检索_检索文献 - CSDN
精华内容
参与话题
  • 检索

    2015-12-02 16:35:57
    检索(Search ),在一组记录集合中找到关键码值等于给定值的某个记录,或者找到关键码符合某种条件的一些记录。 检索效率很重要,需要对数据进行特殊的存储处理。 特殊处理方法:预排序、建立索引、散列技术、B树方法...
    • 检索(Search ) 在一组记录集合中找到关键码值等于给定值的某个记录,或者找到关键码符合某种条件的一些记录。
    • 检索效率很重要,需要对数据进行特殊的存储处理。
    • 特殊处理方法:预排序、建立索引、散列技术、B树方法
    • 检索核心操作:关键码的比较
    • 平均检索长度(Average Search Length ):检索过程中对关键码的平均比较次数ASL
      ASL=npiCi

      其中n是可能检索的所有关键码,Ci是检索第i个关键码的次数,pi是检索第i个的概率。
    • 评估检索的算法:ASL,算法所需存储量,算法的复杂性

    基于线性表的检索

    顺序检索

    对线性表中的所有记录,逐个把它们的关键码和给定值进行比较。

    //Item 类(非完全)
    template<class Type>
    Class Item{
    private:
        Type key;
    public:
        Item(Type value):key(value){}
        Type getKey() {return key;}
        void setKey(Type value){key = value};
    };
    vector<Item<Type>*> dataList;
    //顺序检索算法
    template<class T>
    int SeqSearch(vector<Item<Type>*>& dataList,int length,Type k){
        int i = length;
        dataList[0] = k;  //将第一个元素设置为给定值作为监视哨
        while(dataList[i] != k)
            i --;
        return i;  //找到第一个关键码符合的记录,返回
    }

    算法分析:

    • 最好情况:1次
    • 最坏情况:n+1次
    • 检索成功时,假设检索每个关键码的值相等,平均次数为
      ASL=i=1n1ni=n+12
    • 设检索成功的概率为p
    • ASL=pn+12+(1p)(n+1)=(n+1)(1p2)
    • ASL在n+12n+1之间

    二分检索

    • 要求线性表有序
    • 每一次比较缩小一半的范围
    template<class Type>
    int BinSearch(vector<Item<Type>*>& dataList,int length,Type k){
        int low = 1; high = length;mid;
        while(low < high) //循环
        {
            mid = (low + high)/2;  //二分
            if(dataList[mid] == k)
                return mid;
            else if(dataList[mid] < k)
                    low = mid;
            else if(dataList[mid] > k)
                    high = mid;
        }
        return 0;  //检索失败返回0
    }

    算法分析

    • 最大检索长度:[log2[n+1]]

      ASL=i=1[log2(n+1)]1ni2i1=1n[(log2(n+1)1)(n+1)+1]log2(n+1)1

    • 优点:检索速度快。

    • 缺点:需要排序、不易增删

    分块检索

    • 顺序与二分法的折衷:兼顾速度与灵活性
    • 分块的条件:不需要均匀,块内不一定要有序,只要保证前一块中的最大关键码小于后一块中的最小关键码。
    • 建立索引表,每个块用一个结点,记录块的最大关键码、起始位置、块的长度(可能不满)。
    • 索引表是递增的有序表。

    性能分析

    • n个元素分成b
    • 两级检索:检索块ASLb+块内ASLwASL=ASLb+ASLw
    • 如果两级都用顺序检索
      • ASLb=b+12,ASLw=s+12ASL=b+12+s+12=b+s2+1=n+s22s+1
      • s=n时,ASL取最小值,ASLn
      • 速度比顺序检索快,比二分检索慢。
      • 如果数据块放在外存,还会受到页块大小的制约。
    • 如果采用二分检索确定记录所在子表
      • ASL=log2(b+1)1+s+12log2(1+ns)+s2
    • 优点:插入删除容易、没有大量移动数据
    • 缺点:增加辅助存储空间、初始线性表分块排序、结点分布不均时速度下降

    集合的检索

    用位向量表示集合

    • 适用于密集型集合(数据范围小,集合中有效元素较多),比如查找“奇素数”

    散列

    检索是直接面向用户的操作。当问题规模很大时,前述基于关键码检索的时间效率可能使用户无法忍受。最理想的情况就是根据关键码直接找到记录的存储地址。

    数组按下标读取就是O(1)的操作,和数组的规模无关。由此产生了散列方法。

    基本思想

    • 一个确定的函数h
    • 以结点的关键码K为自变量
    • 函数值h(K)作为结点的存储地址
    • 检索的时候根据这个函数计算存储位置
    • 散列表的存储空间通常是一个一维数组
    • 散列地址是数组下标
    • 负载因子 α=nm=
    • 冲突 不相同的关键码得到相同的散列地址
    • 同义词 发生冲突的两个关键码

    核心问题

    1. 如何构造散列函数?
      Address=Hash(Key)

      • 运算尽可能简单
      • 值域必须在表长范围内
      • 尽可能使避免冲突
      • 综合考虑:关键码长度、散列表大小、关键码分布情况、记录的检索频率
    2. 如何解决冲突?
      • 开散列方法(open hash ),也叫拉链法(separate chaining ),把发生冲突的关键码存在散列表主表之外。
      • 闭散列方法(closed hashing ),也叫开地址法(open addressing),把发生冲突的关键码存在表中另一个槽内。

    常用散列函数

    1. 除余法
      • 用散列长度模关键码h(x)x(modM)
      • M一般取质数,增大分布均匀的可能性:函数值依赖于关键码x所有位
      • 不用偶数、幂
      • 缺点:连续的关键码映射成连续的函数值,可能导致散列性能降低。
    2. 乘余取整法
      • 先让关键码乘一个数A(0<A<1),取小数部分,乘以散列长度n,向下取整。h(x)=[(x×A[x×A])×n]
      • 优点:对n的选择无关紧要:地址空间有k位,就取n=2k
      • Knuth认为A可以取任何值,但是取黄金分割最理想
    3. 平方取中法
      通过平方扩大关键码之间的差别,再取其中几位或组合作为散列地址
    4. 数字分析法

