Download
1 / 23
230 likes | 387 Views
信息检索中效率问题的研究. 报告人：赵江华 北京大学计算机科学与技术系 网络与分布式系统实验室 2002年4月21日 . 信息检索( IR) 的基本概念（一）. 信息检索和数据库管理系统( DBMS） 的区别： DBMS 处理对象是结构化数据， IR 处理大量的非结构化数据。 DBMS 只是管理数据， IR 要管理数据的内容——内容管理（ content management）。 DBMS 的每次事务的结果是确定的， IR 系统的任务是找到用户需要的信息，其结果是不精确的。. 信息检索( IR) 的基本概念（二 ）.
E N D
信息检索中效率问题的研究 报告人：赵江华 北京大学计算机科学与技术系 网络与分布式系统实验室 2002年4月21日
信息检索(IR)的基本概念（一） • 信息检索和数据库管理系统(DBMS）的区别： • DBMS处理对象是结构化数据，IR处理大量的非结构化数据。 • DBMS只是管理数据，IR要管理数据的内容——内容管理（content management）。 • DBMS的每次事务的结果是确定的，IR系统的任务是找到用户需要的信息，其结果是不精确的。
信息检索(IR)的基本概念（二） • 信息检索的两大问题：效率(efficiency)、效果（effectiveness）。 效果指标：查准率(precision)和查全率（recall）。 效率指标：响应时间(response time)和吞吐量（throughput）。 • 文本信息检索效果的提高依赖于自然语言处理(NLP)；信息的指数增长使得检索效率也成为不可忽略的问题。
信息检索(IR)的基本概念（三） • 信息检索系统的组成部分：
信息检索(IR)的基本概念（四） • 基本用户查询(query): • 逻辑操作(AND,OR,NOT)。 • 位置邻近查找(Proximity Search),短语查找(Phrase Search)。 • 对原始信息创建索引加快检索速度： Inverted file , signature file等。 • 倒排文件是最广泛使用的技术，它组织结构灵活，可以满足多种查询方式。
对文档的预处理 • 在英语等语言中做“stem”,索引单词的“主干”。—— 可以提高查全率，降低查准率。 • 汉字之间没有空格，可以对汉字字符索引，也可以索引做切词处理后的词组。 现代汉语中大部分是两个字的词组，单个的字符表示的意义很不确定，所以对词组建索引可以提高查询的效果。切词对查询效率也有重大影响。
倒排文件的组织 • 将文档分割成独立的单词项(term),按单词项索引形成倒排文件。 单词tj对应的posting lists是{( di , fi, a*)+( di+k , fi+k, a*)+…}，fi表示tj在di的出现次数，也是后面a的数量。这是倒排文件的全文本索引(full-text inverted file)形式,它记录了每次出现的位置等信息，要占用较多的存储空间。如果去掉位置信息，仅可以支持逻辑查询形式。
词典的组织（一） • 索引单词项的集合构成词典，系统通过查找词典定位该单词对应的posting lists，这是从单词到指针的映射。有两种词典的组织方式： • 直接用B+树等方式组织单词的字符串。 • 用哈希（hash）的方式——速度更快，可以将所有单词装入内存中。
词典的组织（二） • “天网”中用哈希的方法实现从单词字符串到单词标识(TermID，整数)的转换，单词的标志是在每次创建索引是赋予的（不是固定的），所有单词的标志是从零开始的连续整数。 • 如果维护一个全局稳定的词典（固定单词的标识，便于维护），系统的TermID可能成为稀疏的整数，可以组织成B+树实现从TermID到指针的映射。
数据组织（一） • 倒排文件中单词对应的posting lists部分必须存储在磁盘中，不同单词的posting lists 长度差别很大，可以区别对待。 • 存储管理的方法在DBMS已经有深入研究。在倒排文件中，每个单词的posting lists的访问模式是顺序扫描（sequential scanning），作为一个对象看待最合适。关系数据库管理系统（RDBMS）用于倒排文件的缺点是不太灵活，而且SQL语句的开销比较大。
