1.單詞——文檔矩陣
單詞-文檔矩陣是表達兩者之間所具有的一種包含關(guān)系的概念模型，圖3-1展示了其含義允睹。圖3-1的每列代表一個文檔，每行代表一個單詞，打?qū)吹奈恢么戆P(guān)系吉拳。
從縱向即文檔這個維度來看，每列代表文檔包含了哪些單詞适揉，比如文檔1包含了詞匯1和詞匯4留攒，而不包含其它單詞。從橫向即單詞這個維度來看嫉嘀，每行代表了哪些文檔包含了某個單詞炼邀。比如對于詞匯1來說，文檔1和文檔4中出現(xiàn)過單詞1剪侮，而其它文檔不包含詞匯1汤善。矩陣中其它的行列也可作此種解讀。
搜索引擎的索引其實就是實現(xiàn)“單詞-文檔矩陣”的具體數(shù)據(jù)結(jié)構(gòu)票彪『斓可以有不同的方式來實現(xiàn)上述概念模型，比如“倒排索引”降铸、“簽名文件”在旱、“后綴樹”等方式。但是各項實驗數(shù)據(jù)表明推掸，“倒排索引”是實現(xiàn)單詞到文檔映射關(guān)系的最佳實現(xiàn)方式桶蝎，所以本章主要介紹“倒排索引”的技術(shù)細節(jié)。
2.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(lián)網(wǎng)網(wǎng)頁谅畅，而文檔這個概念要更寬泛些登渣，代表以文本形式存在的存儲對象，相比網(wǎng)頁來說毡泻，涵蓋更多種形式胜茧，比如Word，PDF仇味，html呻顽，XML等不同格式的文件都可以稱之為文檔。再比如一封郵件丹墨，一條短信廊遍，一條微博也可以稱之為文檔。在本書后續(xù)內(nèi)容贩挣，很多情況下會使用文檔來表征文本信息喉前。
文檔集合(Document Collection)：由若干文檔構(gòu)成的集合稱之為文檔集合。比如海量的互聯(lián)網(wǎng)網(wǎng)頁或者說大量的電子郵件都是文檔集合的具體例子王财。
文檔編號(Document ID)：在搜索引擎內(nèi)部卵迂，會將文檔集合內(nèi)每個文檔賦予一個唯一的內(nèi)部編號，以此編號來作為這個文檔的唯一標識搪搏，這樣方便內(nèi)部處理狭握，每個文檔的內(nèi)部編號即稱之為“文檔編號”，后文有時會用DocID來便捷地代表文檔編號疯溺。
單詞編號(Word ID)：與文檔編號類似论颅，搜索引擎內(nèi)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囱嫩。
倒排索引(Inverted Index)：倒排索引是實現(xiàn)“單詞-文檔矩陣”的一種具體存儲形式恃疯，通過倒排索引，可以根據(jù)單詞快速獲取包含這個單詞的文檔列表墨闲。倒排索引主要由兩個部分組成：“單詞詞典”和“倒排文件”今妄。
單詞詞典(Lexicon)：搜索引擎的通常索引單位是單詞，單詞詞典是由文檔集合中出現(xiàn)過的所有單詞構(gòu)成的字符串集合，單詞詞典內(nèi)每條索引項記載單詞本身的一些信息以及指向“倒排列表”的指針盾鳞。
倒排列表(PostingList)：倒排列表記載了出現(xiàn)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(xiàn)的位置信息犬性，每條記錄稱為一個倒排項(Posting)。根據(jù)倒排列表腾仅，即可獲知哪些文檔包含某個單詞乒裆。
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，這個文件即被稱之為倒排文件推励，倒排文件是存儲倒排索引的物理文件鹤耍。
關(guān)于這些概念之間的關(guān)系，通過圖3-2可以比較清晰的看出來验辞。
3.倒排索引簡單實例
倒排索引從邏輯結(jié)構(gòu)和基本思路上來講非常簡單稿黄。下面我們通過具體實例來進行說明，使得讀者能夠?qū)Φ古潘饕幸粋€宏觀而直接的感受跌造。
