lecture1-booleanretrieval-信息检索导论-王斌-PPT-课件-第1章

IntroductiontoInformationRetrieval现代信息检索中科院研究生院2011年秋季课程《现代信息检索》更新时间：ModernInformationRetrieval授课人：王斌~wangbin*改编自Manning网上公开的课件，第1讲布尔检索BooleanRetrieval2011/9/14现代信息检索提纲2①信息检索概述②倒排索引③布尔查询的处理现代信息检索提纲3①信息检索概述②倒排索引③布尔查询的处理现代信息检索信息检索InformationRetrievalInformationRetrieval(IR)isfindingmaterial(usuallydocuments)ofanunstructurednature(usuallytext)thatsatisfiesaninformationneedfromwithinlargecollections(usuallystoredoncomputers).信息检索是从大规模非结构化数据（通常是文本）的集合（通常保存在计算机上）中找出满足用户信息需求的资料（通常是文档）的过程。Document–文档Unstructured–非结构化Informationneed–信息需求Collection—文档集、语料库4现代信息检索IRvs数据库:结构化vs非结构化数据结构化数据即指“表”中的数据5EmployeeManagerSalarySmithJones50000ChangSmith6000050000IvySmith数据库常常支持范围或者精确匹配查询。e.g.,Salary60000ANDManager=Smith.现代信息检索非结构化数据通常指自由文本允许关键词加上操作符号的查询更复杂的概念性查询,找出所有的有关药物滥用(drugabuse)的网页经典的检索模型一般都针对自由文本进行处理6现代信息检索半结构化数据没有数据是完全无结构的title李甲主页/titlebody…/body…半结构化查询TitlecontainsdataANDBulletscontainsearch…这里还没有提文本的语言结构7现代信息检索非结构化vs.结构化vs.半结构化半结构化(Semi-structured)：title李甲主页/titlebody…/body…8现代信息检索传统信息检索vs.现代信息检索传统信息检索主要关注非结构化、半结构化数据现代信息检索中也处理结构化数据9现代信息检索非结构化数据(文本)vs.结构化数据(数据库)@1996年10020406080100120140160180200DatavolumeMarketCapUnstructuredStructured数据量市场规模现代信息检索非结构化数据(文本)vs.结构化数据(数据库)@2009年11数据量市场规模现代信息检索布尔检索针对布尔查询的检索，布尔查询是指利用AND,OR或者NOT操作符将词项连接起来的查询信息AND检索信息OR检索信息AND检索ANDNOT教材Google的高级搜索？12现代信息检索提纲13①信息检索概述②倒排索引③布尔查询的处理现代信息检索一个简单的例子(《莎士比亚全集》)莎士比亚的哪部剧本包含Brutus及Caesar但是不包含Calpurnia？布尔表达式为BrutusANDCaesarANDNOTCalpurnia。笨方法：从头到尾扫描所有剧本，对每部剧本判断它是否包含BrutusANDCaesar，同时又不包含Calpurnia笨方法为什么不好?速度超慢(特别是大型文档集)处理NOTCalpurnia并不容易（一旦包含即可停止判断）不太容易支持其他操作(e.g.,findthewordRomansnearcountrymen)不支持检索结果的排序(即只返回较好的结果)14现代信息检索词项-文档(term-doc)的关联矩阵AntonyandCleopatraJuliusCaesarTheTempestHamletOthelloMacbethAntony110001Brutus110100Caesar110111Calpurnia010000Cleopatra100000mercy101111worser101110若某剧本包含某单词，则该位置上为1，否则为0BrutusANDCaesarBUTNOTCalpurnia现代信息检索关联向量(incidencevectors)关联矩阵的每一列都是0/1向量，每个0/1都对应一个词项给定查询BrutusANDCaesarANDNOTCalpurnia取出三个列向量，并对Calpurnia的列向量求补，最后按位进行与操作110100AND110111AND101111=100100.16现代信息检索上述查询的结果文档AntonyandCleopatra,ActIII,SceneiiAgrippa[AsidetoDOMITIUSENOBARBUS]:Why,Enobarbus,WhenAntonyfoundJuliusCaesardead,Hecriedalmosttoroaring;andheweptWhenatPhilippihefoundBrutusslain.Hamlet,ActIII,SceneiiLordPolonius:IdidenactJuliusCaesarIwaskilledi'theCapitol;Brutuskilledme.17现代信息检索IR中的基本假设文档集Collection:由固定数目的文档组成目标:返回与用户需求相关的文档并辅助用户来完成某项任务相关性Relevance主观的概念反映对象的匹配程度不同应用相关性不同18现代信息检索典型的搜索过程文档集任务信息需求查询自然语言描述结果搜索引擎查询重构GetridofmiceinapoliticallycorrectwayInfoaboutremovingmicewithoutkillingthemHowdoItrapmicealive?mousetrap是否转义?