      • nd位数为例
      • 每一位可能有r个可能的符号
      • r种不同的符号在各位上出现的频率不一定相同
      • 根据散列表的大小,选取各符号分布均匀的若干位作为散列地址
      • 计算各个位上符号分布的均匀度λk=ri=1(αkin/r)2
      • 其中αi表示第i个符号在第k位上出现的次数。
      • λ越小,说明在k位上分布越均匀
      • 仅适用于事先明确知道表中所有关键码在每一位上的分布情况,完全依赖于关键码的集合
      • 如果换一个关键码的集合,就要重新进行分析。
    5. 基数转换法

      • 把关键码看成另一进制上的数
      • 把它转换成原来进制上的数
      • 取其中若干位作为散列地址
      • 一般取大于原来基数的数作为转换的基数,并且两个基数要互素
    6. 折叠法
      • 将关键码分割成位数相同的几部分(最后一部分位数不一定相同),取叠加和作为散列地址。
      • 分为移位叠加和分界叠加。
    7. ELFhash字符串散列函数

    开散列方法

    1. 拉链法
      • 插入同义词时,可以对同义词链排序插入。
      • 性能分析:给定一个大小为M存储n个记录的表,理想情况下,散列把记录在表中M个位置平均放置,使得每个链表中有nM个记录。如果M>n,散列方法的平均代价就Θ(1)
      • 不适用与外存检索

    2.桶式散列

    • 适合于存储在磁盘的散列表
    • 一个文件分成多个存储桶,每一个存储桶包含一个和多个页块。每个页块包含若干记录,页块之间用指针连接。
    • 散列函数h(K)表示关键码是K的记录所在的存储桶序号。

    闭散列方法

    • 基地址位置d0=h(K)
    • 当冲突发生时,使用某种探查方法为关键码K生成一个散列地址序列d1,d2,,所有的di是后继散列地址
    • 当插入K时,如果基地址上的结点已经被其他数据元素占据,按这种探查方法后继地址,找到第一个空闲位置。如果满了,报告溢出。
    • 检索的策略(探查方法)必须和插入相同。
    • 探查方法

      1. 线性(顺序)探查
        • 如果记录的基位置被占用,顺序地查找表中第一个空闲地址。
          p(K,i)=i
        • 缺点:会发生聚集,导致很长的探查序列。
        • 改进:每次跳c个位置,但是还是可能导致聚集(clustering)。
        • p(K,i)=ic
      2. 二次探查
        探查的增量是
        p(K,i)={12,12,22,22,}
      3. 伪随机数序列探查
        p(K,i)=perm[i1]

        • 优点:二次探查和伪随机数序列探查都可以消除聚集。
        • 缺点:二次探查和伪随机数序列探查都不能消除二次聚集,即如果两个关键码散列到同一个基地址,得到的探查序列还是相同的,因而发生聚集。
      4. 双散列探查
        • 探查序列不仅仅是基地址的函数,还是是原来关键码的函数
        • 使用两个散列函数h1,h2
        • 利用第二个散列函数作为常数,每次跳过常数项,做线性检查
        • p(K,i)=ih2(key)
        • h2(key)必须与M互素。
        • 不易产生聚集,但是计算量增大。
    • 算法实现

      • 字典(dictionary),一种特殊的集合,元素是(关键码,属性值)二元组。
      • 同一个字典内关键码必须是不同的。
      • 主要操作:依据关键码来存储和析取值 insert(key,value),lookup(key)

        template<class Key,class Elem,class KEComp,class EEComp>class hashdict{
        private:
            Elem * HT;  //散列表
            int M;  //散列表大小
            int current;  //现有元素数目
            Elem EMPTY;  //空槽
            int p(Key K,int i);  //探查函数
            int h(int x) const;  //散列函数
            int h(char * x) const;  //字符串散列函数
        public: 
            hashdict(int sz,Elem e){
            M = sz;
            EMPTY = e;
            current = 0;
            HT = new Elem[sz];
            for(int i = 0;i < M;i++)
                HT[i] = EMPTY;
            }
            ~hashdict(){delete [] HT;}
        
            bool hashSearch(const Key&,Elem &) const;
            bool hashInsert(const Key& K);
            Elem hasDelete(const Key& K);
            int size() {return current;}
        };
        • 插入算法:基地址未被占用则直接插入,如果非空闲且已经是K则报告已经插入,否则按照探查方法找到下一个地址并循环,直到插入成功。

          //插入算法
          template<class Key,class Elem,class KEComp,class EEComp>
          bool hashdict<Key,Elem,KEComp,EEComp>::hashInsert(const Elem& e){
              int home = h(getkey(e));  //找到新结点基地址
              int i = 0;
              int pos  = home;
              while(!EEComp::eq(EMPTY,HT[pos])){
                  if(EEComp::eq(e,HT[pos])) 
                      return false;
                  i++;
                  pos = (home + p(getkey(e),i)) % M;  //探查
              }
              HT[pos] = e;
              return true;
          }
        • 检索算法:查找K对应的基地址,如果空闲则报错,如果非空闲且等于K则检索成功,否则则按照探查方法找到下一个地址并循环,知道检索成功。

          //检索算法
          template<class Key,class Elem,class KEComp,class EEComp>
          bool hashdict<Key,Elem,KEComp,EEComp>::hashSearch(const Key& K,Elem e){
              int  i = 0;
              pos =  home = h(K);  // 初始位置
              while(!EEComp::eq(HT[pos],EMPTY){
                  if(KEComp(HT[pos],K)){  //KE、EE的定义是什么?
                      e = HT[pos]; //这是说e=K?检索的结果不应该是地址吗?
                      return true;
                  }
                  i ++;
                  pos = (home + p(K,i)) % M;
              }
              return false;
          }
      • 删除算法:删除不能影响后面的检索,空出的位置应该可以放新的插入。只有开散列方法才可以真正实现删除,闭散列方法只能标记墓碑,不能真正删除。