假設(shè)文檔集合包含五個文檔杆怕，每個文檔內(nèi)容如圖3-3所示，在圖中最左端一欄是每個文檔對應(yīng)的文檔編號鼻听。我們的任務(wù)就是對這個文檔集合建立倒排索引财著。
中文和英文等語言不同，單詞之間沒有明確分隔符號撑碴，所以首先要用分詞系統(tǒng)將文檔自動切分成單詞序列撑教。這樣每個文檔就轉(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)處理方便醉拓，需要對每個不同的單詞賦予唯一的單詞編號伟姐，同時記錄下哪些文檔包含這個單詞，在如此處理結(jié)束后亿卤，我們可以得到最簡單的倒排索引（參考圖3-4）愤兵。在圖3-4中，“單詞ID”一欄記錄了每個單詞的單詞編號排吴，第二欄是對應(yīng)的單詞秆乳，第三欄即每個單詞對應(yīng)的倒排列表。比如單詞“谷歌”钻哩，其單詞編號為1屹堰，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街氢。
之所以說圖3-4所示倒排索引是最簡單的扯键，是因為這個索引系統(tǒng)只記載了哪些文檔包含某個單詞，而事實上珊肃，索引系統(tǒng)還可以記錄除此之外的更多信息荣刑。圖3-5是一個相對復(fù)雜些的倒排索引馅笙，與圖3-4的基本索引系統(tǒng)比，在單詞對應(yīng)的倒排列表中不僅記錄了文檔編號厉亏，還記載了單詞頻率信息（TF）董习，即這個單詞在某個文檔中的出現(xiàn)次數(shù)，之所以要記錄這個信息叶堆，是因為詞頻信息在搜索結(jié)果排序時阱飘，計算查詢和文檔相似度是很重要的一個計算因子，所以將其記錄在倒排列表中虱颗，以方便后續(xù)排序時進行分值計算。在圖3-5的例子里蔗喂，單詞“創(chuàng)始人”的單詞編號為7忘渔，對應(yīng)的倒排列表內(nèi)容為：（3:1），其中的3代表文檔編號為3的文檔包含這個單詞缰儿，數(shù)字1代表詞頻信息畦粮，即這個單詞在3號文檔中只出現(xiàn)過1次，其它單詞對應(yīng)的倒排列表所代表含義與此相同乖阵。
實用的倒排索引還可以記載更多的信息宣赔，圖3-6所示索引系統(tǒng)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瞪浸，即每個單詞對應(yīng)的“文檔頻率信息”（對應(yīng)圖3-6的第三欄）以及在倒排列表中記錄單詞在某個文檔出現(xiàn)的位置信息儒将。
“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对蒲，其原因與單詞頻率信息一樣钩蚊，這個信息在搜索結(jié)果排序計算中是非常重要的一個因子。而單詞在某個文檔中出現(xiàn)的位置信息并非索引系統(tǒng)一定要記錄的蹈矮，在實際的索引系統(tǒng)里可以包含砰逻，也可以選擇不包含這個信息，之所以如此泛鸟，因為這個信息對于搜索系統(tǒng)來說并非必需的蝠咆，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”為例北滥，其單詞編號為8刚操，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碑韵，對應(yīng)的倒排列表為：{(3;1;<4>)赡茸，(5;1;<4>)},其含義為在文檔3和文檔5出現(xiàn)過這個單詞，單詞頻率都為1祝闻，單詞“拉斯”在兩個文檔中的出現(xiàn)位置都是4占卧，即文檔中第四個單詞是“拉斯”遗菠。
圖3-6所示倒排索引已經(jīng)是一個非常完備的索引系統(tǒng)，實際搜索系統(tǒng)的索引結(jié)構(gòu)基本如此华蜒，區(qū)別無非是采取哪些具體的數(shù)據(jù)結(jié)構(gòu)來實現(xiàn)上述邏輯結(jié)構(gòu)辙纬。
