文章目录1 .受伤裙子简介2 .布尔查询方法2.1 .相关矩阵索引2.2 .转置索引2.2.1 .转置索引简介2.2.2 .转置索引3 .布尔查询处理3.1 .布尔查询转置表中的
1 .受伤裙子简介
对于布尔查询搜索，布尔查询是使用AND、OR或NOT操作符连接单词项的查询。
例如，以下哪一个文档包含搜索请求： Brutus和Caesar，但不包含Calpurnia？
布尔表达式： Brutus AND Caesar AND NOT Calpurnia
2 .布尔索引方法2.1 .相关矩阵索引相对于小规模的文档集，每文档的单词数少，文档数少。 您可以在文档集中创建单词和文档(term-doc )的关系矩阵，如下图所示。
在上图中，各列是关联向量，该向量内的0，1分别表示文件(蓝色)中的词项)是否出现。 同样，每行的0，1表示该单词(褐色)出现在文档(蓝色)中。
有了这样的关联矩阵之后，就可以进行布尔查询了。 返回到前面提到的布尔查询表达式。 Brutus AND Caesar AND NOT Calpurnia，很容易找到。
同时满足Brutus和Caesar且没有Calpurnia的文档为Antony and Cleopatra和Hamlet。
2.2 .倒排索引2.2.1 .倒排索引的概要，很容易看出文档集越大，相关矩阵的实用性就会大幅降低。 假设目前有100万个文档(1M )，每个文档1000个词(1K )，平均每个词有6个字节，则所有文档将占用约6GB的空间。 另外，由于单词数量庞大，相关矩阵的高度变得稀疏，相关矩阵的搜索效率变差。
基于此，提出了通过转置索引来解决相关矩阵问题。 转置是指依存关系矩阵，在依存关系矩阵中，统计一个文件内出现的词项，但该方法稀疏度高(多为0 )。 因此，我们改变想法，统计单词项目出现在了哪个文件中。
首先，将文档名称替换为文档ID，然后按每个单词按照文档ID号从小到大的顺序排列。 示例：
这样创建的索引不是稀疏的，也不需要使用连续的空间存储。
2.2.2 .倒排索引(1) 文本预处理
词条化)
把字符串分成词条。 例如，将“You are welcome .”分成you、are、welcome三个词条。 “John’s”(s怎么处理？ “state-of-the-art”是一个还是四个词条？ 的问题； 归一化)。
将文档和查询中的单词项目映射到同一格式。 例如，U.S.A .和USA必须视为同一个单词。 词干还原(Stemming )
将同一词汇的不同形式恢复为词根。 例如，authorize、authorization是同一个词根，在检索时全部列出，避免用户在检索时可能发生的记述的不准确； 禁用单词删除(Stopwords removal ) )。
去除the、a、to、of等高频但意义不大的单词。(2) 建立词条序列
简单地说，将预处理后的词条和它们所属的文档一起制作词条，将文档ID组成二元组。
(3) 词条排序
首先用某种方法对词条进行排序。 例如，英语可以按字母顺序排序； 然后，按文档ID对已排序的列表进行排序，使与同一词条对应的ID较小的文档显示在顶部。
(4) 建立词典和倒排记录表
合并多次出现的单词，并记录其出现频率。 然后，按照文档ID从小到大的顺序制作转置记录表，并与词典链接。
现在已经创建了转置索引。
3 .布尔查询的处理3.1 .在布尔查询的转置表中的操作http://www.Sina.com/(brutusandcaesar ) )。
两个转置表的交点http://www.Sina.com/(brutusorcaesar ) )。
两个转置表的并集http://www.Sina.com/(brutusandnotcaesar ) )。
处理两个转置表的减法集3.2. AND查询时考虑实现布尔查询表达式。 Brutus AND Caesar
首先，需要在词典中搜索Brutus和Caesar，并返回两个单词项目的转置表。
然后，为每个转置索引定义一个定位指针，两个指针同时从前到后被扫描，每次比较与当前指针相对应的转置记录，直到检索到一个转置索引为止，为http://www.Sina.com
这样可以很容易地找到符合Brutus AND Caesar标准的文档，例如文档1、文档2和文档4。
OR和NOT一样，只是把表颠倒排列的操作不同。 注意NOT操作
不能简单理解为某一词项的补集，因为补集可能会很大，必须是两个倒排表的减集。 3.3. 布尔查询在倒排表上的优化有两个简单的优化方法：
倒排表的文档ID升序排列正如在AND操作中演示的那样，文档ID升序排列可以尽量地提前结束对倒排表的操作，而不需要对两个倒排表从头到尾进行检索。优先处理词频小的词项
在复杂布尔表达式中，例如(tangerine OR trees) AND (marmalade OR skies) AND (kaleidoscope OR eyes)，优先合并词频小的词项，生成文档数量少的词项，有利于结合上面的优化方法尽量地提前结束对倒排表的操作。 4. 受伤的裙子的优缺点
优点：
构建简单，或许是构建IR系统的一种最简单方式；易被接收，仍是目前最主流的检索方式之一；操作专业化，对于非常清楚想要查什么、能得到什么的用户而言，受伤的裙子是个强有力的检索工具。缺点：
布尔查询构建复杂，不适合普通用户。如果构建不当， 检索结果就会过多或者过少；没有充分利用词项的频率信息；不能对检索结果进行排序。