怎么制作一个网站教程,石家庄网站建设.神鹿网络,重庆论坛建站模板,百度的网站目录
#x1f4da;硬件基础
#x1f4da;基于块的排序索引方法
#x1f407;BSBI算法(blocked sort-based indexing)
#x1f4da;内存式单遍扫描索引构建方法
#x1f407;SPIMI算法(single-pass in-memory indexing)
#x1f4da;分布式索引构建方法 #x1f4d…目录
硬件基础
基于块的排序索引方法
BSBI算法(blocked sort-based indexing)
内存式单遍扫描索引构建方法
SPIMI算法(single-pass in-memory indexing)
分布式索引构建方法 硬件基础
访问内存数据比访问磁盘数据快得多。进行磁盘读写时磁头移到数据所在的磁道需要一段时间该时间称为寻道时间。寻道期间并不进行数据的传输。操作系统往往以数据块为单位进行读写。因此从磁盘读取一个字节和读取一个数据块所耗费的时间可能一样多。也就是说将一大块数据从磁盘传输到内存比传输许多小块要快。IR系统的服务器往往有数GB甚至数十GB的内存其可用的磁盘空间大小一般比内存大小要高几个数量级。
基于块的排序索引方法
面向静态文档集的高效单机索引算法之前提出的倒排索引构建方法如下对于小规模文档集来说均可在内存中完成。在大规模文档集条件下需要引入二级存储介质来构建索引。 扫描文档集合得到所有的词项-文档ID对。以词项为主键文档ID为次键进行排序。将每个词项的文档ID组织成倒排记录表。 现在将词项用其ID来代替每个词项的ID都是唯一的。我们可以在处理文档集之余将词项映射成其ID单遍扫描。或者在一种两边扫描的方法中第一遍扫描得到词汇表第二遍扫描才构建倒排索引。 这里以Reuters-RCV1语料的统计数据为例。 Reuters-RCV1语料约有一亿个词条每个占4B存储所有的词项ID-文档ID对需要0.8GB存储空间。对大规模文档集而言将所有词项ID-文档ID放在内存中进行排序是非常困难的。对于很多大型语料库即使经过压缩后的倒排记录表也不可能全部加载到内存中。由于内存不足我们必须使用基于磁盘的外部排序算法。对该算法的核心要求就是在排序时尽量减少磁盘随机寻道的次数。
BSBI算法(blocked sort-based indexing)
BSBI(blocked sort-based indexing algorithm基于块的排序索引算法)是一种解决办法 将文档集分割成几个大小相等的部分。对每个部分的词项ID-文档ID对排序。将第2步产生的临时排序结果存放到磁盘中。将所有的临时排序文件合并成最终的索引。在该算法中我们选择合适的块大小将文档解析成词项ID-文档ID对并加载到内存在内存中快速排序。将排序后的结果转换成倒排索引格式后写入磁盘。然后将每个块索引同时合并成一个索引文件。以该算法应用到Reuters-RCV1语料库为例它要构建的倒排记录数目大概有1亿条假定内存每次能加载1,000万个词项ID-文档ID,那么算法最后产生10个块然后将10个块索引同时合并成一个索引文件。合并时同时打开所有块对应的文件内存中维护了为10个块准备的读缓冲区和一个为最终合并索引准备的写缓冲区。每次迭代中利用优先级序列(即堆结构)选择最小的未处理词项ID进行处理。读入词项的倒排记录表并合并合并结果写会磁盘。 由于该算法最主要的时间消耗在排序上因此其时间复杂度为 Θ(TlogT)其中 T 是所需要排序的项数目的上界(即词项 ID-文档 ID 对的个数)。然而实际的索引构建时间往往取决于文档分析(PARSENEXTBLOCK)和最后合并(MERGEBLOCKS)的时间。
内存式单遍扫描索引构建方法
基于块的排序索引算法有很好的可扩展性但缺点是需要将词项映射成其ID因此在内存中保存词项与其ID的映射关系对于大规模的数据集内存可能存储不下。SPIMI(single-pass in memory indexing内存式单遍扫描索引算法)更具可扩展性它使用的是词项而不是其ID它是将每个块的词典写入磁盘对下一个块则重新采用新的词典。
SPIMI算法(single-pass in-memory indexing)
算法逐一处理每个词项-文档ID若词项是第一次出现则将其加入词典(最好通过哈希表实现)同时建立一个新的倒排记录表若该词项不是第一次出现则直接返回其倒排记录表。注意这里倒排记录表都是在内存中的。向上面得到的倒排记录表增加新的文档ID。 不同于BSBI这里并没有对词项ID-文档ID排序。内存耗尽时对词项进行排序并将包含词典和倒排记录表的块索引写入磁盘。这里排序的目的是方便以后对块进行合并。重新采用新的词典重复以上过程。 其实SPIMI和BSBI并没有太多的区别。他们都是基于块来做索引构建然后将块合并得到整体的倒排索引表。不同的是BSBI需要在内存维护词项和其ID的映射关系另外BSBI的倒排记录表是排序过的而SPIMI没有排序。 优点 不需要排序操作处理速度更快保留了倒排记录表对词项的归属关系节约内存时间复杂度SPIMI 算法的时间复杂度是 Θ(T)这是因为它不需要对词项-文档 ID 对进行排序操作 所有操作最多和文档集大小成线性关系。
分布式索引构建方法
实际中文档集通常都很大。尤其是Web搜索引擎Web搜索引擎通常使用分布式索引构建算法来构建索引往往按照词项或文档进行分割后分布在多台计算机上。大部分搜索引擎更倾向于采用基于文档分割的索引。分布式索引构建方法是基于MapReduce。MapReduce中的Map阶段和Reduce阶段是将计算任务划分成子任务块以便每个工作节点在短时间内快速处理。 大数据MapReduce模型 | Hadoop MapReduce的基本工作原理 大数据 | 实验一大数据系统基本实验 | MapReduce 初级编程 大数据 | 实验二文档倒排索引算法实现 MapReduce的Map阶段将输入的数据片映射成键-值对即(词项ID,文档ID)这个map阶段对应于BSBI和SPIMI算法中的分析任务因此也将执行map过程的机器称为分析器(parse)每个分析器将输出结果存在本地的中间文件。在reduce阶段我们将同一个键(词项ID)的所有值(文档ID)集中存储以便快速读取和处理。 参考博客 信息检索导论第四章-索引构建
