《信息检索导论》第一章总结

一、信息检索概念

信息检索是从大量非结构化的文档集中找到用户需要的信息；

当然信息检索远不止这些，比如从包中拿出信用卡并查看卡号，在计算机中查找文件等；

非结构化：数据没有清晰的语义结构，计算机不容易处理；

严格的非结构化数据是不存在的，比如文本虽然属于非结构化，但是文本也有固定的格式，如标题等；

半结构化数据：处在结构化和非结构化之中的信息；

分类：给定类别，将文档进行指派给特定的类别；一般都是有训练集和测试集；

聚类：将给定的文档集进行自动聚团并分开，即预先不指定类别；

grep是Unix中查询的命令；

语料库（corpus）=Collection；

ad-hoc检索：文档集相对静止，用户需求不断变化且是一次性的，输入请求，返回相关文档；

一般的信息检索系统都属于ad-hoc检索；

信息需求：用户原始查询，比如I want a apple and a banana；

查询：通过tokenization等预处理后输入系统的语句，比如want apple banana；

比如原本信息需求是I have a Apple，Banana；查询为 Apple AND Banana；

评价信息检索系统指标

正确率：f11/(f10+f11);

召回率：f11(f01+f11);

二、布尔检索模型

布尔检索模型简单的说就是把文档看成是词的集合，而考虑词在特定文档中是否出现，而不考虑出现次数；

最平常的信息检索方式是扫描文档集；

但是因为要应对很多问题，比如临近查询等，就需要预先构造索引；

词项-文档矩阵：纵坐标表示词项，横坐标表示文档，能够进行boolean查询；

但是有一个缺点就是空间消耗太大，因为此矩阵是稀疏的；

三、倒排索引

由dictionary和posting组成，一般dictionary放在内存中，而posting放在磁盘中；

在词典中可以加入额外信息比如文档频率即posting的长度以方便后续操作（比如AND）；

可以对词典进行压缩，使得尽可能多的词典放入内存；

posting的数据结构：

1.单链表：适用于更新频繁的posting，需要更多的空间；

2.变长数组：适用于更新不频繁的posting，因为连续存储，因此能够加快遍历；

四、布尔查询与运算

类似于A AND B的布尔查询，可以通过复杂度为O（x+y）的合并算法；

对于A AND B AND C这类多个连续布尔查询，则可以通过查询优化进行合并；

查询优化方法：每次都取长度最小的两个posting合并；

比如A 的长度为10，B的长度为20，C的长度为15，则可以先取A和C合并后的中间结果再和B合并；

注意：在多个连续布尔查询时一般中间结果放在内存中，而其余的放在磁盘中；

这种方法不一定是最好的，但是大部分情况下是最好的；

对于（A OR B）AND （C OR D） AND （E OR F），启发式的查询优化方法如下：

因为OR可以理解为加法操作，因此A OR B的估计长度为len(A+B);因此我们可以先从（A OR B）、（C OR D）、（E OR F）中抽出长度最短的两个进行AND操作；

处理A AND NOT B查询：

(1)初始办法：先算NOT B生成一个新的posting（O（N）），再和A合并（O（A+len））；

(2)高效办法：类似于A AND B的做法，移动指针来判断，只需要O（A+B），需要考虑当B指针移到最后而A还没有移到最后的情况；

如果B是一个高频词，则先算NOT B，因为NOT B可以使posting变小；

如果B是一个低频词，则用(2)的方法算更快；

对于A OR B查询，复杂度O（x+y）；

对于A OR NOT B查询，复杂度为O（N）；

布尔查询的缺点：

1.对于AND操作，召回率太低；

2.对于OR操作，正确率太低；

补充

1.WestLaw查询

1.空格表示“或”而不是“与”，&表示与；

2./s表示在一句句子，/p表示一个段落，/k表示k个词内；

3.！表示通配符查询；

2.memex介绍

来自Bush于1945年的论文，一种能够存储个人档案、笔记、书等资料的设备，用户能够方便查阅资料；