正排索引与倒排索引(转)

Posted wangbin

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了正排索引与倒排索引(转)相关的知识,希望对你有一定的参考价值。

正排索引与倒排索引

什么是正排索引(forward index)?

由key查询实体的过程,是正排索引.

在搜索引擎中每个文件都对应一个文件ID,文件内容被表示为一系列关键词的集合(实际上在搜索引擎索引库中,关键词也已经转换为关键词ID。简单的,正排索引可以理解为(文件内容会对应一个分词后的集合list<< item >>) Map< id,list< item>>,能够由id快速(时间复杂度O(1))找到内容的一个数据结构。

什么是倒排索引(inverted index)?

由item查询key的过程,是倒排索引。

倒排索引可以理解为Map< item, list< id>>,能够由查询词快速(时间复杂度O(1))找到包含这个查询词的文件的数据结构。

举例:
文档编号(id)文档内容
1 我喜欢数学
2 我喜欢编程
3 我考试数学成绩很好
4 编程太难了

分词之后的正排索引Map< id, list< item>>

文档编号(id)分词后的集合(list< item>)
1 {我,喜欢,数学}
2 {我,喜欢,编程}
3 {我,考试,数学,成绩,很好}
4 {编程,太难了}

分词后倒排索引

  • 简单的倒排索引Map< item,list< id>>
编号单词(item)倒排列表(list< id>)
1 1,2,3
2 喜欢 1,2
3 数学 1,3
4 编程 2,4
5 考试 3
6 成绩 3
7 很好 3
8 太难了 4
  • 有单词频率信息(TF)的倒排索引Map< item,list< (id;TF)>>

    在单词对应的倒排列表中不仅记录了文档编号,还记载了单词频率信息,即这个单词在某个文档中的出现次数,之所以要记录这个信息,是因为词频信息在搜索结果排序时,计算查询和文档相似度是很重要的一个计算因子,将其记录在倒排列表中,以方便后续排序时进行分值计算。

编号单词(item)倒排列表(list< (id;TF)>);
1 (1;1),(2;1),(3;1)
2 喜欢 (1;1),(2,1)
3 数学 (1;1),(3;1)
4 编程 (2;1),(4;1)
5 考试 (3;1)
6 成绩 (3;1)
7 很好 (3;1)
8 太难了 (4;1)
  • 有单词频率和出现位置(pos)信息的倒排索引Map< item,list<(id;TF;< pos>)>>
编号单词(item)倒排列表(list<(id;TF;< pos>)>);
1 (1;1;<1>),(2;1;<1>,(3;1;<1>)
2 喜欢 (1;1;<2>),(2;1;<2>)
3 数学 (1;1;<3>),(3;1;<3>)
4 编程 (2;1;<3>),(4;1;<1>)
5 考试 (3;1;<3>)
6 成绩 (3;1;<4>)
7 很好 (3;1;<5>)
8 太难了 (4;1;<2>)

检索过程?

简单来讲:先分词,再找到每个item对应的list< id>,最后进行集合求交集的过程。
分词和倒排查询时间复杂度都是O(1),整个搜索的时间复杂度取决于“求list< id>的交集”,因此实际上问题也变成了求两个集合的交集。

以上是关于正排索引与倒排索引(转)的主要内容,如果未能解决你的问题,请参考以下文章

倒排索引,正排索引与lucene

正排索引 与 倒排索引

正排索引倒排索引

es倒排索引和正排索引

正排索引和倒排索引简单介绍

Elasticsearch04-正排索引和倒排索引