Indri和Terrier搜索引擎的使用

介绍

Indri和Terrier都是开源的搜索引擎，其中Indri作为Lemur项目的一个重要部分，具有强大的查询接口，易建索引，可扩展，高效率等优点。可以在SourceForge Lemur Project Page中下载。Terrier也是IR领域非常有影响力的开源搜索引擎，Terrier是Glasgow大学用Java语言编写的，具有高效灵活及易于部署等特点，目前最新的版本为Terrier 4.0，可在Terrier官网下载。

无论Indri还是Terrier整个过程，需要先建立索引，然后根据自定义的query phrases（查询短语，当然也可以是句子），在已建立的索引上查询，并返回一个结果，类似如下（后面会具体讲解每一列的含义）：

两个搜索引擎的使用关键在于它们的配置文件，接下来讲解如何配置

文本格式

<DOC>
<DOCNO>2011-12-05-20_1323118648-7cfd066125ff1daf479748f81346895d</DOCNO>
<date>12/05/2011 (MM/DD/YYYY)</date>
<SOURCE>arxiv</SOURCE>
<TEXT> S and Λ production in pp interactions at √s = 0.9 and 7 TeV measured with the....</TEXT>
</DOC>

1、Indri

Indri建索引

<parameters>
<memory>16G<memory>
<index>path/to/index</index> //建完索引后，这些索引结果文件存放的位置，如/home/tempUser/myindex
<stemmer>
<name>krovetz</name> //词干化工具，也即分词，这个是默认的，可以选择其他的
</stemmer>

<corpus>
<path>path/to/original/file/directory</path> //原始需要建立索引的文件目录
<class>trectext</class>  //需要建立什么格式的索引，有xml, txt, trectext, web
</corpus>

<field>
<name>DOCNO</name>  //文本ID号
</field>

<field>        //如果需要用到时间信息，需加此field，
<name>date</name>
<numeric>true</numeric>
<parserName>DateFieldAnnotator</parserName>
</field>
</parameters>

Indri查询

配置文件

<span style="font-size:14px;"><parameters>
<index>path1/to/index</index>
<index>path2/to/index</index>
<rule>method:dirichlet,mu:1000</rule>  //内置方法，用狄利克雷，参数值1000
<count>1000</count> //每个查询值返回1000条记录，可以自己设置

<query> //第一个查询
<number>001</number>  //编号自己定义
//如果文本的发布日期在两个时间段之间的，则在其文本中查询“Abbotsford Arts Centre”，根据其内置算法，计算query phrases与文本的相关度值
<text>#scoreif(#datebetween(10/05/2011 01/26/2012) #1(Abbotsford Arts Centre))</text> 
</query>
<query> //第二个查询
<number>003</number>
<text>#scoreif(#datebetween(10/05/2011 08/08/2012) #1(Andy Billig))</text>
</query>

<trecFormat>true</trecFormat>
<queryOffset>1</queryOffset>
<runID>query_id</runID>  //自定义queryID
</parameters></span>

Indri查询语言

1、Combining Beliefs

#combine,#weight, #not, #max, #or, #band(boolean and)

#wsum, #wand(weighted and)

#weight( 1 #1(Abbotsford Arts Centre)  0.5 #1(office) 0.5 #1(band))

2、Filter Operators

scoreif(#datebetween(10/05/2011 01/26/2012)  #1(Abbotsford Arts Centre)) 

3、Numeric Field Operator

#less( F N ) matches numeric field extents of type Fif value < N

#greater( F N ), #between(F N_low N_high ) , #equals(F N )

4、Date Field Operator

#dateafter( D ),

#datebefore( D ),

#datebetween( D_low D_high ),

#dateequals( D )

查询结果文件：

其中：

第一列：表示第003query

第二列：不用理会

第三列：DOCNO

第四列：排名

第五列：具体排序值

第六列：query_id

2、Terrier

Terrier是另一个开源的搜索引擎，可以从官网下载terrier-4.0，下载terrier-4.0.gz后，

解压：tar -xvzf terrier-4.0.gz 

得到如下：

（Terrier是用java开发的，可以去上面图片的src目录下查看源码）

下面分别说说这些目录都是些什么:

bin: 在建索引，检索的时候要用到，在linux系统下用.sh，在windows下用对应的.bat

doc：一些帮助文档集

etc: 存放建立索引和检索时的配置文件

lib：包含terrier能运行所依赖的jar包，如terrier-4.0-core.jar，junit-4.8.1.jar等

licenses:  包含各种依赖包的licenses

src: 搜索引擎源码

var: 默认的索引，检索结果的存放位置（你可以通过修改etc目录下的terrier.properties配置文件，自己定义到别的文件夹）

build.xml：各种依赖关系进行build

在运行terrier之前，首先要确定是否已经安装了jdk，

可以通过：echo $JAVA_HOME，若有值，则表示已经安装，否则需要自己去安装，然后

export JAVA_HOME="Absolute_Path_of_Java_Installation"

