“ 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(yùn)之不知有。其所觸也，泯然無(wú)際，經(jīng)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(shí)其狀。其所觸也，竊竊然有聲，經(jīng)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(guò)，隨過(guò)隨合，覺疾而不血刃焉。此三寶者，傳之十三世矣，而無(wú)施于事。匣而藏之，未嘗啟封。”　　　——　《列子·湯問(wèn)》

　　倒排索引（Inverted Index）：倒排索引是搜索引擎數(shù)據(jù)存儲(chǔ)的結(jié)構(gòu)與形式，是實(shí)現(xiàn)單詞-文檔矩陣的一種具體存儲(chǔ)形式。通過(guò)倒排索引，我們可以根據(jù)單詞快速的獲取包含這個(gè)單詞的文檔列表。倒排索引主要由兩個(gè)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(dá)單詞與文檔之間所具有的一種包含關(guān)系的概念模型，圖1-1展示了其含義。圖1-1每列代表一個(gè)文檔，每行代表一個(gè)單詞，打?qū)吹奈恢么戆P(guān)系。

　　　　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 圖1-1　單詞-文檔矩陣

　　　　從縱向即文檔這個(gè)維度來(lái)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(gè)維度來(lái)看，每行代表了哪些文檔包含了這個(gè)單詞。比如對(duì)于詞匯1來(lái)說(shuō)，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(shí)就是實(shí)現(xiàn)了單詞-文檔矩陣的具體數(shù)據(jù)結(jié)構(gòu)。可以有不同的方式來(lái)實(shí)現(xiàn)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(xiàng)實(shí)驗(yàn)數(shù)據(jù)表明，倒排索引是單詞到文檔影身關(guān)系最佳實(shí)現(xiàn)方式。

　　　
　　二：倒排索引基本概念

• 文檔（Document）：一般搜索引擎的處理對(duì)象是互聯(lián)網(wǎng)網(wǎng)頁(yè)，而文檔這個(gè)概念要更寬泛些，代表以文本形式存在的存儲(chǔ)對(duì)象。相比網(wǎng)頁(yè)來(lái)說(shuō)，涵蓋更多形式，比如 Word、PDF、html、XML、關(guān)系型數(shù)據(jù)庫(kù)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(gòu)成的集合稱為文檔集合。比如海量的互聯(lián)網(wǎng)網(wǎng)頁(yè)或者說(shuō)大量的電子郵件或者說(shuō)一批關(guān)系型數(shù)據(jù)庫(kù)數(shù)據(jù)，都是文檔集合的具體例子。
  
• 文檔編號(hào)（Document ID）：在搜索引擎內(nèi)部，會(huì)為文檔集合內(nèi)每個(gè)文檔賦予一個(gè)唯一的內(nèi)部編號(hào)，以此編號(hào)來(lái)作為這個(gè)文檔的唯一標(biāo)識(shí)，這樣方便內(nèi)部處理。每個(gè)文檔的內(nèi)部編號(hào)即稱為文檔編號(hào)，后面會(huì)用 DocID 來(lái)便捷地代表文檔編號(hào)。
• 單詞編號(hào)（Word ID）：與文檔編號(hào)類似，搜索引擎內(nèi)部以唯一的編號(hào)來(lái)表征某個(gè)單詞，單詞編號(hào)可以作為某個(gè)單詞的唯一表征。
• 倒排索引（Inverted Index）：倒排索引是實(shí)現(xiàn)單詞—文檔矩陣的一種具體存儲(chǔ)形式。通過(guò)倒排索引，可以根據(jù)單詞快速獲取包含這個(gè)單詞的文檔列表。倒排索引主要由兩個(gè)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(xiàn)過(guò)的所有單詞構(gòu)成的字符串集合，單詞詞典內(nèi)每條索引項(xiàng)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(xiàn)過(guò)某個(gè)單詞的所有文檔的文檔列表及單詞在該文檔中出現(xiàn)的位置信息，每條記錄稱為一個(gè)倒排項(xiàng)（Posting）。根據(jù)倒排列表，即可獲知哪些文檔包含某個(gè)單詞。
• 倒排文件（Inverted File）：所有單詞的倒排列表往往順序地存儲(chǔ)在磁盤的某個(gè)文件里，這個(gè)文件即被稱為倒排文件，倒排文件是存儲(chǔ)倒排索引的物理文件。

　　　　關(guān)于這些概念以及之間的關(guān)系，圖1-2可以清晰的看出來(lái)：

　　　　　　　　　　　　　　　　　　　　　　

?