        //带墓碑的删除算法
        template<class Key,class Elem,class KEComp,class EEComp>
        bool hashdict<Key,Elem,KEComp,EEComp>::hashDelete(const Key& K,Elem e){
            int i = 0;
            pos = home = h(K);  //初始位置
            while(!EEComp::eq(EMPTY,HT[pos])){
                if(EEComp::eq(K,HT[pos])){
                    Key temp = HT[pos];
                    HT[pos] = TOMB;
                    return temp;
                }
                i++;
                pos = (home + p(K,i)) % M;
            }
            return EMPTY;
        }
        
        //带墓碑的插入算法
        template<class Key,class Elem,class KEComp,class EEComp>
        bool hashdict<Key,Elem,KEComp,EEComp>::hashInsert(const Elem& e){
            int insplace;
            int i = 0;
            int pos  = home = h(getkey(e));  
            bool tomb_pos = false;
            while(!EEComp::eq(EMPTY,HT[pos])){
                if(EEComp::eq(e,HT[pos])) 
                    return false;
                if(EEComp::eq(TOMB,HT[pos]) && !tomb_pos)  
                {
                    insplace = pos;
                    tomb_pos = true;
                }
                i++;
                pos = (home + p(getkey(e),i)) % M;  //探查
            }
            if(!tomb_pos)
                insplace = pos;  //如果没有墓碑,则insplace位于空槽位置
            HT[implace] = e;
            return true;
        }

    本文主要参考Wang Tengjiao课件

    展开全文
  • 第1章 布尔检索 信息检索的定义:信息检索(IR)是大型非结构化性质(通常是文本)的集合(通常是文档)中寻找满足(通常存储在计算机上)的信息需求。 1.1一个信息检索的例子 问题描述:确定莎士比亚的作品...

    第1章 布尔检索

    • 信息检索的定义:信息检索(IR)是从大型集合(通常存储在计算机上)中寻找满足信息需求的非结构化性质(通常是文本)的材料(通常是文档)。

    1.1一个信息检索的例子

    问题描述:确定莎士比亚的作品集中,哪些戏剧包含了词汇Brutus和Caesar而不包含Calpumia。

    1.解决办法

    (1)最简单的文档检索形式:计算机通过文档进行线性扫描(Unix/Linux中文本扫描grep)
    缺点:线性扫描的时间复杂度与文档集大小成正比,不适合大规模文本检索
    无法满足以下需求:
    1.快速处理大型文档集合
    2.更灵活的匹配操作
    3.检索结果排序
    (2)提前建立索引文档:避免对每个查询进行线性扫描,以词项(term)为横坐标,文档(document)为纵坐标,根据文档中是否出现该词汇建立二进制词汇-文本关联矩阵。
    在这里插入图片描述
    图1.1 词汇-文档关联矩阵,当d列包含t行单词时M(t,d)为1,否则为0

    针对本问题,取词汇Brutus和Caesar及Calpumia的行向量做运算(Brutus AND Caesar AND NOT Calpumia),得出问题答案: Antony and Cleopatra和Hamlet.

    110100 and 110111 and 101111 = 100100
    

    2.相关概念

    • 布尔检索模型(Boolean retrieval model):信息检索的一个模型,布尔检索模型可以提出以布尔表达式的形式表示(结合逻辑运算符and,or,not)的任何查询。该模型将每个文档看作是一组单词。
    • 正确率(Precision):评估一个IR系统的有效性的关键统计信息,返回的结果中有多少与信息需求相关.
    • 召回率(recall):评估一个IR系统的有效性的关键统计信息,在收集的相关文档中,有多少是由系统返回的.

    3.倒排索引(inverted index)

    考虑500K*1M的词项-文档关联矩阵:矩阵规模超出计算机内存而难以存储,观察矩阵可以发现其为稀疏矩阵,那么一个更好的方式为只记录1的位置。
    在这里插入图片描述
    图1.2 倒排索引的两部分,倒排记录表(postings)以文件ID排序

    • 词典(Dictionary):存储词项,并有一个指向每个词项的倒排记录表的指针,通常还存储其他的摘要信息,例如,每个词项的文档频率等
    • 倒排记录表(Postings):存储词项出现的文档列表,并可能存储其他信息,如词项频率(每个文档中每个词项的频率)或每个文档中词项的位置等。
      (概念辨析:√倒排记录(posting):词项对应的list中的每一个元素;√倒排表(posting list/inverted list):一个词项对应的整个list;√倒排记录表(Postings):所有词项的倒排表一起构成)

    1.2建立倒排索引

    1.主要步骤:
    (1)收集被索引的文档
    (2)标记文本,将每个文档转换为词条(token)
    (3)进行语言预处理,生成标准化词条:
    (4)通过创建一个倒排索引来索引每一项的文档,包括一个词典和一个倒排记录表。(词典通常保存在内存中,倒排记录表通常保存在磁盘上)

    √对每个词项t, 记录所有包含t的文档,建立词条序列<词条,docID>二元组
    √对词项、文档排序。对词项按字母排序,对倒排记录表按docID排序
    √合并相同词项,并记录文档频率doc.freq(记录所有包含词项t的文档数目)

    2. For example:
    在这里插入图片描述
    图1.3 通过排序和分组构建索引

    1.3 处理布尔查询

    1.简单的连接查询:Brutus And Calpurnia
    建立Brutus 和 Calpurnia的倒排索引,进行如下操作:
    (1)在词典里找到Brutus
    (2)检索其倒排记录表
    (3)在词典里找到Calpurnia
    (4)检索其倒排记录表
    (5)合并倒排记录表(合并倒排记录表能够快速找到包含两个词项的文档)
    在这里插入图片描述
    图1.4 合并Brutus和Calpurnia倒排记录表

    合并算法:将指针保持在两个列表中,同时遍历两列表,每一步中比较两个指针指向的检验结果。如果相同则将这个检验放在结果列表中,并同时推进两个指针;否则将指针指向较小的docID。
    √复杂度:如果列表的长度是x和y,那么交集就是O(x+y)操作。常数时间复杂度,但在实践中,这个常数是巨大的。要使用这种算法,关键是要按全局统一标准排序列表。
    在这里插入图片描述
    图1.5 两个倒排记录表p1和p2的合并算法