有了這個索引系統(tǒng)，搜索引擎可以很方便地響應(yīng)用戶的查詢叭喜，比如用戶輸入查詢詞“Facebook”贺拣，搜索系統(tǒng)查找倒排索引，從中可以讀出包含這個單詞的文檔捂蕴，這些文檔就是提供給用戶的搜索結(jié)果譬涡，而利用單詞頻率信息、文檔頻率信息即可以對這些候選搜索結(jié)果進行排序啥辨，計算文檔和查詢的相似性涡匀，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)部流程溉知，具體實現(xiàn)方案本書第五章會做詳細描述陨瘩。
4. 單詞詞典
單詞詞典是倒排索引中非常重要的組成部分，它用來維護文檔集合中出現(xiàn)過的所有單詞的相關(guān)信息级乍，同時用來記載某個單詞對應(yīng)的倒排列表在倒排文件中的位置信息舌劳。在支持搜索時，根據(jù)用戶的查詢詞玫荣，去單詞詞典里查詢甚淡，就能夠獲得相應(yīng)的倒排列表，并以此作為后續(xù)排序的基礎(chǔ)崇决。
對于一個規(guī)模很大的文檔集合來說材诽，可能包含幾十萬甚至上百萬的不同單詞，能否快速定位某個單詞恒傻，這直接影響搜索時的響應(yīng)速度脸侥，所以需要高效的數(shù)據(jù)結(jié)構(gòu)來對單詞詞典進行構(gòu)建和查找，常用的數(shù)據(jù)結(jié)構(gòu)包括哈希加鏈表結(jié)構(gòu)和樹形詞典結(jié)構(gòu)盈厘。
4.1 哈希加鏈表
圖1-7是這種詞典結(jié)構(gòu)的示意圖睁枕。這種詞典結(jié)構(gòu)主要由兩個部分構(gòu)成：
主體部分是哈希表，每個哈希表項保存一個指針沸手，指針指向沖突鏈表外遇，在沖突鏈表里，相同哈希值的單詞形成鏈表結(jié)構(gòu)契吉。之所以會有沖突鏈表跳仿，是因為兩個不同單詞獲得相同的哈希值，如果是這樣捐晶，在哈希方法里被稱做是一次沖突菲语，可以將相同哈希值的單詞存儲在鏈表里妄辩，以供后續(xù)查找。
在建立索引的過程中山上，詞典結(jié)構(gòu)也會相應(yīng)地被構(gòu)建出來眼耀。比如在解析一個新文檔的時候，對于某個在文檔中出現(xiàn)的單詞T佩憾，首先利用哈希函數(shù)獲得其哈希值哮伟，之后根據(jù)哈希值對應(yīng)的哈希表項讀取其中保存的指針，就找到了對應(yīng)的沖突鏈表妄帘。如果沖突鏈表里已經(jīng)存在這個單詞楞黄，說明單詞在之前解析的文檔里已經(jīng)出現(xiàn)過。如果在沖突鏈表里沒有發(fā)現(xiàn)這個單詞寄摆，說明該單詞是首次碰到谅辣，則將其加入沖突鏈表里。通過這種方式婶恼，當文檔集合內(nèi)所有文檔解析完畢時，相應(yīng)的詞典結(jié)構(gòu)也就建立起來了柏副。
在響應(yīng)用戶查詢請求時勾邦，其過程與建立詞典類似，不同點在于即使詞典里沒出現(xiàn)過某個單詞割择，也不會添加到詞典內(nèi)眷篇。以圖1-7為例，假設(shè)用戶輸入的查詢請求為單詞3荔泳，對這個單詞進行哈希蕉饼，定位到哈希表內(nèi)的2號槽，從其保留的指針可以獲得沖突鏈表玛歌，依次將單詞3和沖突鏈表內(nèi)的單詞比較昧港，發(fā)現(xiàn)單詞3在沖突鏈表內(nèi)贝室，于是找到這個單詞娇掏，之后可以讀出這個單詞對應(yīng)的倒排列表來進行后續(xù)的工作，如果沒有找到這個單詞瞎访，說明文檔集合內(nèi)沒有任何文檔包含單詞值朋，則搜索結(jié)果為空叹侄。
4.2 樹形結(jié)構(gòu)
B樹（或者B+樹）是另外一種高效查找結(jié)構(gòu)，圖1-8是一個 B樹結(jié)構(gòu)示意圖昨登。B樹與哈希方式查找不同趾代，需要字典項能夠按照大小排序（數(shù)字或者字符序），而哈希方式則無須數(shù)據(jù)滿足此項要求丰辣。
B樹形成了層級查找結(jié)構(gòu)撒强，中間節(jié)點用于指出一定順序范圍的詞典項目存儲在哪個子樹中禽捆，起到根據(jù)詞典項比較大小進行導(dǎo)航的作用，最底層的葉子節(jié)點存儲單詞的地址信息尿褪，根據(jù)這個地址就可以提取出單詞字符串睦擂。
