信息檢索導論

標籤

封面圖片為英國伯明翰塞爾福瑞吉百貨大樓，其極具線條感的輪廓外型優美，猶如水波的流動。其外表懸掛了1.5萬個鋁碟，創造出一種極具現代氣息的紋理裝飾效果，有如夜空下水流的波光粼粼，閃爍於月光之下，使建築的商業氛圍表現到極致。設計該建築的英國“未來系統建築事物所”，將商場內部圍合成一個頂部採光的中庭，配以交叉的自動扶梯，使購物環境呈現出一種凝聚的向心力和商業廣告的展示效應。作為英國第二商業城市伯明翰的建築地標，人們稱該建築為“未來的百貨商店”。因其設計構思的前衛性，該建築獲得2004年英國皇家建築學會的“建築設計獎”和2004年“英國皇家工藝美術委員會獎”等多個獎項。 本書從計算機科學領域的角度出發，介紹了信息檢索的基礎知識，並對當前信息檢索的發展做了回顧，重點介紹了搜索引擎的核心技術，如文檔分類和文檔聚類問題，以及機器學習和數值計算方法。書中所有重要的思想都用示例進行了解釋，生動形象，引人入勝，實現了理論與實戰的完美結合。 本書的三位作者均是信息檢索領域的頂級專家，兩位來自學術教育界，一位來自硅谷業界，使本書既具備深厚的理論基礎，又代表了尖端科技水準。因此，該書甫一出版，即被奉為該領域的權威著作，備受矚目。目前已被眾多世界名校採用為信息檢索課程的教材。

第1章　布爾檢索	1
1.1　一個信息檢索的例子	2
1.2　構建倒排索引的初體驗	5
1.3　布爾查詢的處理	8
1.4　對基本布爾操作的擴展及有序檢索	11
1.5　參考文獻及補充讀物	13
第2章　詞項詞典及倒排記錄表	14
2.1　文檔分析及編碼轉換	14
2.1.1　字符序列的生成	14
2.1.2　文檔單位的選擇	16
2.2　詞項集合的確定	16
2.2.1　詞條化	16
2.2.2　去除停用詞	19
2.2.3　詞項歸一化	20
2.2.4　詞幹還原和詞形歸併	23
2.3　基於跳錶的倒排記錄錶快速合併算法	26
2.4　含位置信息的倒排記錄表及短語查詢	28
2.4.1　二元詞索引	28
2.4.2　位置信息索引	29
2.4.3　混合索引機制	31
2.5　參考文獻及補充讀物	32
第3章　詞典及容錯式檢索	34
3.1　詞典搜索的數據結構	34
3.2　通配符查詢	36
3.2.1　一般的通配符查詢	37
3.2.2　支持通配符查詢的k-gram索引	38
3.3　拼寫校正	39
3.3.1　拼寫校正的實現	39
3.3.2　拼寫校正的方法	40
3.3.3　編輯距離	40
3.3.4　拼寫校正中的 k-gram索引	42
3.3.5　上下文敏感的拼寫校正	43
3.4　基於發音的校正技術	44
3.5　參考文獻及補充讀物	45
第4章　索引構建	46
4.1　硬件基礎	46
4.2　基於塊的排序索引方法	47
4.3　內存式單遍掃描索引構建方法	50
4.4　分佈式索引構建方法	51
4.5　動態索引構建方法	54
4.6　其他索引類型	56
4.7　參考文獻及補充讀物	57
第5章　索引壓縮	59
5.1　信息檢索中詞項的統計特性	59
5.1.1　Heaps定律：詞項數目的估計	61
5.1.2　Zipf定律：對詞項的分佈建模	62
5.2　詞典壓縮	63
5.2.1　將詞典看成單一字符串的
壓縮方法	63
5.2.2　按塊存儲	64
5.3　倒排記錄表的壓縮	66
5.3.1　可變字節碼	67
5.3.2　γ編碼	68
5.4　參考文獻及補充讀物	74
第6章　文檔評分、詞項權重計算及
向量空間模型	76
6.1　參數化索引及域索引	76
6.1.1　域加權評分	78
6.1.2　權重學習	79
6.1.3　最優權重g 的計算	80
6.2　詞項頻率及權重計算	81
6.2.1　逆文檔頻率	81
6.2.2　tf-idf 權重計算	82
6.3　向量空間模型	83
6.3.1　內積	83
6.3.2　查詢向量	86
6.3.3　向量相似度計算	87
