学习《文本分析》之文本索引和检索
前提概述
前提知识回顾传送门：
信息（这里主要指文本）检索是针对用户提出的信息需求，一般以关键字（key word）表达的查询，从文档中查找和查询相关度高的文档或者文档片段，返回给用户。
信息检索系统一般包括四个主要部分
-
数据预处理- 从网页、PDF文件、Word文件等文档中提取正文以及文档元信息。 -
索引生成- 为上述文档的每个词项生成倒排序索引。 -
检索- 根据用户提交的查询，利用预先建立好的索引，从文档集里提取相关的文档。 -
结果排序- 根据文档的重要性，以及文档和查询的相关度，对文档进行排序，把最有可能符合用户需求的文档排在前面，尽早返回给用户。
信息检索系统
主要的信息（文本）检索模型包括布尔模型、向量空间模型以及概率模型等；这里我只重点介绍一下向量空间模型，其他二个模型大家可以查询相关资料进行了解。
向量空间模型
向量空间模型（Vector Space Model, VSM），是Gerad Salton和McGill于1969年提出的。
在该模型里，文档表示一个向量；
向量的分量为特征项的权重（w1, w2, ..., wn）；
其中wi表示第i个特征项的权重；
一般选取单词作为特征项，即一个单词一个词项;
权重用词频表示，词频分为绝对词频和相对词频；
绝对词频 - 表示词项在文档中出现的频率表示。
比如查询关键字为“JohnBlog”，当文档A出现“John”5次，出现“Blog”10次，文档B中出现“John”2次，出现“Blog”8次，那么文档A的匹配度为5+10=15，文档B的匹配度为2+8= 10，于是文档A的匹配度高于文档B。
由上面的例子，我们会发现一个明显不合理的地方，内容较长的文档，更有可能比内容较短的文档出现更多的关键字，虽然长文档出现更多的关键字，但是相对于文档长度来讲，关键字显得相当稀疏；短文档虽然出现更少的关键字，蛤是相对于文档长度来讲，关键字可能显得相当密集。
由上我们引了相对词频；
相对词频 - 是归一化的词频，其计算方法主要是TF-IDF（Term Frequency-Inverse Document Frequency）公式。
TF的计算方法为：
TF值越大，表示这个词项越重要。
比如，一篇文档进行分词之后，总共有500个词项，词项“world”出现的次数是3次，则其TF=3/500 = 0.006.
IDF的计算方法为：
该公式的意义： 一个词项出现的文档数越少，它越能够把文档区分出来，于是就越重要。反之，一个词项如果在每篇文档里都出现，则它就没有那么的重要。
TF-IDF公式把TF和IDF乘起来，计算词的权重，TF-IDF的计算方法：
为了对文档集进行索引，我们一般要进行分词(Tokenization)、词形还原(Lemmatization)或者词干提取(Stremming).
词形还原和词干提取都是词形规范化的重要方式，都能够达到有效归并词形的目的。
- 词形还原 - 把任何形式的词汇还原为一般形式（还原后能够表达完整的语文），比如把"driven", "drove", "driving"等都处理为"drive"；
- 词干提取 -抽取词的词干或词根（不一定能够表达完整的语义），比如把“cats"处理为"cat",将"effective"处理为"effect"等。
排序
上述检索的处理方式并没有对结果进行任何的排序。我们通常使用的google、百度等搜索引擎返回的结果，是按照相关度进行了排序的，那它们是怎么做到的呢？这里我们介绍一下基于向量空间模型的余弦相似度计算方法。
文档可以表示成一个权重分量（也就是很多的词项）构成的向量。
查询（关键字查询）表示为若干词项组成的查询文档，于是也可以表示成一个权重分量构成的向量，只不过很多的分量为0.
余弦相似度通过向量平角余弦，表示两个向量的相似度，夹角越小，相似度越高。如下图：
两个向量的夹角
余弦相似度的计算公式为：
q 表示为查询的向量；
d 表示为文档的向量；
余弦值(cos)越接近1，就表明夹角超接近0度，也就是两个向量越相似；
评价指标
信息检索系统有两个重要评价指标：一个是准确率，一个是召回率。下表中，a，b，c，d分别表示被检索系统判断为相关的文档中的相关文档、被判断为相关的文档中的不相关文档、被判断为不相关文档中的相关文档、被判断为不相关的文档中的不相关文档的数量（好绕口呀~~~）
| 实际上相关文档 | 实际上不相关的文档 | |
|---|---|---|
| 检索系统返回的判断为相关的文档 | a | b |
| 检索系统不返回的判断为不相关的文档 | c | d |
准确率(Precision)的计算公式：
召回率(Recall)的计算公式：
还有一个统一度量信息检索系统性能的指标为F的指标，它的公式为：
准确率评价的是返回的结果中多少文档上相关的；
召回率评价文档集中相关的文档，检索系统返回了多少。
F值则是综合这两个指标的评估指标，用于反映信息检索系统的整体性能。
