信息检索与数据挖掘｜（四）索引构建

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。

1. 大数据｜MapReduce模型 | Hadoop MapReduce的基本工作原理

2. 大数据 | 实验一：大数据系统基本实验 | MapReduce 初级编程

3. 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