6.4　其他tf-idf 權重計算方法	88
6.4.1　tf的亞線性尺度變換方法	88
6.4.2　基於最大值的tf歸一化	88
6.4.3　文檔權重和查詢權重機制	89
6.4.4　文檔長度的迴轉歸一化	89
6.5　參考文獻及補充讀物	92
第7章　一個完整搜索系統中的評分
計算	93
7.1　快速評分及排序	93
7.1.1　非精確返回前K篇文檔的方法	94
7.1.2　索引去除技術	94
7.1.3　勝者表	95
7.1.4　靜態得分和排序	95
7.1.5　影響度排序	96
7.1.6　簇剪枝方法	97
7.2　信息檢索系統的組成	98
7.2.1　層次型索引	98
7.2.2　查詢詞項的鄰近性	98
7.2.3　查詢分析及文檔評分函數的
設計	99
7.2.4　搜索系統的組成	100
7.3　向量空間模型對各種查詢操作
的支持	101
7.3.1　布爾查詢	101
7.3.2　通配符查詢	102
7.3.3　短語查詢	102
7.4　參考文獻及補充讀物	102
第8章　信息檢索的評價	103
8.1　信息檢索系統的評價	103
8.2　標準測試集	104
8.3　無序檢索結果集合的評價	105
8.4　有序檢索結果的評價方法	108
8.5　相關性判定	112
8.6　更廣的視角看評價：系統質量及
用戶效用	115
8.6.1　系統相關問題	115
8.6.2　用戶效用	115
8.6.3　對已有系統的改進	116
8.7　結果片段	116
8.8　參考文獻及補充讀物	118
第9章　相關反饋及查詢擴展	120
9.1　相關反饋及偽相關反饋	120
9.1.1　Rocchio相關反饋算法	122
9.1.2　基於概率的相關反饋方法	125
9.1.3　相關反饋的作用時機	125
9.1.4　Web上的相關反饋	126
9.1.5　相關反饋策略的評價	127
9.1.6　偽相關反饋	127
9.1.7　間接相關反饋	128
9.1.8　小結	128
9.2　查詢重構的全局方法	128
9.2.1　查詢重構的詞彙表工具	128
9.2.2　查詢擴展	129
9.2.3　同義詞詞典的自動構建	130
9.3　參考文獻及補充讀物	131
第10章　XML檢索	133
10.1　XML的基本概念	134
10.2　XML檢索中的挑戰性問題	137
10.3　基於向量空間模型的XML檢索	140
10.4　XML檢索的評價	144
10.5　XML檢索：以文本為中心與以數據
為中心的對比	146
10.6　參考文獻及補充讀物	148
第11章　概率檢索模型	150
11.1　概率論基礎知識	150
11.2　概率排序原理	151
11.2.1　1/0風險的情況	151
11.2.2　基於檢索代價的概率排序
原理	152
11.3　二值獨立模型	152
11.3.1　排序函數的推導	153
11.3.2　理論上的概率估計方法	155
11.3.3　實際中的概率估計方法	156
11.3.4　基於概率的相關反饋方法	157
11.4　概率模型的相關評論及擴展	158
11.4.1　概率模型的評論	158
11.4.2　詞項之間的樹型依賴	159
11.4.3　Okapi BM25: 一個非二值的
模型	160
11.4.4　IR中的貝葉斯網絡
方法	161
11.5　參考文獻及補充讀物	162
第12章　基於語言建模的信息檢索
模型	163
12.1　語言模型	163
12.1.1　有窮自動機和語言模型	163
12.1.2　語言模型的種類	165
12.1.3　詞的多項式分佈	166
12.2　查詢似然模型	167
12.2.1　IR中的查詢似然模型	167
12.2.2　查詢生成概率的估計	167
12.2.3　Ponte和Croft進行的實驗	169
12.3　語言建模的方法與其他檢索方法的
比較	171
12.4　擴展的LM方法	172
