搜索引擎（一）-- Vector Space Model 和 倒排索引

一、向量空间模型

1.1 布尔模型与统计学模型

最早期的消息回溯模型是布尔模型（Boolean Model），这种模型将关键词用“与或非”连接成问答语句，譬如“DBMS AND Oracle AND NOT Sybase”，然后由系统返回Yes/No的回答。这种模型的构建和使用都相当简单，但它的缺点也很明显：

• 布尔语句一旦变长，就会有很多层括号，读起来也很不方便。
• 布尔模型很难控制回溯的文档数目。
• 布尔模型是命中模型，且没有对文档中的关键词设置权重，无法对文档进行排名。
• 布尔模型是完全匹配，不支持部分匹配，也很难进行复杂查询，如如“全球首富是谁？高考最难的省份？”等等。

不同于布尔模型，后来的科学家提出了统计学模型（Statistical Model）。统计学模型分析的对象是关键词，文档可以表示成一个由词组构成的向量，值的大小为词的权重，即词的重要程度。消息回溯基于查询语句和文档的向量相似度大小，决定回溯的文档以及排序。由于该模型将文档和查询转换为向量并用向量计算来处理文本内容，所以又被称作向量空间模型（Vector Space Model）

1.2 TF-IDF值

如何衡量一个词的重要性？我们可以将此问题分成两个部分看：

• 这个词在某篇文档中的重要性如何？
• 这个词在所有文档中的重要性如何？

TF

对于第一个问题，我们可以用词频Term Frequency来衡量一个单词在文档中的重要程度，如一篇关于经济学的文章，“Economic, money, trade, market”等词的词频肯定高。文档 $i$ 中关键词 $j$ 的 $tf$ 值的计算公式为$$t{f}_{i,j}=\frac{f_{i,j}}{|D_i|}$$

其中$|D_i|$表示 $i$ 文档的词数，$f_{i,j}$ 表示 $j$ 在文档 $i$ 中出现的次数。

IDF

对于第二个问题，一般不重要的词，例如“I”、“the”、“and”这种，在所有文章里面都会出现的词，它们的重要性一定很低。相反地，在很少文章中出现的词，对于搜索引擎来说价值更高。我们可以使用反向文档频率Inverse Document Frequency作为该特性的评价指标。文档频率Document Frequency是包含某单词的文档个数，$idf$ 则是 $df$ 的呈负相关的变式。对于单词$j$来说，它的 $idf$ 值计算公式为$$d{f}_j=|i:t_j\in D_i|$$$$id{f}_j={\log }_2(\frac{|D|}{d{f}_j})$$
其中，$|D|$为所有文档的总数。

TF-IDF

TF和IDF的积，可以作为某个词在某篇文档中的重要性衡量，既然如此，我们就可以用TF和IDF表征整个文本空间的所有单词重要性，因而可以用$tfidf$矩阵的方式表示整个文本空间：$$tfid{f}_{i,j}=t{f}_{i,j}\times id{f}_j$$
如果一个词在所有文档中出现（如 “the”），它的 $idf$ 值为0，在 $tfidf$ 矩阵中值也将为0；如果一个词 $j$ 在文档 $i$ 中未出现，相应地，它的 $tf$ 值为0，$tfidf$ 矩阵中对应的值也将为0。

1.3 相似度计算

1.3.1 内积

在文档和查询中同时出现的词将获得更高的得分，因此文档 $D_i$ 和 查询 $Q$ 的相似程度能够以内积方式表示$$sim(D_i,Q)=\sum _{k=1}^t{d}_{ik}{q}_k$$

1.3.2 余弦相似（主流）

尽管内积某种程度上表示了文档相似程度大小，但是它对短查询/短文章并不公平，长文章有更多的单词，可能会产生更多的匹配，但相关程度却不一定有短文章高。因此我们不应只从内积角度，而应该从方向的角度去分析Query和Document的相似。余弦相似的公式如下：$$CosSim(D_i,Q)=\frac{D\circ Q}{|D||Q|}=\frac{{\sum }_{k=1}^t{d}_{ik}{q}_k}{\sqrt{{\sum }_{k=1}^t}{d}_{ik}^2\sqrt{{\sum }_{k=1}^t{q}_{k_t}^2}}$$
这里举个例子，假设有两个文档 $D_1$ $D_2$ 和查询 $Q$, 关键词为 $T_1$ $T_2$ $T_3$, 满足$$\begin{array}{rl}{D}_1& =2T_1+3T_2+5T_3\\ D_2& =3T_1+7T_2+T_3\\ Q& =0T_1+0T_2+2T_3\end{array}$$
那么有 $$CosSim(D_1,Q)=5\ast 2/\sqrt{38}\sqrt{4}=0.81$$
$$CosSim(D_1,Q)=1\ast 2/\sqrt{59}\sqrt{4}=0.13$$

1.3.3 其他指标

• Jaccard 系数 $$\frac{{\sum }_{k=1}^t{d}_{ik}{q}_k}{{\sum }_{k=1}^t{d}_{ik}^2+{\sum }_{k=1}^t{q}_k^2-{\sum }_{k=1}^t{d}_{ik}{q}_k}$$
• Dice 系数 $$\frac{{\sum }_{k=1}^t{d}_{ik}{q}_k}{{\sum }_{k=1}^t{d}_{ik}^2+{\sum }_{k=1}^t{q}_k^2-{\sum }_{k=1}^t{d}_{ik}{q}_k}$$

二、倒排索引

2.1 基本概念

倒排索引在搜索引擎中有着举重若轻的地位。大名鼎鼎的elasticsearch，及其底层框架luncene就是基于倒排索引实现。与正向索引相对，倒排索引以关键词为索引，映射到某个单词在一个文档或者一组文档中存储的位置。可以根据单词快速获取包含整个单词的文档列表。如下图例子，computer一词在Document 1中的第23、97和104个位置以及Document 3 的第43个位置出现，graph一词在Document 2的第5个位置以及Docuemtn 3的第44个位置出现。

为了提高效率document index一般用排序树（如b树）的形式存储，访存时间复杂度可以从线性优化为对数级别。且存储的数据可以为前缀树，进一步节省非叶节点存储消耗。

2.2 how to work？

构建

• 构建文档时，先对文档进行编号，形成文档列表。
• 对每一个文档的数据进行分词，构建字典，并对字典进行编号，以关键词创建索引。然后记录包含该单词的所有文档编号以及位置信息。

使用

• 对查询分词
• 使用分词结果去倒排索引列表中进行匹配，返回包含词条的所有文档编号（及位置信息）。
• 根据文档编号和位置信息到文档列表中锁定原文信息。

2.3 好处

1. 对布尔模型的消息回溯系统，倒排索引能快速锁定包含关键词的文档集合，效率非常高。锁定文档集合后直接进行与或非计算即可。
2. 对概率模型来说，倒排索引方便了tf-idf值的计算，并且支持词组查询。
   

2.4 缺点

• 花费了存储开销在posting list上（或超过100%）
• 高昂的增、删、改费用。尽管对word index的查询很快，但是在posting list中修改的时间复杂度是线性级别，文档数目多的时候这个消耗是非常大的。
• 布尔模型中的花销随查询条件增加陡增

---

因为快考试就不水太多字了，如果读者有问题的可以在评论区提问，我有空会一一解答。