1、信息检索中效率问题的研究报告人：赵江华北京大学计算机科学与技术系网络与分布式系统实验室2002年 4月 21日 信息检索 (IR)的基本概念（一） 信息检索和数据库管理系统 (DBMS） 的 区别：DBMS处理对象是结构化数据， IR处理大量的非结构化数据。DBMS只是管理数据， IR要管理数据的内容 内容管理（ content management）。DBMS的 每次事务的结果是确定的， IR系统的任务是找到用户需要的信息，其结果是不精确的。信息检索 (IR)的基本概念（二） 信息检索的两大问题：效率 (efficiency)、效果（ effectiveness）。效果指标：查准率 (pre
2、cision)和查全率（recall）。效率指标：响应时间 (response time)和吞吐量（ throughput）。 文本信息检索效果的提高依赖于自然语言处理 (NLP)； 信息的指数增长使得检索效率也成为不可忽略的问题。信息检索 (IR)的基本概念（三） 信息检索系统的组成部分：信息检索 (IR)的基本概念（四） 基本用户查询 (query): 逻辑操作 (AND,OR,NOT)。 位置邻近查找 (Proximity Search),短语查找(Phrase Search)。 对原始信息创建索引加快检索速度：Inverted file , signature file等。 倒排文件是
3、最广泛使用的技术，它组织结构灵活，可以满足多种查询方式。对 文档的预处理 在英语等语言中做 “stem”,索引单词的 “主干 ”。 可以提高查全率，降低查准率。 汉字之间没有空格，可以对汉字字符索引，也可以索引做切词处理后的词组。现代汉语中大部分是两个字的词组，单个的字符表示的意义很不确定，所以对词组建索引可以提高查询的效果。切词对查询效率也有重大影响。倒排文件的组织 将 文档分割成独立的单词项 (term),按单词项索引形成倒排文件。单词 tj对应的 posting lists是 ( di , fi, a*)+( di+k , fi+k, a*)+ ， fi表示 tj在 di的出现次数，也是
4、后面 a的数量。这是倒排文件的全文本索引 (full-text inverted file)形式 ,它记录了每次出现的位置等信息，要占用较多的存储空间。如果去掉位置信息，仅可以支持逻辑查询形式。 词典的组织（一） 索引单词项的集合构成词典，系统通过查找词典定位该单词对应的 posting lists， 这是从单词到指针的映射。有两种词典的组织方式： 直接用 B+树等方式组织单词的字符串。 用哈希（ hash） 的方式 速度更快，可以将所有单词装入内存中。词典的组织（二 ） “天网 ”中用哈希的方法实现从单词字符串到单词标识 (TermID， 整数 )的转换，单词的标志是在每次创建索引是赋予的（
5、不是固定的），所有单词的标志是从零开始的连续整数。 如果维护一个全局稳定的词典（固定单词的标识，便于维护），系统的 TermID可能成为稀疏的整数，可以组织成 B+树实现从 TermID到指针的映射。数据组织（一） 倒排文件中单词对应的 posting lists部分必须存储在磁盘中，不同单词的 posting lists 长度差别很大，可以区别对待。 存储管理的方法在 DBMS已经有深入研究。在倒排文件中，每个单词的 posting lists的 访问模式是顺序扫描 （ sequential scanning） ，作为一个对象看待最合适。关系数据库管理系统（ RDBMS） 用于倒排文件的缺点是不太灵活，而且 SQL语句的开销比较大。