12.5　參考文獻及補充讀物	173
第13章　文本分類及樸素貝葉斯方法	175
13.1　文本分類問題	177
13.2　樸素貝葉斯文本分類	178
13.3　貝努利模型	182
13.4　NB的性質	183
13.5　特徵選擇	188
13.5.1　互信息	188
13.5.2　 統計量	191
13.5.3　基於頻率的特徵選擇方法	192
13.5.4　多類問題的特徵選擇方法	193
13.5.5　不同特徵選擇方法的比較	193
13.6　文本分類的評價	194
13.7　參考文獻及補充讀物	199
第14章　基於向量空間模型的文本
分類	200
14.1　文檔表示及向量空間中的關聯度
計算	201
14.2　Rocchio分類方法	202
14.3　k近鄰分類器	205
14.4　線性及非線性分類器	209
14.5　多類問題的分類	212
14.6　偏差—方差折中準則	214
14.7　參考文獻及補充讀物	219
第15章　支持向量機及文檔機器學習
方法	221
15.1　二類線性可分條件下的支持向量機	221
15.2　支持向量機的擴展	226
15.2.1　軟間隔分類	226
15.2.2　多類情況下的支持向量機	228
15.2.3　非線性支持向量機	228
15.2.4　實驗結果	230
15.3　有關文本文檔分類的考慮	231
15.3.1　分類器類型的選擇	231
15.3.2　分類器效果的提高	233
15.4　ad hoc檢索中的機器學習方法	236
15.4.1　基於機器學習評分的簡單
例子	236
15.4.2　基於機器學習的檢索結果
排序	238
15.5　參考文獻及補充讀物	239
第16章　扁平聚類	241
16.1　信息檢索中的聚類應用	242
16.2　問題描述	244
16.3　聚類算法的評價	246
16.4　K-均值算法	248
16.5　基於模型的聚類	254
16.6　參考文獻及補充讀物	258
第17章　層次聚類	260
17.1　凝聚式層次聚類	260
17.2　單連接及全連接聚類算法	263
17.3　組平均凝聚式聚類	268
17.4　質心聚類	269
17.5　層次凝聚式聚類的最優性	270
17.6　分裂式聚類	272
17.7　簇標籤生成	273
17.8　實施中的注意事項	274
17.9　參考文獻及補充讀物	275
第18章　矩陣分解及隱性語義索引	277
18.1　線性代數基礎	277
18.2　詞項—文檔矩陣及SVD	280
18.3　低秩逼近	282
18.4　LSI	284
18.5　參考文獻及補充讀物	287
第19章　Web搜索基礎	289
19.1　背景和歷史	289
19.2　Web的特性	290
19.2.1　Web圖	291
19.2.2　作弊網頁	293
19.3　廣告經濟模型	294
19.4　搜索用戶體驗	296
19.5　索引規模及其估計	297
19.6　近似重複及shingling	300
19.7　參考文獻及補充讀物	303
第20章　Web採集及索引	304
20.1　概述	304
20.1.1　採集器必須提供的
功能特點	304
20.1.2　採集器應該提供的
功能特點	304
20.2　採集	305
20.2.1　採集器架構	305
20.2.2　DNS解析	308
20.2.3　待採集URL池	309
20.3　分佈式索引	311
20.4　連接服務器	312
20.5　參考文獻及補充讀物	314
第21章　鏈接分析	316
T21.1　Web圖T	316
T21.2　PageRankT	318
21.2.1　馬爾科夫鏈	318
21.2.2　PageRank的計算	320
21.2.3　T面向主題的PageRankT	322
T21.3　Hub網頁及Authority網頁T	325
T21.4　參考文獻及補充讀物T	329
參考文獻	331
索引	356