　　三：倒排索引簡(jiǎn)單實(shí)例

　　　　倒排索引從邏輯結(jié)構(gòu)和基本思路上講非常簡(jiǎn)單。下面我們通過(guò)具體實(shí)例來(lái)進(jìn)行說(shuō)明。

　　　　假設(shè)文檔集合包含 5 個(gè)文檔，每個(gè)文檔內(nèi)容如圖 1-3 所示，在圖中最左端一欄是每個(gè)文檔對(duì)應(yīng)的文檔編號(hào)，我們的任務(wù)就是對(duì)這個(gè)文檔集合建立倒排索引。

　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　圖1-3　文檔集合

　　　　中文和英文等語(yǔ)言不同，單詞之間沒有明確的分隔符號(hào)，所以首先要用分詞系統(tǒng)將文檔自動(dòng)切分成單詞序列，這樣每個(gè)文檔就轉(zhuǎn)換為由單詞序列構(gòu)成的數(shù)據(jù)流。為了系統(tǒng)后續(xù)處理方便， 需要對(duì)每個(gè)不同的單詞賦予唯一的單詞編號(hào)，同時(shí)記錄下哪些文檔包含這個(gè)單詞，在如此處理結(jié)束后，我們可以得到最簡(jiǎn)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(gè)單詞的單詞編號(hào)，第 2 列是對(duì)應(yīng)的單詞，第 3 列即每個(gè)單詞對(duì)應(yīng)的倒排列表。比如單詞“谷歌”，其單詞編號(hào)為 1，倒排列表為{1,2,3,4,5}，說(shuō)明文檔集合中每個(gè)文檔都包含了這個(gè)單詞。

　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　圖1-4? ?最簡(jiǎn)單的倒排索引

　　　　之所以說(shuō)圖 1-4 所示的倒排索引是最簡(jiǎn)單的，是因?yàn)檫@個(gè)索引系統(tǒng)只記載了哪些文檔包含某個(gè)單詞，而事實(shí)上，索引系統(tǒng)還可以記錄除此之外的更多信息。圖 1-5 是一個(gè)相對(duì)復(fù)雜些的倒排索引，與圖 1-4 所示的基本索引系統(tǒng)相比，在單詞對(duì)應(yīng)的倒排列表中不僅記錄了文檔編號(hào)，還記載了單詞頻率信息（TF），即這個(gè)單詞在某個(gè)文檔中出現(xiàn)的次數(shù)，之所以要記錄這個(gè)信息，是因?yàn)?strong>詞頻信息在搜索結(jié)果排序時(shí)，計(jì)算查詢和文檔相似度是一個(gè)很重要的計(jì)算因子，所以將其記錄在倒排列表中，以方便后續(xù)排序時(shí)進(jìn)行分值計(jì)算。在圖 1-5 所示的例子里， 單詞“創(chuàng)始人”的單詞編號(hào)為 7，對(duì)應(yīng)的倒排列表內(nèi)容有（3；1），其中 3 代表文檔編號(hào)為 3 的文檔包含這個(gè)單詞，數(shù)字 1 代表詞頻信息，即這個(gè)單詞在 3 號(hào)文檔中只出現(xiàn)過(guò) 1 次，其他 單詞對(duì)應(yīng)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(shí)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(tǒng)除了記錄文檔編號(hào)和單詞頻率信息外，額外記載了兩類信息，即每個(gè)單詞對(duì)應(yīng)的文檔頻率信息（對(duì)應(yīng)圖 1-6 的第 3 列） 及單詞在某個(gè)文檔出現(xiàn)位置的信息。

　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　圖1-6　帶有單詞頻率、文檔頻率和出現(xiàn)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(gè)文檔包含某個(gè)單詞，之所以要記錄這個(gè)信息，其原因與單詞頻率信息一樣，這個(gè)信息在搜索結(jié)果排序計(jì)算中是一個(gè)非常重要的因子。而單詞在某個(gè)文檔中出現(xiàn)位置的信息并非索引系統(tǒng)一定要記錄的，在實(shí)際的索引系統(tǒng)里可以包含，也可以選擇不包含這個(gè)信息，之所以如此是因?yàn)檫@個(gè)信息對(duì)于搜索系統(tǒng)來(lái)說(shuō)并非必需，位置信息只有在支持短語(yǔ)查詢的時(shí)候才能夠派上用場(chǎng)。

　　　　以單詞“拉斯”為例，其單詞編號(hào)為 8，文檔頻率為 2，代表整個(gè)文檔集合中有兩個(gè)文檔包含 這個(gè)單詞，對(duì)應(yīng)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(xiàn)過(guò)這個(gè) 單詞，單詞頻率都為 1，單詞“拉斯”在兩個(gè)文檔中的出現(xiàn)位置都是 4，即文檔中第 4 個(gè)單詞 是“拉斯”。

　　　　如圖 1-6 所示的倒排索引已經(jīng)是一個(gè)非常完備的索引系統(tǒng)，實(shí)際搜索系統(tǒng)的索引結(jié)構(gòu)基本如此，區(qū)別無(wú)非是采取哪些具體的數(shù)據(jù)結(jié)構(gòu)來(lái)實(shí)現(xiàn)上述邏輯結(jié)構(gòu)。

　　　　有了這個(gè)索引系統(tǒng)，搜索引擎可以很方便地響應(yīng)用戶的查詢，比如用戶輸入查詢?cè)~ “Facebook”，搜索系統(tǒng)查找倒排索引，從中可以讀出包含這個(gè)單詞的文檔，這些文檔就是提供給用戶的搜索結(jié)果，而利用單詞頻率信息、文檔頻率信息即可對(duì)這些候選搜索結(jié)果進(jìn)行排序，計(jì)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(tǒng)的部分內(nèi)部流程，具體實(shí)現(xiàn)方案本書第 5 章會(huì)做詳細(xì)描述。

?

轉(zhuǎn)載于:https://www.cnblogs.com/yaokaizhi/p/9742290.html

總結(jié)

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?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。