数据组织（二） • 面向对象的概念更能简洁地描述倒排文件的结构，采用面向对象数据库系统（OODBS）是更好的选择。下面是两个被一些IR系统使用的例子： 用持久对象存储（Persistent Object Store）Mneme管理倒排文件，Mneme不但提供基于对象的数据缓存和良好的磁盘空间分配策略，还可以用它高度的可扩展性，根据数据的特性定制存储。 ObjectStore是商业上最成功的面向对象数据库系统之一，它用内存映射技术实现持久对象存储，和程序语言（C,C++,JAVA）完全集成，既有程序设计语言的灵活，又可以高效的存储数据，是另一个很好的索引管理工具。
数据组织（三） • “天网”中用多个文件实现倒排文件的存储，优点是实现简单，可以利用文件的缓存机制，缺点是灵活性差，效率也有所损失。 • 嵌入式数据库系统Berkeley Database（Berkeley DB）,是一个开放源代码产品，它提供简单高效的功能（三种访问方法B+tree, hash, recno ），实现key/value的存取，这已完全能满足索引管理的需求，可以替代OODBS（在WebBase项目中使用）。
实现倒排表的随机访问 • 高频词（Term）的Posting lists长度通常1Mbytes以上（随着文档数据库规模增大，它会快速增长），称作“long Posting lists”。如果对它作顺序访问，从磁盘读入内存会耗费很长时间，同时占用系统大量的I/O带宽，从而降低整个系统的吞吐量。解决的方法是将对long Posting lists的顺序访问变成随机访问（random access Posting lists）, long Posting lists被按照“文档号”分割成长度较小的数据块，在“AND”和“Proximity search”操作时可以有选择地访问部分数据，不可能相关的文档所在数据块被“跳过”（skip）。它增加了按照“文档号”索引数据，以空间换取时间。
信息检索的缓冲区管理（一） • 利用文件系统的缓存往往不能得到最佳的性能，根据Posting lists的顺序访问模式，可以采用基于对象的缓存，对象持久存储中的双向缓冲区将对象和分页缓存结合起来，是一种更佳的策略。对很高频的单词，由于它对查询准确度的提高很有限（有些系统将它们作为stopword忽略，不建索引），缓存整个它的Posting lists将占用大量内存，少量的高频词就可以耗尽所有的内存，所以缓存高频词的Posting lists将得不偿失。采用random access Posting lists算法，可以将大对象分解成小对象，缓存对小对象的索引数据，提高内存使用效率。
信息检索的缓冲区管理（二） • Jónsson, Björn T., Franklin, Michael J. and Srivastava, Divesh. "Interaction of queryevaluation and buffer management for information retrieval."研究了信息检索中缓存管理和查询的相互作用关系，作者提出两种查询时优化利用缓存的策略：buffer-aware query evaluation 和ranking-aware buffer replacement，前者在查询时优先使用在缓存中的数据来减少读磁盘，后一种技术将数据的语义引入到缓存的替换中，例如关键词的Posting lists要被顺序扫描，每次都必须访问第一个数据页，最后一页则未必需要，所以就应该尽量保持它的第一页在内存中。
查询处理中的Fast Ranking技术 • 主要思想：不检索出全部结果集，只需找出现面K个结果——Retrieve partial document allowing error，要和相关度评价算法（ranking algorithm）结合。 • 对数据存储的要求是在每个单词的Posting lists中要按照频率排序（认为单词在文档中出现频率越高，相关度越大）——Filtered Document Retrieval with Frequency-sorted Indexes。 • 由于只需读取部分数据，可以极大提高检索效率。