是否转义?是否转义?现代信息检索检索效果的评价正确率(Precision):返回结果文档中正确的比例。如返回80篇文档，其中20篇相关，正确率1/4召回率(Recall):全部相关文档中被返回的比例，如返回80篇文档，其中20篇相关，但是总的应该相关的文档是100篇，召回率1/5正确率和召回率反映检索效果的两个方面，缺一不可。全部返回，正确率低，召回率100%只返回一个非常可靠的结果，正确率100%，召回率低将在后面介绍(有兴趣的可以先看)20现代信息检索大文档集假定N=1百万篇文档(1M),每篇有1000个词(1K)假定每个词平均有6个字节(包括空格和标点符号)那么所有文档将约占6GB空间.假定词汇表的大小(即词项个数)M=500K21现代信息检索词项-文档矩阵将非常大矩阵大小为500Kx1M=500G但是该矩阵中最多有10亿(1G)个1词项-文档矩阵高度稀疏(sparse).稀疏矩阵应该有更好的表示方式比如我们仅仅记录所有1的位置22Why?现代信息检索倒排索引(Invertedindex)对每个词项t,记录所有包含t的文档列表.每篇文档用一个唯一的docID来表示，通常是正整数，如1,2,3…能否采用定长数组的方式来存储docID列表23BrutusCalpurniaCaesar124561657132124113145173231文档14中加入单词Caesar时该如何处理?17454101现代信息检索倒排索引(续)通常采用变长表方式磁盘上，顺序存储方式比较好，便于快速读取内存中，采用链表或者可变长数组方式存储空间/易插入之间需要平衡24DictionaryPostings按docID排序(原因后面再讲)PostingBrutusCalpurniaCaesar12456165713212411314517323117454101词典倒排(记录)表倒排记录现代信息检索Tokenizer词条流FriendsRomansCountrymen倒排索引构建Linguisticmodules修改后的词条friendromancountrymanIndexer倒排索引friendromancountryman24213161Moreontheselater.待索引文档Friends,Romans,countrymen.词条化工具语言分析工具现代信息检索索引构建过程:词条序列词条，docID二元组IdidenactJuliusCaesarIwaskilledi'theCapitol;Brutuskilledme.Doc1SoletitbewithCaesar.ThenobleBrutushathtoldyouCaesarwasambitiousDoc2现代信息检索索引构建过程:排序按词项排序然后每个词项按docID排序索引构建的核心步骤现代信息检索索引构建过程:词典&倒排记录表某个词项在单篇文档中的多次出现会被合并拆分成词典和倒排记录表两部分每个词项出现的文档数目(doc.frequency,DF)会被加入为什么加入？后面会讲存储开销计算29指针词项及文档频率后续章节:•如何快速构建索引?•如何减少存储开销?倒排索引docID表第一讲：布尔检索现代信息检索提纲30①信息检索概述②倒排索引③布尔查询的处理第一讲：布尔检索现代信息检索假定索引已经构建好如何利用该索引来处理查询?后面会讲–如何处理不同类型的查询?比如带通配符的查询“信息*检索”31今天主要内容第一讲：布尔检索现代信息检索AND查询的处理考虑如下查询（从简单的布尔表达式入手）:BrutusANDCaesar在词典中定位Brutus返回对应倒排记录表(对应的docID)在词典中定位Caesar再返回对应倒排记录表合并(Merge)两个倒排记录表，即求交集3212834248163264123581321BrutusCaesar现代信息检索合并过程每个倒排记录表都有一个定位指针，两个指针同时从前往后扫描,每次比较当前指针对应倒排记录，然后移动某个或两个指针。合并时间为两个表长之和的线性时间333412824816326412358132112834248163264123581321BrutusCaesar28假定表长分别为x和y,那么上述合并算法的复杂度为O(x+y)关键原因:倒排记录表按照docID排序现代信息检索上述合并算法的伪代码描述34现代信息检索其它布尔查询的处理OR表达式：BrutusANDCaesar两个倒排记录表的交集NOT表达式：BrutusANDNOTCaesar两个倒排记录表的减一般的布尔表达式(BrutusORCaesar)ANDNOT(AntonyORCleopatra)查询处理的效率问题！35现代信息检索查询优化查询处理中是否存在处理的顺序问题？考虑n个词项的AND对每个词项，取出其倒排记录表，然后两两合并BrutusCaesarCalpurnia123581621342481632641281316查询:BrutusANDCalpurniaANDCaesar36现代信息检索查询优化按照表从小到大(即df从小到大)的顺序进行处理:每次从最小的开始合并37这是为什么保存df的原因之一相当于处理查询(CalpurniaANDBrutus)ANDCaesar.BrutusCaesarCalpurnia123581621342481632641281316现代信息检索更通用的优化策略e.g.,(maddingORcrowd)AND(ignoble