广告系统中weak-and算法原理及编码验证

wand(weak and)算法基本思路

　　一般搜索的query比较短，但如果query比较长，如是一段文本，需要搜索相似的文本，这时候一般就需要wand算法，该算法在广告系统中有比较成熟的应

该，主要是adsense场景，需要搜索一个页面内容的相似广告。

　 　Wand方法简单来说，一般我们在计算文本相关性的时候，会通过倒排索引的方式进行查询，通过倒排索引已经要比全量遍历节约大量时间，但是有时候仍

然很慢。

　 　原因是很多时候我们其实只是想要top n个结果，一些结果明显较差的也进行了复杂的相关性计算，而weak-and算法通过计算每个词的贡献上限来估计文档

的相关性上限，从而建立一个阈值对倒排中的结果进行减枝，从而得到提速的效果。

　　 wand算法首先要估计每个词对相关性贡献的上限，最简单的相关性就是TF*IDF，一般query中词的TF均为1，IDF是固定的，因此就是估计一个词在文档中的

词频TF上限，一般TF需要归一化，即除以文档所有词的个数，因此，就是要估算一个词在文档中所能占到的最大比例，这个线下计算即可。

　 　知道了一个词的相关性上界值，就可以知道一个query和一个文档的相关性上限值，显然就是他们共同的词的相关性上限值的和。

　 　这样对于一个query，获得其所有词的相关性贡献上限，然后对一个文档，看其和query中都出现的词，然后求这些词的贡献和即可，然后和一个预设值比

较，如果超过预设值，则进入下一步的计算，否则则丢弃。

　　如果按照这样的方法计算n个最相似文档，就要取出所有的文档，每个文档作预计算，比较threshold，然后决定是否在top-n之列。这样计算当然可行，但

是还是可以优化的。

 

 

   wand(weak and)算法原理演示

   代码实现了主要的算法逻辑以验证算法的有效性，供大家参考，该实现优化了原始算法的一些逻辑尽量减少了无谓的循环：

 

www.169it.com
#!/usr/bin/python
#wangben updated 20130108
class WAND:
    '''implement wand algorithm'''
    def __init__( self , InvertIndex, last_docid):
        self .invert_index = InvertIndex #InvertIndex: term -> docid1, docid2, docid3 ...
        self .current_doc = 0
        self .current_invert_index = {}
        self .query_terms = []
        self .threshold = 2
        self .sort_terms = []
        self .LastID = 2000000000 #big num
        self .debug_count = 0
        self .last_docid = last_docid
    def __InitQuery( self , query_terms):
        '''check terms len > 0'''
        self .current_doc = - 1
        self .current_invert_index.clear()
        self .query_terms = query_terms
        self .sort_terms[:] = []
        self .debug_count = 0
        for term in query_terms:
            #initial start pos from the first position of term's invert_index
            self .current_invert_index[term] = [ self .invert_index[term][ 0 ], 0 ] #[ docid, index ]

    def __SortTerms( self ):
        if len ( self .sort_terms) = = 0 :
            for term in self .query_terms:
                if term in self .current_invert_index:
                    doc_id = self .current_invert_index[term][ 0 ]
                    self .sort_terms.append([ int (doc_id), term ])
        self .sort_terms.sort()

    def __PickTerm( self , pivot_index):
        return 0
    def __FindPivotTerm( self ):
        score = 0
        for i in range ( 0 , len ( self .sort_terms)):
            score + = 1
            if score > = self .threshold:
                return [ self .sort_terms[i][ 1 ], i]
        return [ None , len ( self .sort_terms) ]
    def __IteratorInvertIndex( self , change_term, docid, pos):
        '''move to doc id > docid'''
        doc_list = self .invert_index[change_term]
        i = 0
        for i in range (pos, len (doc_list)):
            if doc_list[i] > = docid:
                pos = i
                docid = doc_list[i]
                break
        return [ docid, pos ]
    def __AdvanceTerm( self , change_index, docid ):
        change_term = self .sort_terms[change_index][ 1 ]
        pos = self .current_invert_index[change_term][ 1 ]
        (new_doc, new_pos) = \
            self .__IteratorInvertIndex(change_term, docid, pos)

        self .current_invert_index[change_term] = \
            [ new_doc , new_pos ]
        self .sort_terms[change_index][ 0 ] = new_doc


    def __Next( self ):
        if self .last_docid = = self .current_doc:
            return None

        while True :
            self .debug_count + = 1
            #sort terms by doc id
            self .__SortTerms()

            #find pivot term > threshold
            (pivot_term, pivot_index) = self .__FindPivotTerm()
            if pivot_term = = None :
                #no more candidate
                return None

            #debug_info:
            for i in range ( 0 , pivot_index + 1 ):
                print self .sort_terms[i][ 0 ], self .sort_terms[i][ 1 ], "|" ,
            print ""

            pivot_doc_id = self .current_invert_index[pivot_term][ 0 ]
            if pivot_doc_id = = self .LastID: #!!
                return None
            if pivot_doc_id < = self .current_doc:
                change_index = self .__PickTerm(pivot_index)
                self .__AdvanceTerm( change_index, self .current_doc + 1 )
            else :
                first_docid = self .sort_terms[ 0 ][ 0 ]
                if pivot_doc_id = = first_docid:
                    self .current_doc = pivot_doc_id
                    return self .current_doc
                else :
                    #pick all preceding term
                    for i in range ( 0 , pivot_index):
                        change_index = i
                        self .__AdvanceTerm( change_index, pivot_doc_id )

    def DoQuery( self , query_terms):
        self .__InitQuery(query_terms)

        while True :
            candidate_docid = self .__Next()
            if candidate_docid = = None :
                break
            print "candidate_docid:" ,candidate_docid
            #insert candidate_docid to heap
            #update threshold
        print "debug_count:" , self .debug_count

if __name__ = = "__main__" :
    testIndex = {}
    testIndex[ "t1" ] = [ 0 , 1 , 2 , 3 , 6 , 2000000000 ]
    testIndex[ "t2" ] = [ 3 , 4 , 5 , 6 , 2000000000 ]
    testIndex[ "t3" ] = [ 2 , 5 , 2000000000 ]
    testIndex[ "t4" ] = [ 4 , 6 , 2000000000 ]
    w = WAND(testIndex, 6 )
    w.DoQuery([ "t1" , "t2" , "t3" , "t4" ])

  输出结果中会展示next中循环的次数，以及最后被选为candidate的docid。  这里省略了建立堆的过程，使用了一个默认阈值2作为doc的删选条件，候选doc和query doc采用重复词的个数计算UB，这里只是一个算法演示，实际使用的时候需要根据自己的相关性公式进行调整

 

本文来源:广告系统中weak-and算法原理及编码验证