知识卡片
倒排索引与中文分词
倒排索引是搜索引擎的核心结构:它不按文档到词记录,而把文档中的词当关键字,建立词到包含该词的文档列表的映射。查询时先按词取回候选列表,再做交集与相关度排序,因此不必像数据库like那样逐行扫描。建索引前必须先分词:英文按空格符号切分并去停止词、提词干即可;中文以字为最小单位、词却无形式分隔符,需专门分词器,一元切分语义不准,二元稍好,词库分词更准但效率低且难识别新词;高频低区分度的停止词必须忽略,否则几乎每篇文档都命中。排序同样关键:命中标题比命中正文、命中多次比命中一次权重更高。检索质量由分词与排序共同决定。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第2章 分布式系统基础设施 2.4 垂直化搜索引擎 · 查看原书依据
图2-19 Lucene与搜索应用程序之间的关系 (26) 在学习使用Lucene之前,需要理解搜索引擎的几个重要概念: 倒排索引(inverted index)也称为反向索引,是搜索引擎中最常见的数据结构,几乎所有的搜索引擎都会用到倒排索引。它将文档中的词作为关键字,建立词与文档的映射关系,通过对倒排索引的检索,可以根据词快速获取包含这个词的文档列表,这对于搜索引擎来说至关重
参考来源
- 位置:《大型分布式网站架构设计与实践》第2章《2.4 垂直化搜索引擎》(源文件:`extracted/大型分布式网站架构设计与实践/_epub-src/text/part0007_split_004.html`,来源项目 `a19c7933-4eda-4176-aebd-30fe7e1ad292`,文件 SHA-256 `6b17e8ae39ba9d3082d863cc25fb1d874604b7173bc0245503e7a8afffeed684`)
- 结论依据:原文『它将文档中的词作为关键字,建立词与文档的映射关系…可以根据词快速获取包含这个词的文档列表』直接说明倒排索引机制。
- 原始内容:图2-19 Lucene与搜索应用程序之间的关系 (26) 在学习使用Lucene之前,需要理解搜索引擎的几个重要概念: 倒排索引(inverted index)也称为反向索引,是搜索引擎中最常见的数据结构,几乎所有的搜索引擎都会用到倒排索引。它将文档中的词作为关键字,建立词与文档的映射关系,通过对倒排索引的检索,可以根据词快速获取包含这个词的文档列表,这对于搜索引擎来说至关重