[英]How do you Index Files for Fast Searches?
如今,微软和谷歌将索引你硬盘上的文件,以便你可以快速搜索他们的内容。
我想知道的是他们是如何做到的? 你能描述算法吗?
简单的情况是倒排索引。
最基本的算法很简单:
事情变得棘手,但基本原理是相同的。
通过“规范化和过滤”这些词,我的意思是将所有内容转换为小写,删除常见的“停用词”(if,if,in等),可能是“词干”(删除动词和复数的常用后缀等) )。
之后,您将获得该文件的唯一单词列表,您可以构建索引。
存在用于减少存储的优化,用于检查单词的局部性的技术(例如,文档中“此”附近的“此”)。
但是,这是它的基本方式。
这是一个非常基本的描述; 有关详细信息,请阅读本教材(免费在线): http : //informationretrieval.org/¹
1)。 对于所有文件,请创建索引。 索引由数据集中出现的所有唯一单词组成(称为“语料库”)。 每个单词都与文档ID列表相关联; 每个文档id指的是包含该单词的文档。
变化:有时当您生成索引时,您要忽略停用词(“a”,“the”等)。 但是你必须要小心(“成为或不成为”是一个由停用词组成的真实查询)。
有时你也会说出这些话。 这对使用后缀和前缀的非英语语言的搜索质量有更大的影响。
2)当用户输入查询时,查找相应的列表并合并它们。 如果它是一个严格的布尔查询,那么该过程非常简单 - 对于AND,docid必须出现在所有单词列表中,对于OR,至少一个单词列表等。
3)如果你想对你的结果进行排名,有很多方法可以做到这一点,但基本的想法是使用文档中出现单词的频率,与你期望在任何单词中出现的频率进行比较。语料库中的文档,作为文档或多或少相关的信号。 见教科书。
4)您还可以存储单词位置以推断短语等。
其中大部分与桌面搜索无关,因为您对召回(包括该术语的所有文档)比对排名更感兴趣。
¹之前在http://www-csli.stanford.edu/~hinrich/information-retrieval-book.html上 ,可通过回击机访问
你总是可以看一下像Apache Lucene这样的东西。
Apache Lucene是一个完全用Java编写的高性能,功能齐全的文本搜索引擎库。 它是一种适用于几乎所有需要全文搜索的应用程序的技术,尤其是跨平台搜索。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.