程序代写代做代考 scheme algorithm COMP6714: Informa2on Retrieval & Web Search 

COMP6714: Informa2on Retrieval & Web Search 

Introduc)on to 

Informa(on Retrieval 

Lecture 1: Boolean retrieval 

COMP6714: Informa2on Retrieval & Web Search 

Unstructured data in 1680 
  Which plays of Shakespeare contain the words Brutus 
AND Caesar  but NOT Calpurnia? 

  One could grep all of Shakespeare’s plays for Brutus 
and Caesar, then strip out lines containing Calpurnia? 

  Why is that not the answer? 
  Slow (for large corpora) 
  NOT Calpurnia is non‐trivial 
  Other opera)ons (e.g., find the word Romans near 
countrymen) not feasible 

  Ranked retrieval (best documents to return) 
  Later lectures 

Sec. 1.1

COMP6714: Informa2on Retrieval & Web Search 

Term‐document incidence 

1 if play contains
word, 0 otherwise

Brutus AND Caesar BUT NOT
Calpurnia

Sec. 1.1

COMP6714: Informa2on Retrieval & Web Search 

Incidence vectors 
  So we have a 0/1 vector for each term. 
  To answer query: take the vectors for Brutus, Caesar 
and Calpurnia (complemented)   bitwise AND. 

  110100 AND 110111 AND 101111 = 100100.  

Sec. 1.1

COMP6714: Informa2on Retrieval & Web Search 

Answers to query 

 Antony and Cleopatra, Act III, Scene ii
Agrippa [Aside to DOMITIUS ENOBARBUS]: Why, Enobarbus,
When Antony found Julius Caesar dead,
He cried almost to roaring; and he wept
When at Philippi he found Brutus slain.

 Hamlet, Act III, Scene ii
Lord Polonius: I did enact Julius Caesar I was killed i’ the
Capitol; Brutus killed me.

Sec. 1.1

COMP6714: Informa2on Retrieval & Web Search 

Basic assump)ons of Informa)on Retrieval 
  Collec)on: Fixed set of documents 
  Goal: Retrieve documents with informa)on that is 
relevant to the user’s informa)on need and helps 
the user complete a task 

Sec. 1.1

COMP6714: Informa2on Retrieval & Web Search 

The classic search model 

Corpus

TASK

Info Need

Query

Verbal
form

Results

SEARCH
ENGINE

Query
Refinement

Info about removing mice
without killing them

mouse trap

Misconception?

Mistranslation?

Misformulation?

COMP6714: Informa2on Retrieval & Web Search 

How good are the retrieved docs? 
  Precision : Frac)on of retrieved docs that are 
relevant to user’s informa)on need 

  Recall : Frac)on of relevant docs in collec)on that 
are retrieved 

  More precise defini)ons and measurements to 
follow in later lectures 

Sec. 1.1

COMP6714: Informa2on Retrieval & Web Search 

Bigger collec)ons 
  Consider N = 1 million documents, each with about 
1000 words. 

  Avg 6 bytes/word including spaces/punctua)on  
  6GB of data in the documents. 

  Say there are M = 500K dis2nct terms among these. 

Sec. 1.1

COMP6714: Informa2on Retrieval & Web Search 

Can’t build the matrix 
  500K x 1M matrix has half‐a‐trillion 0’s and 1’s. 
  But it has no more than one billion 1’s. 

  matrix is extremely sparse. 
  What’s a be^er representa)on? 

  We only record the 1 posi)ons. 

10 

Why?

Sec. 1.1

COMP6714: Informa2on Retrieval & Web Search 

Inverted index 
  For each term t, we must store a list of all documents 
that contain t. 
  Iden)fy each by a docID, a document serial number 

  Can we used fixed‐size arrays for this? 

11 

Brutus

Calpurnia

Caesar 1 2 4 5 6 16 57 132

1 2 4 11 31 45 173

2 31

What happens if the word Caesar
is added to document 14?

Sec. 1.2

174

54 101

COMP6714: Informa2on Retrieval & Web Search 

Inverted index 
  We need variable‐size pos)ngs lists 

  On disk, a con)nuous run of pos)ngs is normal and best 
  In memory, can use linked lists or variable length arrays 

  Some tradeoffs in size/ease of inser)on 

12 

Dictionary Postings
Sorted by docID (more later on why).

Pos2ng 

Sec. 1.2

Brutus 

Calpurnia 

Caesar  1 2 4 5 6 16 57 132

1 2 4 11 31 45 173

2 31

174

54 101

COMP6714: Informa2on Retrieval & Web Search 

Tokenizer

Token stream. Friends Romans Countrymen

Inverted index construc)on 

Linguistic
modules

Modified tokens. friend roman countryman

Indexer

Inverted index.

friend 

roman 

countryman 

2 4

2

13 16

1

More on
these later.

Documents to
be indexed.

Friends, Romans, countrymen.

