“ 吾有三劍，唯子所擇；皆不能殺人，且先言其狀。一曰含光，視之不可見，運之不知有。其所觸也，泯然無際，經物而物不覺。二曰承影，將旦昧爽之交，日夕昏明之際，北面而察之，淡淡焉若有物存，莫識其狀。其所觸也，竊竊然有聲，經物而物不疾也。三曰宵練，方晝則見影而不見光，方夜見光而不見形。其觸物也，騞然而過，隨過隨合，覺疾而不血刃焉。此三寶者，傳之十三世矣，而無施于事。匣而藏之，未嘗啟封。”　　　——　《列子·湯問》

　　倒排索引（Inverted Index）：倒排索引是搜索引擎數據存儲的結構與形式，是實現單詞-文檔矩陣的一種具體存儲形式。通過倒排索引，我們可以根據單詞快速的獲取包含這個單詞的文檔列表。倒排索引主要由兩個部分組成：單詞詞典和倒排文件。

　　一：單詞-文檔矩陣

　　　　單詞-文檔矩陣是表達單詞與文檔之間所具有的一種包含關系的概念模型，圖1-1展示了其含義。圖1-1每列代表一個文檔，每行代表一個單詞，打對勾的位置代表包含關系。

　　　　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 圖1-1　單詞-文檔矩陣

　　　　從縱向即文檔這個維度來看，每列代表了該文檔包含了哪些單詞，比如文檔1包含了詞匯1和詞匯4，而不包含其他單詞。從橫向即單詞這個維度來看，每行代表了哪些文檔包含了這個單詞。比如對于詞匯1來說，文檔1和文檔4包含了詞匯1，而其他文檔不包含詞匯1。矩陣中其他行列亦可作此解讀。

　　　　搜索引擎的索引其實就是實現了單詞-文檔矩陣的具體數據結構。可以有不同的方式來實現上述概念模型，比如倒排索引、簽名文件、后綴樹等方式。但是各項實驗數據表明，倒排索引是單詞到文檔影身關系最佳實現方式。

　　　
　　二：倒排索引基本概念

• 文檔（Document）：一般搜索引擎的處理對象是互聯網網頁，而文檔這個概念要更寬泛些，代表以文本形式存在的存儲對象。相比網頁來說，涵蓋更多形式，比如 Word、PDF、html、XML、關系型數據庫的一條記錄等不同格式的文件都可以稱為文檔，再比如一封郵件、一條短信、一條微博也可以稱為文檔。
• 文檔集合（Document Collection）：由若干文檔構成的集合稱為文檔集合。比如海量的互聯網網頁或者說大量的電子郵件或者說一批關系型數據庫數據，都是文檔集合的具體例子。
  
• 文檔編號（Document ID）：在搜索引擎內部，會為文檔集合內每個文檔賦予一個唯一的內部編號，以此編號來作為這個文檔的唯一標識，這樣方便內部處理。每個文檔的內部編號即稱為文檔編號，后面會用 DocID 來便捷地代表文檔編號。
• 單詞編號（Word ID）：與文檔編號類似，搜索引擎內部以唯一的編號來表征某個單詞，單詞編號可以作為某個單詞的唯一表征。
• 倒排索引（Inverted Index）：倒排索引是實現單詞—文檔矩陣的一種具體存儲形式。通過倒排索引，可以根據單詞快速獲取包含這個單詞的文檔列表。倒排索引主要由兩個部分組成：單詞詞典和倒排文件。
• 單詞詞典（Lexicon）：搜索引擎通常的索引單位是單詞，單詞詞典是由文檔集合中出現過的所有單詞構成的字符串集合，單詞詞典內每條索引項記載單詞本身的一些信息及指向倒排列表的指針。
• 倒排列表（PostingList）：倒排列表記載了出現過某個單詞的所有文檔的文檔列表及單詞在該文檔中出現的位置信息，每條記錄稱為一個倒排項（Posting）。根據倒排列表，即可獲知哪些文檔包含某個單詞。
• 倒排文件（Inverted File）：所有單詞的倒排列表往往順序地存儲在磁盤的某個文件里，這個文件即被稱為倒排文件，倒排文件是存儲倒排索引的物理文件。

　　　　關于這些概念以及之間的關系，圖1-2可以清晰的看出來：

　　　　　　　　　　　　　　　　　　　　　　

?

