进阶-第24__深度探秘搜索技术_深入揭秘TF&IDF算法以及向量空间模型算法

 

1、boolean model

 

类似and这种逻辑操作符，先过滤出包含指定term的doc

 

query "hello world" --> 过滤 -->包含 hello 或者 包含world  或者  包含 hello & world

bool --> must/must not/should --> 过滤 --> 包含 / 不包含 / 可能包含

doc --> 不打分数 --> 正或反 true or false --> 为了减少后续要计算的doc的数量，提升性能

 

2、TF/IDF

 

单个term在doc中的分数

 

query: hello world --> doc.content

doc1: java is my favourite programming language, hello world !!!

doc2: hello java, you are very good, oh hello world!!!

 

hello对doc1的评分

 

TF: term frequency

找到hello在doc1中出现了几次，1次，会根据出现的次数给个分数

一个term在一个doc中，出现的次数越多，那么最后给的相关度评分就会越高

 

IDF：inversed document frequency

找到hello在所有的doc中出现的次数，3次

一个term在所有的doc中，出现的次数越多，那么最后给的相关度评分就会越低

length norm

hello搜索的那个field的长度，field长度越长，给的相关度评分越低; field长度越短，给的相关度评分越高

 

最后，会将hello这个term，对doc1的分数，综合TF，IDF，length norm，计算出来一个综合性的分数

 

hello world --> doc1 --> hello对doc1的分数，world对doc1的分数 --> 但是最后hello world query要对doc1有一个总的分数 --> vector space model

 

3、vector space model

 

多个term对一个doc的总分数

query vector

 

hello world --> es会根据hello world在所有doc中的评分情况，计算出一个query vector，query向量

 

hello这个term，给的基于所有doc的一个评分就是2

world这个term，给的基于所有doc的一个评分就是5

 

[2, 5]

Doc vector:

 

doc vector，3个doc，一个包含1个term，一个包含另一个term，一个包含2个term

 

3个doc

doc1：包含hello --> [2, 0]

doc2：包含world --> [0, 5]

doc3：包含hello, world --> [2, 5]

 

会给每一个doc，拿每个term计算出一个分数来，hello有一个分数，world有一个分数，再拿所有term的分数组成一个doc vector

 

画在一个图中，取每个doc vector对query vector的弧度，给出每个doc对多个term的总分数

 

每个doc vector计算出对query vector的弧度，最后基于这个弧度给出一个doc相对于query中多个term的总分数

弧度越大，分数月底; 弧度越小，分数越高

 

 

如果是多个term，那么就是线性代数来计算，无法用图表示