- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我有一个倒排索引,其中每个标记映射到一个对列表 (document_id, score)
。每个标记的值列表按分数降序排序,因此排名最高的文档排在最前面。
不幸的是,对于我的应用程序,无法保证所有 token 的按分数排序也将同时按 ID 排序,因为分数是根据 token 在文档中的上下文进行调整的。例如,如果我的“文档”是带有 (id, score) = (1, 105)
的字符串“wine-red iPhone”和带有 (id, score) 的“red wine” = (2, 100)
,"red"和 "wine"在 "red wine"中的重要性相等,但 "wine"< "red"< "iPhone"在 "wine-red iPhone"中的重要性相同,所以可能会调整分数,使倒排索引看起来像
"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 的排名列表,其中都包含一些标记集(标准搜索问题)。在上面的例子中,假设还有一个文档“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)]
然后,如果搜索标记是 {"red", "wine"}
,问题本质上是提取两个标记的值,在本例中是 [(2, 100), (1, 95)]
和 [(1, 105), (2, 100), (3, 50)]
并将它们与文档 ID 相交,因此结果类似于 [(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 的唯一标记。
到目前为止,为了满足我的限制,我最终将数据存储在一个修改为键值存储的 trie 中(其中每个 (id, score)
对是一个值), 本质上是为了内存中的压缩。 inverted_index.get(token)
遍历数组,返回一个id -> score
的hash map,get
也可以取这样的hash map 作为参数,以便在遍历数组并组装下一个 map 时完成交集。围绕将列表划分为主列表和后备列表、序列化/反序列化等等,还有一些其他的小优化。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 个唯一文档 ID,完全加载到内存中需要大约 400mb。
目前,这是我的应用程序中性能的最大瓶颈,尤其是当一组标记中包含一些值非常多的标记时。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。我的主要堆栈是用 python 编写的,但这部分是用 C++ 和 Cython 编写的。我对任何语言都持开放态度,如果你知道现有的源代码,只要我能围绕它编写 Python 包装器。
感谢您的帮助!
最佳答案
通常,在存储倒排索引时,标记的文档列表存储在按文档 ID 排序的简单数组中,并且以某种方式压缩该数组以确保文档 ID 占用尽可能少的空间。然后可以通过解码、扫描和合并排序的数组来快速完成交集,其中大部分工作发生在 CPU 缓存中。例如。查看此库 https://github.com/lemire/JavaFastPFOR - 我建议从这里开始探索并阅读那里引用的相关论文。
关于algorithm - 用于查找倒排索引中乱序值数组的交集的良好数据结构?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47564042/
我需要将文本放在 中在一个 Div 中,在另一个 Div 中,在另一个 Div 中。所以这是它的样子: #document Change PIN
奇怪的事情发生了。 我有一个基本的 html 代码。 html,头部, body 。(因为我收到了一些反对票,这里是完整的代码) 这是我的CSS: html { backgroun
我正在尝试将 Assets 中的一组图像加载到 UICollectionview 中存在的 ImageView 中,但每当我运行应用程序时它都会显示错误。而且也没有显示图像。 我在ViewDidLoa
我需要根据带参数的 perl 脚本的输出更改一些环境变量。在 tcsh 中,我可以使用别名命令来评估 perl 脚本的输出。 tcsh: alias setsdk 'eval `/localhome/
我使用 Windows 身份验证创建了一个新的 Blazor(服务器端)应用程序,并使用 IIS Express 运行它。它将显示一条消息“Hello Domain\User!”来自右上方的以下 Ra
这是我的方法 void login(Event event);我想知道 Kotlin 中应该如何 最佳答案 在 Kotlin 中通配符运算符是 * 。它指示编译器它是未知的,但一旦知道,就不会有其他类
看下面的代码 for story in book if story.title.length < 140 - var story
我正在尝试用 C 语言学习字符串处理。我写了一个程序,它存储了一些音乐轨道,并帮助用户检查他/她想到的歌曲是否存在于存储的轨道中。这是通过要求用户输入一串字符来完成的。然后程序使用 strstr()
我正在学习 sscanf 并遇到如下格式字符串: sscanf("%[^:]:%[^*=]%*[*=]%n",a,b,&c); 我理解 %[^:] 部分意味着扫描直到遇到 ':' 并将其分配给 a。:
def char_check(x,y): if (str(x) in y or x.find(y) > -1) or (str(y) in x or y.find(x) > -1):
我有一种情况,我想将文本文件中的现有行包含到一个新 block 中。 line 1 line 2 line in block line 3 line 4 应该变成 line 1 line 2 line
我有一个新项目,我正在尝试设置 Django 调试工具栏。首先,我尝试了快速设置,它只涉及将 'debug_toolbar' 添加到我的已安装应用程序列表中。有了这个,当我转到我的根 URL 时,调试
在 Matlab 中,如果我有一个函数 f,例如签名是 f(a,b,c),我可以创建一个只有一个变量 b 的函数,它将使用固定的 a=a1 和 c=c1 调用 f: g = @(b) f(a1, b,
我不明白为什么 ForEach 中的元素之间有多余的垂直间距在 VStack 里面在 ScrollView 里面使用 GeometryReader 时渲染自定义水平分隔线。 Scrol
我想知道,是否有关于何时使用 session 和 cookie 的指南或最佳实践? 什么应该和什么不应该存储在其中?谢谢! 最佳答案 这些文档很好地了解了 session cookie 的安全问题以及
我在 scipy/numpy 中有一个 Nx3 矩阵,我想用它制作一个 3 维条形图,其中 X 轴和 Y 轴由矩阵的第一列和第二列的值、高度确定每个条形的 是矩阵中的第三列,条形的数量由 N 确定。
假设我用两种不同的方式初始化信号量 sem_init(&randomsem,0,1) sem_init(&randomsem,0,0) 现在, sem_wait(&randomsem) 在这两种情况下
我怀疑该值如何存储在“WORD”中,因为 PStr 包含实际输出。? 既然Pstr中存储的是小写到大写的字母,那么在printf中如何将其给出为“WORD”。有人可以吗?解释一下? #include
我有一个 3x3 数组: var my_array = [[0,1,2], [3,4,5], [6,7,8]]; 并想获得它的第一个 2
我意识到您可以使用如下方式轻松检查焦点: var hasFocus = true; $(window).blur(function(){ hasFocus = false; }); $(win
我是一名优秀的程序员,十分优秀!