倒排索引压缩

索引压缩的作用

  1. 提高磁盘利用率
  2. 提高内存缓存利用率
  3. 提高磁盘到内存的传输率

词典压缩

  笔者认为词典压缩算法对中文搜索来说意义不大。之所以要压缩词典,主要是因为Heaps定律指出,随着文档数目的增加,词汇表会持续增长而不会稳定到一个最大值。而中文分词与英文分词的不同在于中文分词是基于词典的,词汇主要来源于词典,因此除非有新词挖掘算法不断扩充词典,否则索引中的中文词项覆盖了整个词典之后,就不会再增长了。

  1. 将词典看成单一字符串,每个词结尾处保存指向下一个词的指针。
  2. 按块存储
  3. 前端编码(公共前缀)
  4. 完美哈希(无法动态更新)

 

 

倒排记录表压缩

  1. Delta编码
  2. 可变字节码
  3. 基于位编码(γ编码)

参考资料:《信息检索导论》-- 第五章

posted @ 2017-04-12 10:54  叫我家宝  阅读(603)  评论(0编辑  收藏  举报