    2.扩展交集操作处理更复杂的查询:(Brutus or Caesar) and not Calpurnia

    3.查询优化:选择如何组织查询的处理过程,使系统需要完成最少工作。考虑t个词项和的查询,例如:Brutus and Caesar and Calpurnia

    √分析:将t个词项中的所有项的倒排记录表进行与运算。标准的启发式算法是根据词项的文档频率递增方向处理,如果从两个最小的倒排记录表开始合并,那么所有的中间结果都不应该比最小的倒排记录表大,因此可能会做最少的总工作。
    √调整:在词典中保持词项的频率的第一个调整,允许在访问任何倒排记录表之前基于内存中的数据做出这个排序决定。执行以下查询:
    (Calpurnia and Brutus) and Caesar

    4.对更一般的查询进行优化
    例如:(madding or crowd) and (ignoble or strife) and (killed or slain)
    ((范式存在定理)任一命题公式都存在着与之等值的析取范式和合取范式,即任何布尔查询逻辑表达式都能转换为合取范式)

    √处理步骤:
    (1)获得每个词项的doc.freq
    (2)通过将词项的doc.freq相加,保守估计每个OR表达式对应的倒排记录表的大小
    (3)将每个OR表达式从小到大依次处理

    √中间结果列表替换:
    对于任意的布尔查询,必须对复杂表达式中中间表达式的答案进行评估和临时存储。在查询是纯连接的情况下,比起将合并倒排记录表作为一个有两个输入和一个输出的函数,更高效的是对每个检索的倒排记录表以当前内存中的中间结果取交集,通过加载最少频率词项的倒排记录表初始化中间结果。算法如图:
    在这里插入图片描述
    图1.6 返回包含输入词项的文档集的连接查询算法
    (1)交集运算是不对称的:中间结果列表在内存中,而与之交叉的列表正在从磁盘读取。中间结果列表总是至少和其他列表一样短,而且在许多情况下,它的数量级要短一些。
    (2)时间复杂度:当列表长度的差异非常大时,使用替换技术是很有效果的。在中间结果列表中,可以通过破坏性修改或标记无效项来计算交集。或者交集可以作为中间结果列表中每个倒排记录表中的一个二进制搜索序列。另一种可能是将长倒排记录表存储为哈希表,可以在常量时间内计算中间结果项。
    (3)这种替代技术很难与排序列表压缩相结合。当查询的两个词项都很常见时,标准的倒排记录表的交集操作仍然必要。

    1.4 扩展的布尔模型与排名检索

    • 排名检索模型:如向量空间模型,主要为自由文本查询,只要输入一个或多个单词而非精确的语言与运营商建立查询表达式,由系统决定哪些文档最满足查询。

    • 扩展的布尔检索模型:系统通过合并额外的操作符来实现,例如,词项接近操作符。

    • 近距离操作符:一种指定操作符查询中的两个词项必须在文档中彼此接近的方法,通过限制插入词的允许数量或引用一个句子或段落等结构单元来衡量亲密度。

    Eg. 商业布尔查询:Westlaw
    语法: 空格 - 分割 ;& - AND ; /s,/p和/k - 相同句子、相同段落或k个单词中的匹配 ; “” - 字符串 ; ! - 通配符查询(如liab!表示匹配所有以liab开头的单词) ; work-site 匹配worksite、work site、worksite;

    √布尔查询优缺点:
    优点:精确,文档要么匹配查询,要么不匹配。这为用户提供了更大的控制和对所检索到的内容的透明性。
    缺点:使用和操作符往往会产生高精度但低的回忆搜索,而使用或操作符则提供低精度但高的回忆搜索

    √对非结构化信息进行临时搜索的基本技术的产生:
    更多需求:
    (1)希望能更好地确定字典中的一组词项,并提供对拼写错误和用词不一致的检索
    (2)希望做一些接近于微软的近距离查询。要回答这样的查询,必须增加索引以捕获文档中词项的近端。
    (3)一个布尔模型只记录词项的存在或缺失,但通常希望积累证据,对那些有一个词项的文档给予更多的权重,而不是只包含一次的文档。为了做到这一点,需要在倒排记录表中使用词项频率信息(一个词项在文档中出现的次数)
    (4)布尔查询只是检索一组匹配的文档,希望有一个有效的方法来订购(或排名)返回的结果。这需要有一种机制来确定文档的分数,它封装了一个文档对查询的匹配程度。

    展开全文
  • 全文检索

    万次阅读 2018-08-14 08:40:24
    本文我将为大家讲解全文检索技术——Lucene,现在这个技术用到的比较多,我觉得大家还是应该掌握一下,不说多精通,但是应该有所了解。在讲解之前,我们先来看一个案例,通过该案例引出全文检索技术——Lucene。 ...

    本文我将为大家讲解全文检索技术——Lucene,现在这个技术用到的比较多,我觉得大家还是应该掌握一下,不说多精通,但是应该有所了解。在讲解之前,我们先来看一个案例,通过该案例引出全文检索技术——Lucene。

    案例

    实现一个文件的搜索功能,通过关键字搜索文件,凡是文件名或文件内容包括关键字的文件都需要找出来。还可以根据中文词语进行查询,并且需要支持多个条件查询。本案例中的原始内容就是磁盘上的文件,如下图: 
    这里写图片描述

    需求分析

    数据库搜索

    数据库中的搜索很容易实现,通常都是使用sql语句进行查询,而且能很快的得到查询结果。为什么数据库搜索很容易呢?因为数据库中的数据存储是有规律的,有行有列而且数据格式、数据长度都是固定的。

    数据分类

    我们生活中的数据总体分为两种:结构化数据和非结构化数据。

    • 结构化数据:指具有固定格式或有限长度的数据,如数据库中的数据,元数据等。
    • 非结构化数据:指不定长或无固定格式的数据,如邮件,word文档等磁盘上的文件。

