根据“非字符”对文本使用正则表达式进行切割（注：当出现两个连续非字符，会切割出现空串，需要手工删除）；

最后，构建倒排索引
步骤：
a. 建立如下数据结构：
建立一个哈希表，key值为字符串，value值为列表。
其中key值中存储所有单词，并作为哈希表的索引；value值中第1位记录倒排索引长度，第2位开始记录每个单词出现文章的序号。

b. 遍历token列表：
如果单词出现过，就将文章序号添加到列表尾部，并且长度加一。
单词第一次出现时，将单词加入哈希表。

#sdnu 202011000106

# 打开文件
f = open('所需txt文档')
# 读取文章，并删除每行结尾的换行符
doc = pd.Series(f.read().splitlines())
# 转换为小写，并使用正则表达式进行切割
doc = doc.apply(lambda x: re.split('[^a-zA-Z]', x.lower()))
# 删除空串
for list in doc:
    while '' in list:
        list.remove('')
hashtable = {}
for index, list in enumerate(doc):
    for word in list:
        if word in hashtable:
            hashtable[word].append(index+1)
            hashtable[word][0] += 1
        else:
            hashtable[word] = [1, index+1]
hashtable = dict(
    sorted(hashtable.items(), key=lambda kv: (kv[1][0], kv[0]), reverse=True))

---

2.考虑布尔查询表达式的实现

（例如，Brutus AND Caesar）

应该在词典中定位 Brutus和Caesar，并返回两个词项的倒排表。

然后为每个倒排表定义一个定位指针，两个指针同时从前往后扫描，每次比较当前指针对应的倒排记录，然后再向后移动指向文档ID较小的那个指针或在文档ID相等时同时两个指针，直到某一个倒排表被检索完毕，

这样就能轻易找出符合Brutus AND Caesar的文档，有：文档a、文档b和文档c。

OR和NOT的同理类似，只是对倒排表的操作不同，详细的说明在后面展开。

注意：NOT操作不能简单理解为某一词项的补集，因为补集可能会很大，必须是两个倒排表的减集。

 AND
思路：
参数为两个单词对应的倒排索引列表，返回值为完成AND操作后的结果列表。
需要完成的操作是将同时出现在list1，list2的index筛选出来。因为原先两个列表都是从小到大排序，因此，只需要不断地将指向较小数的指针不断向后移，遇到相同的index时，将index加入结果列表，直到一个指针走到底。

# sdnu 202011000106

def And(list1, list2):
    i, j = 0, 0
    res = []
    while i < len(list1) and j < len(list2):
        # 同时出现，加入结果列表
        if list1[i] == list2[j]:
            res.append(list1[i])
            i += 1
            j += 1
        # 指向较小数的指针后移
        elif list1[i] < list2[j]:
            i += 1
        else:
            j += 1
    return res

OR
思路：
参数为两个单词对应的倒排索引列表，返回值为完成OR操作后的结果列表。
需要完成的操作是将在list1，list2中出现的所有index合并筛选出来。思路与AND的解法大致类似，原先两个列表都是从小到大排序，因此，同样只需要不断地将指向较小数的指针不断向后移，区别是在index大小不相同时仍然需要将index加入结果列表，直到一个指针走到底。
因为OR操作是将两个列表合并，还需要将两个列表中剩余未遍历到的index加入结果列表之中。

#sdnu 202011000106

def Or(list1, list2):
    i, j = 0, 0
    res = []
    while i < len(list1) and j < len(list2):
        # 同时出现，只需要加入一次
        if list1[i] == list2[j]:
            res.append(list1[i])
            i += 1
            j += 1
        # 指向较小数的指针后移，并加入列表
        elif list1[i] < list2[j]:
            res.append(list1[i])
            i += 1
        else:
            res.append(list2[j])
            j += 1
    # 加入未遍历到的index
    res.extend(list1[i:]) if j == len(list2) else res.extend(list2[j:])
    return res

AND NOT
思路：
参数为两个单词对应的倒排索引列表，返回值为完成AND NOT操作后的结果列表。
需要完成的操作是将出现在list1，但是未出现在list2的index筛选出来。原先两个列表都是从小到大排序，因此，同样需要不断地将指向较小数的指针不断向后移，并且当指向list1的index较小时，将index加入结果列表，直到一个指针走到底。
假设list1未遍历完，list2已经结束，那么list1剩余的index一定不会出现在list2中，所以还需要将剩余未遍历到的index加入结果列表之中。