建索引：

1）定位到terrier目录
cd terrier
2）收集需要建索引的文档
./bin/trec_setup.sh "Absolute_Path_To_Collection_Files"
这里需要指定绝对路径，比如需要建索引的文件集在/home/hadoop/kba/kba2014/trecdata/2011-10目录下（该目录下都为文件，不是目录，Files已经是最后一层目录了），
则上面的 
Absolute_Path_To_Collection_Files即为 /home/hadoop/kba/kba2014/trecdata/2011-10
运行后在etc目录下生成如下图：

collection.spec里面的内容如下：

/home/hadoop/kba/kba2014/trecdata/2011-10/2011-10-05-01.trectext
/home/hadoop/kba/kba2014/trecdata/2011-10/2011-10-05-03.trectext
/home/hadoop/kba/kba2014/trecdata/2011-10/2011-10-05-05.trectext
/home/hadoop/kba/kba2014/trecdata/2011-10/2011-10-05-07.trectext
/home/hadoop/kba/kba2014/trecdata/2011-10/2011-10-05-08.trectext
/home/hadoop/kba/kba2014/trecdata/2011-10/2011-10-05-11.trectext
/home/hadoop/kba/kba2014/trecdata/2011-10/2011-10-05-12.trectext
/home/hadoop/kba/kba2014/trecdata/2011-10/2011-10-05-13.trectext
/home/hadoop/kba/kba2014/trecdata/2011-10/2011-10-05-14.trectext

terrier.properties配置文件的内容如下：

#default controls for query expansion
querying.postprocesses.order=QueryExpansion
querying.postprocesses.controls=qe:QueryExpansion
#default controls for the web-based interface. SimpleDecorate
#is the simplest metadata decorator. For more control, see Decorate.
querying.postfilters.order=SimpleDecorate,SiteFilter,Scope
querying.postfilters.controls=decorate:SimpleDecorate,site:SiteFilter,scope:Scope

#default and allowed controls
querying.default.controls=
querying.allowed.controls=scope,qe,qemodel,start,end,site,scope

#document tags specification
#for processing the contents of
#the documents, ignoring DOCHDR
TrecDocTags.doctag=DOC
TrecDocTags.idtag=DOCNO
TrecDocTags.skip=DOCHDR
#set to true if the tags can be of various case
TrecDocTags.casesensitive=false

#query tags specification
TrecQueryTags.doctag=TOP
TrecQueryTags.idtag=NUM
TrecQueryTags.process=TOP,NUM,TITLE
TrecQueryTags.skip=DESC,NARR

#stop-words file
stopwords.filename=stopword-list.txt

#the processing stages a term goes through
termpipelines=Stopwords,PorterStemmer

terrier.properties里面的#行表示注释，建立索引时需要注意标签

TrecDocTags表示要建索引的文件的配置

TrecDocTags.idtag：表示需要处理的标签，TrecDocTags.skip=DOCHDR表示要忽略DOCHDR标签，可以有多个，用逗号隔开即可。

文件格式如下：

<DOC>
<DOCNO>id</DOCNO>
<TEXT>text content</TEXT>
</DOC>

TrecQueryTags表示检索的query文件的配置

TrecQueryTags.process表示要处理哪些标签。

文件格式如下：

<TOP>
<NUM>003</NUM>  //这个相当于你自己给这个query定一个id，所以可以随便写
<TITLE>"Abbotsford Arts Centre" office band "Abbotsford Arts Centre May" company "Abbotsford Arts Centre"  </TITLE>  //Query Phrases
</TOP>

3）建索引：

./bin/trec_terrier.sh -i

建索引的时候如果DOCNO里面的id长度大于默认的20个字符，那就会报错，如下：

这时需要我们再次配置terrier.properties配置文件， 加入一行

indexer.meta.forward.keylens=120  //你可以自定义长度

再次运行建索引命令就不会报错了

你还可以如下配置：

collection.spec=/absolute/path/to/your.spec
terrier.index.path=/absolute/path/to/index/path      //你想把你的建好的index放在哪个目录
trec.results.file=/absolute/path/to/resultfile.res   //你想想把你的query结果放在哪个文件
ignore.low.idf.terms=false                           //如果某个词的逆文档频率idf很低，还是要考虑，而不是丢弃
matching.retrieved_set_size=40000                    //query后结果有多少条，如果test.query文件写了很多个query，那么这么多个query的返回的结果不大于40000，注意此时不是单个query的结果数

对于所有的properties的含义可以在官网terrier.properties中查看。

4）检索：

./bin/trec_terrier.sh -r -Dtrec.model=PL2 -c 10.99 -Dtrec.topics=/path/to/your.query

-r表示retrieve， 

-Dtrec.model表示用什么model去检索，这里用到了PL2模型，具体可在 terrier weighting model中查看

-c表示参数，后面10.99表示参数值

-Dtrec.topics表示your.query文件的具体路径

如果有多个索引文件，多个不同的query，怎么办？

比如对5个文件集分别建立索引，有5个query分别要在对应的索引文件里面找怎么办，由于是共用terrier.properties配置文件的，

所以你可以通过写一个shell脚本，针对不同的文件集，配置对应的collection.spec, terrier.index.path, trec.results.file.

最终得到的结果和开头indri的结果类似。

3、Indri和Terrier注意点

两者在写query phrases时都需要注意不要有其他的字符出现，

indri：除了a-z,A-Z,0-9，空格，其余字符如#@￥%都是非法字符，会导致错误

terrier：除了a-z,A-Z,0-9，空格，在多个单词构成的词组时可用双引号（如"term1 term2  term3"），在表示权重时可用^（如”term1 term2“^0.5），还有某些情况下可用+和-，具体看官网 terrier query language