【发布时间】：2017-11-30 00:26:19
【问题描述】：
我有一个倒排索引，其中每个标记都映射到一对(document_id, score) 的列表。每个令牌的值列表按分数降序排序，因此排名最高的文档排在第一位。
不幸的是，对于我的应用程序，无法保证同时对所有令牌进行按分数排序，因为分数是根据令牌在文档中的上下文进行调整的。例如，如果我的“文档”是字符串“wine-red iPhone”和(id, score) = (1, 105) 和“red wine”和(id, score) = (2, 100)，“red”和“wine”在“red wine”中具有同等重要性，但“wine” "
"red" -> [(2, 100), (1, 95)]
"wine" -> [(1, 105), (2, 100)]
"iPhone" -> [(1, 115)]
我需要在 id 上找到这些列表的交集，以返回文档 id 的排序列表，其中都包含一组标记（标准搜索问题）。在上面的例子中，假设有另一个文档“white wine”，id=3，score=50，那么倒排索引现在是这样的：
"red" -> [(2, 100), (1, 95)]
"wine" -> [(1, 105), (2, 100), (3, 50)]
"white" -> [(3, 50)]
"iPhone" -> [(1, 115)]
那么，如果搜索标记是{"red", "wine"}，问题本质上是拉取两个标记的值，在这种情况下[(2, 100), (1, 95)]和[(1, 105), (2, 100), (3, 50)]在文档id上相交，所以结果是喜欢[(2, f(100, 100)), (1, f(95, 105))]。 f 是一些平均函数，没关系。
它需要速度快，并且消耗尽可能少的内存（但是磁盘空间不是问题）。在某些情况下，它将存储数百万个映射到数千万个唯一文档 ID 的唯一令牌。
到目前为止，为了满足我的限制，我最终将数据存储在一个经过修改为键值存储的 trie 中（其中每个 (id, score) 对是一个值），主要用于内存中的压缩。 inverted_index.get(token) 遍历数组并返回 id -> score 的哈希映射，get 也可以将这样的哈希映射作为参数，以便在遍历数组并组装下一个映射时完成交集。围绕将列表划分为主列表和备用列表、序列化/反序列化、等等等等，还有一些其他小的优化。它们都是无法解决更大问题的创可贴，我并没有真正使用正确的数据结构和算法来解决问题。目前，我最大的用例有大约 20m 的唯一文档 ID，完全加载到内存时大约需要 400mb。
目前，这是我的应用程序性能的最大瓶颈，尤其是当一组标记包含一些具有大量值的标记时。我愿意使用现有的库，从头开始编写一些东西，对当前方法进行优化等。我的主要堆栈是在 python 中，但这部分是用 C++ 和 Cython 编写的。如果您知道现有的源代码，我对任何语言都持开放态度，只要我可以围绕它编写 Python 包装器。
感谢您的帮助！
【问题讨论】：
-
你能解释清楚一点吗？写一个清晰的输入和输出示例。我不明白“这些列表的交集”是什么意思。
-
@robertking 完成，希望现在更清楚了吗？感谢您的反馈。
-
如果无法保证按分数排序也将按 id 排序，您能否假装它们是有序的并使用乱序的哈希表来做即时更正？
-
通常倒排索引的倒排列表是排序的。然后，您可以通过不同的算法轻松计算这些列表之间的交集。例如，一种简单的 zipper 方法，它在两个列表中前进并比较元素。接下来是二分搜索较长列表中较小列表中的元素。然后，您可以将此搜索与 指数搜索 结合起来，从而产生所谓的 驰骋搜索 等等。许多大学开设了信息检索课程来教授这些内容，有些甚至还公开了他们的录音。
-
@Zabuza 是的，我知道这些方法，但正如我在问题中所说，我不能保证这些项目是按 id 排序的，因为我需要它们按我的应用程序的降序排序。跨度>
标签： algorithm data-structures inverted-index