#sdnu 202011000106

def AndNot(list1, list2):
    i, j = 0, 0
    res = []
    while i < len(list1) and j < len(list2):
        # index相等时，同时后移
        if list1[i] == list2[j]:
            i += 1
            j += 1
        # 指向list1的index较小时，加入结果列表
        elif list1[i] < list2[j]:
            res.append(list1[i])
            i += 1
        else:
            j += 1
    # list1 未遍历完，加入剩余index
    if i != len(list1):
        res.extend(list1[i:])
    return res

辅助函数：从哈希表中获取倒排索引列表，并删除第一个元素（用于记录元素个数）

def getList(word):
    return hashtable[word][1:]

---

3.返回某个词的倒排记录表

find函数用于返回用户所输入词项的倒排记录表用于合并计算。

def find(test, dict1, dict0):
    ft0 = re.split('[()]', test)
    ft = []
    for i in range(len(ft0)):
        ft = ft + ((ft0[i].replace(' ', '')).split("AND"))
    ft = [i for i in ft if i != '']
    p = []
    for j in range(len(ft)):
        p0 = []
        if('OR' in ft[j]):
            ft1 = ft[j].split('OR')
            for k in range(len(ft1)):
                if(ft1[k] in dict1):
                    p0 = p0 + dict1[ft1[k]]
            p0 = list(set(p0))
        elif('NOT' in ft[j]):
            ft[j] = ft[j].replace('NOT', '')
            if(ft[j] in dict1):
                p0 = [y for y in dict0 if y not in dict1[ft[j]]]
            else:
                p0 = dict0
        elif(ft[j] in dict1):
            p0 = dict1[ft[j]]
        p.append(p0)
    return p

---

4.合并两个倒排记录表

倒排记录表合并算法伪代码如下所示：

 步骤：

首先输入两个倒排记录表p1,p2，然后判断两个倒排记录表的指针是否为空，若为空，则结束；

若不为空，判断是否相同，若相同，则p1,p2指针后移；

否则，判断p1指针所指元素是否>p2；

若是，则p2指针后移，否则p1后移。

---

#sdnu 202011000106

def Intersect(p1, p2):
    r = []
    i, j = 0, 0
    lp1, lp2 = len(p1), len(p2)
    while(i < lp1 and j < lp2):
        if(p1[i] == p2[j]):
            r.append(p1[i])
            i, j = i + 1, j + 1
        elif(p1[i] > p2[j]):
            j = j + 1
        else:
            i = i + 1  
    return r

print("输入第一个词项的倒排记录表，文档ID之间用“,”分隔：", end = '')
p1 = input().split(",")
p1 = [int(i) for i in p1]
print("输入第二个词项的倒排记录表，文档ID之间用“,”分隔：", end = '')
p2 = input().split(",")
p2 = [int(i) for i in p2]
#p1 = [1,2,3]
#p2 = [3,4,5]
print("合并结果为：", Intersect(p1, p2))

Intersect函数为倒排记录表计算模块，首先通过len函数获取倒排记录表长度，然后通过下标循环获取记录表元素，通过数值判断合并记录表并存储到新的列表中，最终返回该结果列表。
Input函数获取用户输入字符串，split(“,”)函数对字符串进行切分，[int]方法则将字符串转化为数值列表。

主函数省略，可供参考网址：【原创】python倒排索引之查找包含某主题或单词的文件 - 西西嘛呦 - 博客园 (cnblogs.com)

布尔检索模型简单实现 - 代码先锋网 (codeleading.com)

---

（三）实验总结

1.布尔检索的优缺点

优点：构建简单，或许是构建IR系统的一种最简单方式；易被接收，仍是目前最主流的检索方式之一；操作专业化，对于非常清楚想要查什么、能得到什么的用户而言，布尔检索是个强有力的检索工具。

缺点：布尔查询构建复杂，不适合普通用户。如果构建不当， 检索结果就会过多或者过少；没有充分利用词项的频率信息；不能对检索结果进行排序。

2.布尔查询在倒排表上的优化

有两个简单的优化方法：

倒排表的文档ID升序排列：正如在AND操作中演示的那样，文档ID升序排列可以尽量地提前结束对倒排表的操作，而不需要对两个倒排表从头到尾进行检索。

优先处理词频小的词项：在复杂布尔表达式中，例如(tangerine OR trees) AND (marmalade OR skies) AND (kaleidoscope OR eyes)，优先合并词频小的词项，生成文档数量少的词项，有利于结合上面的优化方法尽量地提前结束对倒排表的操作。