如果我编写使用 Lucene 执行搜索的算法,我该如何说明它的计算复杂度?我知道 Lucene 使用 tf*idf 评分,但我不知道它是如何实现的。我发现 tf*idf 具有以下复杂性:
O(|D|+|T|)
其中 D 是文档集,T 是所有术语集。
但是,我需要有人可以检查这是否正确并解释原因。
谢谢
最佳答案
Lucene 基本上使用一个 Vector Space Model
(VSM) 带有 tf-idf
方案。因此,在标准设置中,我们有:
我们确定
K
在查询 q
上具有最高向量空间分数的集合的文档.通常,我们按分数降序查找这 K 个 top 文档;例如,许多搜索引擎使用 K = 10 来检索和排列十个最佳结果的第一页。计算向量空间分数的基本算法是:
float Scores[N] = 0
Initialize Length[N]
for each query term t
do calculate w(t,q) and fetch postings list for t (stored in the index)
for each pair d,tf(t,d) in postings list
do Scores[d] += wf(t,d) X w(t,q) (dot product)
Read the array Length[d]
for each d
do Scored[d] = Scores[d] / Length[d]
return Top K components of Scores[]
哪里
Length
保存每个 N
的长度(归一化因子)文档,而数组
Scores
保存每个文档的分数。 tf
是一个词在文档中的词频。 w(t,q)
是针对给定术语提交的查询的权重。请注意,查询被视为 bag of words
并且可以考虑权重向量(好像它是另一个文档)。 wf(d,q)
是查询和文档的对数项权重 如此处所述:Complexity of vector dot-product ,向量点积为
O(n)
.这里的维度是我们词汇表中术语的数量:|T|
,其中 T
是术语集。因此,该算法的时间复杂度为:
O(|Q|· |D| · |T|) = O(|D| · |T|)
我们考虑|Q|固定,其中
Q
是查询中的词集(平均大小较低,平均查询有 2 到 3 个术语)和 D
是所有文档的集合。但是,对于搜索,这些集合是有界的,索引不会经常增长。因此,结果是,使用 VSM 的搜索非常快(当
T
和 D
很大时,搜索确实很慢,必须找到替代方法)。
关于lucene - Lucene 搜索的复杂性,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/12107527/