    非结构化数据查询方法

    1. 顺序扫描法(Serial Scanning) 
      所谓顺序扫描,比如要找内容包含某一个字符串的文件,就是一个文档一个文档的看,对于每一个文档,从头看到尾,如果此文档包含此字符串,则此文档为我们要找的文件,接着看下一个文件,直到扫描完所有的文件。如利用windows的搜索也可以搜索文件内容,只是相当的慢。
    2. 全文检索(Full-text Search) 
      将非结构化数据中的一部分信息提取出来,重新组织,使其变得有一定结构,然后对此有一定结构的数据进行搜索,从而达到搜索相对较快的目的。这部分从非结构化数据中提取出的然后重新组织的信息,我们称之索引。 
      例如:字典。字典的拼音表和部首检字表就相当于字典的索引,对每一个字的解释是非结构化的,如果字典没有音节表和部首检字表,在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以提取出来进行结构化处理,比如读音,就比较结构化,分声母和韵母,分别只有几种可以一一列举,于是将读音拿出来按一定的顺序排列,每一项读音都指向此字的详细解释的页数。我们搜索时按结构化的拼音搜到读音,然后按其指向的页数,便可找到我们的非结构化数据——也即对字的解释。 
      这种先建立索引,再对索引进行搜索的过程就叫全文检索(Full-text Search)。 
      虽然创建索引的过程也是非常耗时的,但是索引一旦创建就可以多次使用,全文检索主要处理的是查询,所以耗时间创建索引是值得的。

    如何实现全文检索

    可以使用Lucene实现全文检索。Lucene是apache下的一个开放源代码的全文检索引擎工具包(提供了Jar包,实现全文检索的类库)。它提供了完整的查询引擎和索引引擎,部分文本分析引擎。Lucene的目的是为软件开发人员提供一个简单易用的工具包,以方便地在目标系统中实现全文检索的功能。 
    注意:Lucene只是一个引擎,只是一个工具包,如果使用Lucene开发全文检索功能,要记住Lucene是不能单独运行的

    全文检索技术的应用场景

    对于数据量大、数据结构不固定的数据可采用全文检索方式搜索。例如:

    • 使用全文检索技术可以实现搜索引擎(百度、google…),搜索引擎可以搜索互联网上所有的内容(网页、pdf电子书、视频、音乐)。 
      Lucene和搜索引擎的区别:搜索引擎是对外提供全文检索服务,是可以单独运行的。Lucene只是一个工具包不能单独运行,需要在project中加入lucene的jar包,最终project在JVM中运行。
    • 使用全文检索技术可以实现站内搜索,站内搜索只能搜索本网站的信息(网页、pdf电子书、视频、音乐、关系数据库中的信息等等),比如:电商网站搜索商品信息,论坛网站搜索网内帖子。

    Lucene实现全文检索的流程

    索引和搜索流程图

    索引和搜索流程图如下: 
    这里写图片描述
    1. 绿色表示索引过程,对要搜索的原始内容进行索引构建一个索引库,索引过程包括:确定原始内容即要搜索的内容→采集文档→创建文档→分析文档→索引文档。 
    2. 红色表示搜索过程,从索引库中搜索内容,搜索过程包括:用户通过搜索界面→创建查询→执行搜索,从索引库搜索→渲染搜索结果。

    从上面了解到的知识点也可看出,索引和搜索流程图也可表示为: 
    这里写图片描述 
    总结:全文检索过程分为索引、搜索两个过程:

    • 索引 
      1. 从关系数据库中、互联网上、文件系统采集源数据(要搜索的目标信息),源数据的来源是很广泛的。
      2. 将源数据采集到一个统一的地方,要创建索引,将索引创建到一个索引库(文件系统)中,从源数据库中提取关键信息,从关键信息中抽取一个一个,词和源数据是有关联的。也即创建索引时,词和源数据有关联,索引库中记录了这个关联,如果找到了词就说明找到了源数据(http的网页、pdf电子书等……)。
    • 搜索 
      1. 用户执行搜索(全文检索)编写查询关键字。
      2. 从索引库中搜索索引,根据查询关键字搜索索引库中的一个一个词
      3. 展示搜索的结果。

    创建索引

    对文档索引的过程,将用户要搜索的文档内容进行索引,索引存储在索引库(index)中。 
    这里我们要搜索的文档是磁盘上的文本文件,根据案例描述:凡是文件名或文件内容包括关键字的文件都要找出来,这里要对文件名和文件内容创建索引。

    获得原始文档

    原始文档是指要索引和搜索的内容。原始内容包括互联网上的网页、数据库中的数据、磁盘上的文件等。本案例中的原始内容就是磁盘上的文件,如下图: 
    这里写图片描述
    从互联网上、数据库、文件系统中等数据源处获取需要搜索的原始信息,这个过程就是信息采集,信息采集的目的是为了对原始内容进行索引。针对不同的源数据,使用不同的技术进行采集获得原始文档:

    1. 针对互联网上的数据,使用http协议抓取html网页到本地,生成一个html文件。
    2. 针对关系数据库中的数据,连接数据库读取表中的数据。
    3. 针对文件系统中的数据,通过流读取文件系统的文件。

    以上技术中使用第一种较多,因为目前全文检索主要搜索数据的来源是互联网,在Internet上采集信息的软件通常称为爬虫或蜘蛛,也称为网络机器人,爬虫访问互联网上的每一个网页,将获取到的网页内容存储起来,所以搜索引擎使用一种爬虫程序抓取网页( 通过http抓取html网页信息)。 
    Lucene不提供信息采集的类库,需要自己编写一个爬虫程序实现信息采集,也可以通过一些开源软件实现信息采集,以下是一些爬虫项目(了解):

    • Solr(http://lucene.apache.org/solr),solr是apache的一个子项目,支持从关系数据库、xml文档中提取原始数据。
    • Nutch(http://lucene.apache.org/nutch), Nutch是apache的一个子项目,包括大规模爬虫工具,能够抓取和分辨web网站数据。
    • jsoup(http://jsoup.org/ ),jsoup是一款Java的HTML解析器,可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据。
    • Heritrix(http://sourceforge.net/projects/archive-crawler/files/),Heritrix是一个由java开发的、开源的网络爬虫,用户可以使用它来从网上抓取想要的资源。其最出色之处在于它良好的可扩展性,方便用户实现自己的抓取逻辑。