倒排文件压缩（一） • 影响倒排文件查询效率的主要是关键词的Posting lists，所以必须压缩它的长度。压缩以后减少了内存、磁盘空间的占用和I/O带宽的使用，同时要对数据编码和解码，增加了CPU时间耗用。考虑到I/O是系统的瓶颈，CPU和I/O之间不断扩大的性能差距，以时间换取空间是可行的。压缩不仅能提高查询时的效率，还能加快创建索引，从各方面提升系统性能。
倒排文件压缩（二） • 关键词对应的Posting lists是整数的序列，包含文档号（d）、关键词在文档中的频度（f）和关键词在文档中的一系列出现（a）。 • 压缩的方法首先基于“游程编码”（run length coding）,增量整数序列被变换为差分序列（原来相邻整数之间的增量序列）。由于Posting lists中文档号d和出现位置a，都是递增排列，故可以做“游程编码”变换。游程编码本身并不能实现压缩，只是较大的整数被变换成了较小的整数（频度f本来就是小整数）。
倒排文件压缩（三） • 字节对齐索引压缩（Byte Aligned Index Compression） 字节对齐索引的优点是容易编码和解码，位操作少，占用CPU时间少，缺点是对很小的整数压缩率低，每个整数最少用一个字节的空间。 • 变长索引压缩（Variable Length Index Compression） 一元编码（unary）、δ编码和γ编码 进一步优化的方法是根据整数序列的平均游程长度（mean run length）,对位向量编码增加参数，称作“局部模式”。比较简单的一种方法是：一个整数序列的个数是pw，则它的平均游程长度是N/ pw，设b=0.69N/ pw，取VG=(b, b, b,…) 作压缩向量，前缀用一元编码，后缀是二进制编码（占用个位）。
倒排文件压缩（四） • 在非全文索引中，Posting lists由文档号d和文档中的词频f组成，一个（d, f）平均用1个字节即可表示；单词t的Posting lists平均长度可以根据t的IDF推算出来。 • 在全文索引中，单词出现的位置信息占据索引数据的主要部分，所以忽略文档号d和文档中的词频f。用变长压缩算法，单词出现位置平均可以用少于8bit的位表示。设全部文档分词后的单词总数是TN，那么单词t总的出现次数是TN*TF，它的Posting lists平均长度小于TN*TF字节。
结论（一） • 用户的大部分查询中的单词数量比较少，查询一个主题时用2-3个单词就可以描述，查询文章的题目时可能有10个单词以上。不妨设Lq表示用户查询中的单词个数，估计平均Lq等于5。根据前面得出的现在一个磁盘的IOPS=100， 可以计算出在不考虑数据缓存情况下，系统平均每秒钟处理查询的上限是IOPS/Lq=20。根据磁盘的可用带宽大约是20MBytes/s，得出每个查询的I/O应不大于1Mbytes，也就是满足如下条件： TN*TF*Lq≤1MB。 代入以上得出的估计参数，有如下结论： • l对汉语字符： TN≤400MB （TF=0.05%，Lq=5 ） • l对英语单词： TN≤4GB （TF=0.005%，Lq=5 ）
结论（二） • 由于汉语的一个字符占两个字节，所以如果对汉语字符建索引，要维持每秒20个查询的系统吞吐量，只能索引800MB的文本数据库。英语的一个单词平均占用字节6-8个（包括空格符），故同样情况下可以索引24-32GB的英语文本。 • 汉语切词后关键词的平均频率达到和英语相近的水平 。在“天网”的检索系统中，使用北大计算语言学研究所开发的切词程序（共收录了7.3万词条 ），切词后对词组建索引。 • 日本的中日韩词典研究所[41]构建的汉语词典有260万的简体和繁体词条，包括60万的一般词汇（简繁各240,000）和科技术语，200万的人名、地名和公司名称等，它对GB-2312的词频统计显示在第100个词频率已经下降到0.05%。
结论（三） • 单机系统支持的检索系统规模在Gbytes级，更大规模的数据必须使用分布并行系统。 • “天网”。 • Google。 • 分布式解决了规模问题，但是系统的吞吐量和并发度仍受限于I/O这个瓶颈。 • 可能必须用内存数据库，将所有数据载入内存，去掉I/O限制。