　　三：倒排索引簡單實例

　　　　倒排索引從邏輯結構和基本思路上講非常簡單。下面我們通過具體實例來進行說明。

　　　　假設文檔集合包含 5 個文檔，每個文檔內容如圖 1-3 所示，在圖中最左端一欄是每個文檔對應的文檔編號，我們的任務就是對這個文檔集合建立倒排索引。

　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　圖1-3　文檔集合

　　　　中文和英文等語言不同，單詞之間沒有明確的分隔符號，所以首先要用分詞系統將文檔自動切分成單詞序列，這樣每個文檔就轉換為由單詞序列構成的數據流。為了系統后續處理方便， 需要對每個不同的單詞賦予唯一的單詞編號，同時記錄下哪些文檔包含這個單詞，在如此處理結束后，我們可以得到最簡單的倒排索引（參考圖 1-4）。在圖 1-4 中，“單詞 ID”一列記錄了每個單詞的單詞編號，第 2 列是對應的單詞，第 3 列即每個單詞對應的倒排列表。比如單詞“谷歌”，其單詞編號為 1，倒排列表為{1,2,3,4,5}，說明文檔集合中每個文檔都包含了這個單詞。

　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　圖1-4? ?最簡單的倒排索引

　　　　之所以說圖 1-4 所示的倒排索引是最簡單的，是因為這個索引系統只記載了哪些文檔包含某個單詞，而事實上，索引系統還可以記錄除此之外的更多信息。圖 1-5 是一個相對復雜些的倒排索引，與圖 1-4 所示的基本索引系統相比，在單詞對應的倒排列表中不僅記錄了文檔編號，還記載了單詞頻率信息（TF），即這個單詞在某個文檔中出現的次數，之所以要記錄這個信息，是因為詞頻信息在搜索結果排序時，計算查詢和文檔相似度是一個很重要的計算因子，所以將其記錄在倒排列表中，以方便后續排序時進行分值計算。在圖 1-5 所示的例子里， 單詞“創始人”的單詞編號為 7，對應的倒排列表內容有（3；1），其中 3 代表文檔編號為 3 的文檔包含這個單詞，數字 1 代表詞頻信息，即這個單詞在 3 號文檔中只出現過 1 次，其他 單詞對應的倒排列表所代表的含義與此相同。

　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　圖1-5　帶有單詞詞頻信息的倒排索引

　　　　實際的倒排索引還可以記載更多的信息，如圖 1-6 所示的索引系統除了記錄文檔編號和單詞頻率信息外，額外記載了兩類信息，即每個單詞對應的文檔頻率信息（對應圖 1-6 的第 3 列） 及單詞在某個文檔出現位置的信息。

　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　圖1-6　帶有單詞頻率、文檔頻率和出現位置信息的倒排索引

　　　　文檔頻率信息代表了在文檔集合中有多少個文檔包含某個單詞，之所以要記錄這個信息，其原因與單詞頻率信息一樣，這個信息在搜索結果排序計算中是一個非常重要的因子。而單詞在某個文檔中出現位置的信息并非索引系統一定要記錄的，在實際的索引系統里可以包含，也可以選擇不包含這個信息，之所以如此是因為這個信息對于搜索系統來說并非必需，位置信息只有在支持短語查詢的時候才能夠派上用場。

　　　　以單詞“拉斯”為例，其單詞編號為 8，文檔頻率為 2，代表整個文檔集合中有兩個文檔包含 這個單詞，對應的倒排列表為{(3;1;<4>),(5;1;<4>)}，其含義為在文檔 3 和文檔 5 出現過這個 單詞，單詞頻率都為 1，單詞“拉斯”在兩個文檔中的出現位置都是 4，即文檔中第 4 個單詞 是“拉斯”。

　　　　如圖 1-6 所示的倒排索引已經是一個非常完備的索引系統，實際搜索系統的索引結構基本如此，區別無非是采取哪些具體的數據結構來實現上述邏輯結構。

　　　　有了這個索引系統，搜索引擎可以很方便地響應用戶的查詢，比如用戶輸入查詢詞 “Facebook”，搜索系統查找倒排索引，從中可以讀出包含這個單詞的文檔，這些文檔就是提供給用戶的搜索結果，而利用單詞頻率信息、文檔頻率信息即可對這些候選搜索結果進行排序，計算文檔和查詢的相似性，按照相似性得分由高到低排序輸出，此即為搜索系統的部分內部流程，具體實現方案本書第 5 章會做詳細描述。

?

轉載于:https://www.cnblogs.com/yaokaizhi/p/9742290.html

總結

以上是生活随笔為你收集整理的搜索引擎基础概念（1）—— 倒排索引的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。