    本案例我们要获取磁盘上文件的内容,可以通过文件流来读取文本文件的内容,对于pdf、doc、xls等文件可通过第三方提供的解析工具读取文件内容,比如Apache POI读取doc和xls的文件内容。

    创建文档对象

    获取原始内容的目的是为了索引,在索引前需要将原始内容创建成文档(Document),文档中包括一个一个的域(Field),域中存储内容。 
    这里我们可以将磁盘上的一个文件当成一个Document,Document中包括一些Field(file_name文件名称、file_path文件路径、file_size文件大小、file_content文件内容),如下图: 
    这里写图片描述 
    注意:每个Document可以有多个Field,不同的Document可以有不同的Field,同一个Document可以有相同的Field(域名和域值都相同)。每个文档都有一个唯一的编号,就是文档id

    分析文档

    将原始内容创建为包含域(Field)的文档(Document),需要再对域中的内容进行分析,分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除停用词(没有意义的单词)等过程生成最终的语汇单元,可以将语汇单元理解为一个一个的单词。 
    例如,原始文档内容如下:

    Lucene is a Java full-text search engine. Lucene is not a complete 
    application, but rather a code library and API that can easily be used 
    to add search capabilities to applications.

    上边的文档经过分析得出的语汇单元为:

    lucene、java、full、search、engine……

    每个单词叫做一个Term,不同的域中拆分出来的相同的单词是不同的Term(同一个域中拆分出来的相同的单词是同一个Term)。Term中包含两部分内容,一部分是文档的域名,另一部分是单词的内容。 
    例如:文件名中包含的apache和文件内容中包含的apache是不同的Term。

    创建索引

    对所有文档分析得出的语汇单元进行索引,索引的目的是为了搜索,最终要实现只搜索被索引的语汇单元从而找到Document(文档)。 
    这里写图片描述 
    注意:创建索引是对语汇单元索引,通过词语找文档,这种索引的结构叫倒排索引结构。传统方法是根据文件找到该文件的内容,在文件内容中匹配搜索关键字,这种方法是顺序扫描方法,数据量大、搜索慢。 
    倒排索引结构是根据内容(词语)找文档,如下图: 
    这里写图片描述 
    倒排索引结构也叫反向索引结构,包括索引和文档两部分,索引即词汇表,它的规模较小,而文档集合较大

    查询索引

    查询索引也是搜索的过程。搜索就是用户输入关键字,从索引(index)中进行搜索的过程。根据关键字搜索索引,根据索引找到对应的文档,从而找到要搜索的内容(这里指磁盘上的文件)。

    用户查询接口

    全文检索系统提供用户搜索的界面供用户提交搜索的关键字,搜索完成展示搜索结果。比如: 
    这里写图片描述
    Lucene不提供制作用户搜索界面的功能,需要根据自己的需求开发搜索界面。

    创建查询

    用户输入查询关键字执行搜索之前需要先构建一个查询对象,查询对象中可以指定查询要搜索的Field文档域、查询关键字等,查询对象会生成具体的查询语法。例如,语法 “fileName:lucene”表示要搜索Field域的内容为“lucene”的文档。

    执行查询

    搜索索引过程:根据查询语法在倒排索引词典表中分别找出对应搜索词的索引,从而找到索引所链接的文档链表。例如,搜索语法为“fileName:lucene”表示搜索出fileName域中包含Lucene的文档。搜索过程就是在索引上查找域为fileName,并且关键字为Lucene的Term,并根据Term找到文档id列表。 
    这里写图片描述

    这里写图片描述
    索引域:索引域是用于搜索的,搜索程序将从索引域中搜索一个一个词,根据词找到对应的文档。之所以根据词可以找到文档,是因为词是从Document中的Field内容抽取出来的。将Document中的Field的内容进行分词,将分好的词创建索引,索引=Field域名:词(表示从Document中的哪个Field抽取的词)。

    渲染结果

    以一个友好的界面将查询结果展示给用户,用户根据搜索结果找自己想要的信息,为了帮助用户很快找到自己的结果,提供了很多展示的效果,比如搜索结果中将关键字高亮显示,百度提供的快照等。 
    这里写图片描述

    展开全文
  • 检索那些事儿

    2020-03-20 18:08:13
    最近在线上修习《文献检索与利用》这门课,可能很多小伙伴和我一样,听着名字,感觉含简单,不就教我们是怎么查资料嘛,这年头谁不会百度和google啊(嘿嘿,可能还真有很多没用过Google),自己一开始也是这样浅显的...
    // 因为是作业之一,所以留个作者
    // @Author 龚涛-201731061426
    // @School 西南石油大学-计算机科学学院
    

    题外话

    最近在线上修习《文献检索与利用》这门课,可能很多小伙伴和我一样,听着名字,感觉含简单,不就教我们是怎么查资料嘛,这年头谁不会百度和google啊(嘿嘿,可能还真有很多没用过Google),自己一开始也是这样浅显的认为:“我们学计算机的,面向搜索引擎编程,天天干些检索的事儿,没几句代码是自己创作的,所以文献检索嘛,应该挺简单的,还用学?”,不知道有多少同学和我一样的感jio。然而事实并非这样,《文献检索与利用》这门课重点就三个keyword:文献、检索、利用。通过前两周的学习,才真正认识了文献的概念、范畴、分类,还了解了文献引用规则、信息素养等知识,真是一门学问,从那后就觉得这门课还真得认真学学,本周学到第二个重点:检索,对于检索这项技术,自己还是小有体会,毕竟平时干了那么多,所以借着同学之间互相交流的机会,和大家一起讨论讨论——检索那些事儿。

    检索和检索工具

    检索

    在我们的脑海中,可能大多数同学都觉得“检索”,其实就是搜索信息,意思虽然大差不差,不过还是真正认识一下什么是检索:

    检索:与搜索近义,指从用户特定的信息需求出发,对特定的信息集合采用一定的方法、技术手段,根据一定的线索与规则从中找出相关信息。
    基本解释:检查索取所需要的文字或资料

    检索工具

    很明显,检索工具就是我们在检索过程中需要使用的设备或者工具,检索工具涵盖的范围很广,其按照不同的标准(设备、信息载体形态、收录范围、时间、编制)可以分不同的类别,百科定义:

    检索工具是用于报道、存储和查找文献线索的工具和设备的总称。图书馆目录、期刊索引、电子计算机检索用的文献数据库等等都是检索工具。它具有报道文献、存储文献、检索文献三大基本功能。其类型有手工检索工具和机械检索工具两种。手工检索工具指目录、索引、文摘等印刷型的二次文献。机械检索工具是指电子计算机情报检索系统的技术设备而言。

    检索分类

    百科中对检索进行了分类,可分为:传统文献检索和网络检索。

    • 传统文献检索:传统文献检索经常使用到的工具是索引卡片,即将文献资料的信息记录在索引卡片上。索引卡片上一般会记载文献的题名、作者、主题词、摘要等信息。
      在查找文献资料时,先要去查找索引,找到其馆藏位置,然后索取资料。
    • 网络检索:如今的网络时代,互联网资源丰富,很多资料我们都可以从Internet获取,但这需要是用一定的方式去查询,即检索,在因特网上进行检索主要有两种方式:目录浏览和使用搜索引擎

    我们平常接触最多的就是计算机检索工具,使用最多的检索方式就是目录浏览搜索引擎了,接下来谈谈我对这两种检索方式的看法,以及分享一些高级的检索技巧。

    目录浏览

    目录浏览的方式即雅虎搜索引擎采用的方式,用户可以根据自己的需要点击目录,深入下一层子目录,从而找到自己需要的信息。这种方式便于查找某一类的信息集合,但是精确定位的能力不强。
    可能有的小伙伴说,我没用过雅虎,所以不太了解这个目录浏览,其实很简单,每个同学都用过这种检索方式:
    1、平时我们使用电脑的时候,系统的文件系统结构其实就是一个目录结构,我们找文件的时候,其实就是一个目录浏览模式,先找到根目录,然后进入相应的子目录,层层递归,最终可以找到我们想要的文件。
    文件目录
    2、再来举个完整的例子,包含目录浏览和搜索引擎两种方式并用,以查找我们需要的信息:
    假设我们想在互联网上找一个开源项目,并且希望在线阅读开源代码的实现逻辑,我们应该怎么去找?
    第一步就是在计算机中使用浏览器打开一个搜索引擎,通过搜索引擎找到我们想要查看的开源项目,这一步我们在后面详述;
    假设现在已经在Github上找到了一个项目,结构式这样的:
    在这里插入图片描述
    我们可以看到,通过搜索引擎的指点,我们来到了这个页面,看到了project structure,但是并没有看到我们想要的代码呀(最喜欢看代码了),这是我们很显然看到是一个目录结构,我们可以通过目录浏览(索引)进入源代码界面,其实就是/src/main/java/...,找到我们想要的.java结尾的文件就看到了:
    在这里插入图片描述

    Ps:用过github的小伙伴可能会有疑惑,为什么我的左侧有导航?哈哈,其实这是一个插件,感兴趣可以去试试哦,我们通过插件就可以建立这种目录浏览式结构,方便切换。也算是一种检索能力噢

    搜索引擎

    哈哈,搜索引擎大家肯定都很熟悉,QQ群里很多同学都讨论说,百度、谷歌、必应等等,没错,这些都是我们平时经常接触到的,用的最多的就是百度了吧,我自己也是,一个爱写代码的孩子,面向百度编程,大一的时候,不太会用百度(看了后文你可能觉得你现在也不会用噢),一个bug就要百度一上午,效率真是太低了,后来发现因为没有真正了解过搜索引擎,所以还是来学习一下:

    所谓搜索引擎,就是根据用户需求与一定算法,运用特定策略从互联网检索出制定信息反馈给用户的一门检索技术。搜索引擎依托于多种技术,如网络爬虫技术、检索排序技术、网页处理技术、大数据处理技术、自然语言处理技术等,为信息检索用户提供快速、高相关性的信息服务。搜索引擎技术的核心模块一般包括爬虫、索引、检索和排序等,同时可添加其他一系列辅助模块,以为用户创造更好的网络使用环境。

    既然搜索引擎用了这么多技术,那她提供的功能不可能那么单纯,如果仅仅是输入一个关键字,然后百度,那不就是个模糊查询嘛,那也太简单了,说到这里,相信很多小伙伴对搜索引擎的使用都仅限于关键字模糊查询,而且还会有一大堆广告,下面分享一下奇妙又好用的搜索引擎检索技巧,以百度为例,其实不止百度,很多搜索引擎也支持,可能语法不同而已,大同小异嘛。

    1、首先来个常规搜索:在百度搜索“码之泪殇”:
    这样百度会例举出所有的与“码之泪殇”关键字相关的网页
    在这里插入图片描述
    2、下面我们想找的网页:要求既包含“码之泪殇”,又包含“csdn”,我们可以用与运算,运算符为空格,即在百度输入“码之泪殇 csdn”:
    在这里插入图片描述
    3、举一反三,搜索“码之泪殇”,不含csdn,则:码之泪殇 -csdn:
    在这里插入图片描述
    4、指定网站搜索:关键字 site:网址
    在这里插入图片描述
    5、intitle,搜索出标题包含这个内容的内容。

    intext,搜索出文本里包含这个内容的内容。

    inurl,搜索出网址里包含这个内容的内容。
    在这里插入图片描述
    6、filetype-专业文档搜索
    filetype加上冒号,后面跟上文档格式,可以搜索特定的文档。例如:Java开发 filetype:pdf
    在这里插入图片描述
    等等,其实还有很多,有兴趣的小伙伴自行探索,接下来演示刚刚上面那个问题,怎么通过搜索引擎找到感兴趣的开源项目:
    1、其实针对开源项目,我们常用的搜索网站就是github了,基本上的全球的开源项目都会在这里有,所以记住一些专门的网站去找想要的东西,远比直接在百度搜索效率更高。我们进入github:https://github.com
    2、检索:in:description 失物招领 language:java user:gongsir0630,很显然github也支持这种高级检索:
    在这里插入图片描述
    这样我们就找到了刚刚的项目,好了,以上是个人平时掌握的一些搜索技巧,学会这些,改bug的效率提升确实不少,一起学学吧!

    常用的文献检索工具

    中国知网(CNKI)

    采用自主开发并具有国际领先水平的数字图书馆技术,建成了世界上全文信息量规模最大的"CNKI数字图书馆",并正式启动建设《中国知识资源总库》及CNKI网格资源共享平台,通过产业化运作,为全社会知识资源高效共享提供最丰富的知识信息资源和最有效的知识传播与数字化学习平台。

    提供以下检索服务:文献检索、数字检索、翻译助手、图形搜索

    维普科技期刊

    站陆续建立了与谷歌学术搜索频道、百度文库、百度百科的战略合作关系。网站目前遥遥领先数字出版行业发展水平,数次名列中国出版业网站百强,并在中国图书馆业、情报业网站排名中名列前茅。经过多年的商业运营,维普网已经成为全球著名的中文专业信息服务网站,以及中国最大的综合性文献服务网站。

    检索服务:分类检索

    万方数据库

    和中国知网齐名的中国专业的学术数据库。其开发公司——万方数据股份有限公司是国内第一家以信息服务为核心的股份制高新技术企业,是在互联网领域,集信息资源产品、信息增值服务和信息处理方案为一体的综合信息服务商。

    检索服务:浏览格式检索、专项信息检索、自由检索

    展开全文
  • 信息检索

    千次阅读 2019-06-10 21:13:19
    这篇文章分享一些我们学习中可以用到的搜索文献资源和其他资料的网站
  • 信息检索模型

    万次阅读 多人点赞 2017-10-13 09:39:48
    检索模型搜索结果排序是搜索引擎的核心,排序时最重要的两个因素就是:用户查询和网页的内容相关性及网页链接情况。 检索模型就是用来计算内容相关度的理论基础及核心组件。 一个典型的检索模型通常由三部分组成:...
  • 在运行工程文件时,出现以下错误:问题的原因是DLL没有注册,本文提供一种解决方案。 以管理员方式运行CMD(命令行提示符) 输入 “cd 工程所在目录路径” 进入工程所在目录。如没法进入,则直接输入盘符加冒号可以...
  • 如何查询SCI和EI检索

    万次阅读 2011-11-24 21:19:19
    SCI检索号 1.进入图书馆主页; 2.选择“电子数据库”; 3.选择外文数据库中的“Web of Science”,进入到“http://isiknowledge.com”; 4.选择“Web of Science”选项卡,再点击下面的“检索”选项卡;...
  • Outlook中老是出来“信息检索” -- 解决方法 解决: 按下你键盘上的 “Alt” 键 即可解决。 Mark 一下
  • WOS(Web of Science)检索规则

    万次阅读 2017-04-12 17:43:05
    WOS(Web of Science)检索规则 检索规则 不区分大小写 检索运算符: AND:查找同时包含被该运算符分开的所有检索词的记录。 例如 Beverage AND bottle 查找同时包含这两个词语的记录。 在...
  • Web of Science 检索使用教程

    万次阅读 2018-12-11 10:21:06
    文章目录字段标识检索式规则检索窍门高级检索式示例 Web of Science 所有数据库 帮助 字段标识 AD=地址 AI=作者标识符 AU=作者 DO=DOI ED=编者 GP=团体作者 IS=ISSN/ISBN PY=出版年 SO=出版物名称 ...
  • googleapis.cn services.googleapis.cn 两个地址强制走代理就OK了。 转载于:https://www.cnblogs.com/Devopser/p/10269312.html
  • 问题:调用谷歌支付提示错误,从服务器检索信息时出错。[DF-AA-20]原因:1.应用没有在Google Play商店发布,至少是alpha版本;2.应用或者开发者账号被封。参考地址:点击打开链接点击打开链接...
  • 怎么查EI论文的检索

    万次阅读 2018-08-30 12:26:07
    论文题目:Study on joint probability density ...那位热心人帮忙查一下检索号是多少啊? 去http://www.engineeringvillage.com/上查。Accession number是检索号。 Accession number: 20124115542615 Title: St...
  • sql server 无法为该请求检索数据

    万次阅读 2017-01-21 10:11:51
    解决方法如下 1:点击视图打开第二项 2:点击左侧的数据库,然后到右侧的 “名称” 上面点击右键 出来如图所示的菜单,取消掉策略运行状态和排序规则,再次点击数据库的时候,就能显示所有的数据库以及你自己的...
  • 什么是N+1查询?

    万次阅读 2009-12-25 13:14:00
    在Session的缓存中存放的是相互关联的对象图。默认情况下,当Hibernate从数据库中加载Customer对象时,会同时加载所有关联的Order对象。... 以下Session的find()方法用于到数据库中检索所有的Cust
  • 查看论文是否被ISTP、EI检索

    万次阅读 2016-12-19 12:16:59
    ISTP检索: 进入数据库检索网站: https://www.webofknowledge.com/ 直接输入论文相关信息(标题或作者或DOI……),查看搜索结果。能查到就说明论文已被ISTP检索了。 常见问题解答: http://www.cpci-istp.com/
  • 使用管理员身份运行里面的绿化bat文件就可以了。 链接:https://pan.baidu.com/s/1PSkN93H_XDOVEJ1E2Qkpeg 提取码:vvhz 复制这段内容后打开百度网盘手机App,操作更方便哦 ...
  • EI 和 SCI 检索号查询

    万次阅读 2016-07-24 19:41:23
    检索号(accession number) doi(Digital Object Unique Identifier,对象唯一标识符) 检索号()≠\nedoi EI检索号查询地址EI数据库官网:http://www.engineeringvillage.com/SCI检索号查询地址SCI数据库官网:...
  • 音乐检索简介

    万次阅读 热门讨论 2014-03-18 10:42:01
    1 基于文本的检索 音乐检索从方式上来分主要有两种:基于文本的检索和基于内容的检索。基于文本的检索是通过输入歌曲名、歌手名或者歌词来检索歌曲,此方式是目前最通用的方式。它通过对音乐库中的音乐进行特征标记...
1 2 3 4 5 ... 20
收藏数 681,318
精华内容 272,527
关键字:

检索