Sec. 1.2

COMP6714: Informa2on Retrieval & Web Search 

Indexer steps: Token sequence 
  Sequence of (Modified token, Document ID) pairs. 

I did enact Julius
Caesar I was killed

i’ the Capitol;
Brutus killed me.

Doc 1

So let it be with
Caesar. The noble

Brutus hath told you
Caesar was ambitious

Doc 2

Sec. 1.2

COMP6714: Informa2on Retrieval & Web Search 

Indexer steps: Sort 

  Sort by terms 
  And then docID  

Core indexing step 

Sec. 1.2

COMP6714: Informa2on Retrieval & Web Search 

Indexer steps: Dic)onary & Pos)ngs 
  Mul)ple term 
entries in a single 
document are 
merged. 

  Split into Dic)onary 
and Pos)ngs 

  Doc. frequency 
informa)on is 
added. 

Why frequency? 
Will discuss later. 

Sec. 1.2

COMP6714: Informa2on Retrieval & Web Search 

Where do we pay in storage? 

17 Pointers

Terms 
and 

counts  Later in the
course:
•  How do we

index
efficiently?

•  How much
storage do
we need?

Sec. 1.2

Lists of 
docIDs 

COMP6714: Informa2on Retrieval & Web Search 

The index we just built 
  How do we process a query? 

  Later ‐ what kinds of queries can we process? 

18 

Today’s
focus

Sec. 1.3

COMP6714: Informa2on Retrieval & Web Search 

Query processing: AND 
  Consider processing the query: 

Brutus AND Caesar 
  Locate Brutus in the Dic)onary; 

  Retrieve its pos)ngs. 
  Locate Caesar in the Dic)onary; 

  Retrieve its pos)ngs. 
  “Merge” the two pos)ngs: 

19 

128

34


2
 4
 8
 16
 32
 64

1
 2
 3
 5
 8
 13
 21


Brutus

Caesar


Sec. 1.3

COMP6714: Informa2on Retrieval & Web Search 

The merge 
  Walk through the two pos)ngs simultaneously, in 
)me linear in the total number of pos)ngs entries 

20 

34

128
2
 4
 8
 16
 32
 64


1
 2
 3
 5
 8
 13
 21

128

34


2
 4
 8
 16
 32
 64

1
 2
 3
 5
 8
 13
 21


Brutus

Caesar
2
 8


If the list lengths are x and y, the merge takes O(x+y)
operations.
Crucial: postings sorted by docID.

Sec. 1.3

COMP6714: Informa2on Retrieval & Web Search 

Intersec)ng two pos)ngs lists 
(a “merge” algorithm) 

21 

COMP6714: Informa2on Retrieval & Web Search 

Boolean queries: Exact match 

  The Boolean retrieval model is being able to ask a 
query that is a Boolean expression: 
  Boolean Queries are queries using AND, OR and NOT to 
join query terms 
  Views each document as a set of words 
  Is precise: document matches condi)on or not. 

  Perhaps the simplest model to build an IR system on 
  Primary commercial retrieval tool for 3 decades.  
  Many search systems you s)ll use are Boolean: 

  Email, library catalog, Mac OS X Spotlight 

22 

Sec. 1.3

COMP6714: Informa2on Retrieval & Web Search 

Example: WestLaw   http://www.westlaw.com/

  Largest commercial (paying subscribers) legal
search service (started 1975; ranking added
1992)

  Tens of terabytes of data; 700,000 users
  Majority of users still use boolean queries
  Example query:

  What is the statute of limitations in cases involving
the federal tort claims act?

  LIMIT! /3 STATUTE ACTION /S FEDERAL /2
TORT /3 CLAIM
  foo! = foo*, /3 = within 3 words, /S = in same sentence

23 

Sec. 1.4

COMP6714: Informa2on Retrieval & Web Search 

Example: WestLaw   http://www.westlaw.com/

  Another example query: 
  Requirements for disabled people to be able to access a 
workplace 

  disabl! /p access! /s work‐site work‐place (employment /3 
place 

  Note that SPACE is disjunc)on, not conjunc)on! 
  Long, precise queries; proximity operators; 
incrementally developed; not like web search 

  Many professional searchers s)ll like Boolean search 
  You know exactly what you are geqng 

  But that doesn’t mean it actually works be^er…. 

Sec. 1.4

COMP6714: Informa2on Retrieval & Web Search 

Boolean queries:  
More general merges 

  Exercise: Adapt the merge for the queries: 
 Brutus AND NOT Caesar 
 Brutus OR NOT Caesar 

Can we s)ll run through the merge in )me O(x+y)? 
What can we achieve? 

25 

Sec. 1.3

COMP6714: Informa2on Retrieval & Web Search 

Merging 
What about an arbitrary Boolean formula? 
(Brutus OR Caesar) AND NOT 
(Antony OR Cleopatra) 
  Can we always merge in “linear” )me? 

  Linear in what? 
  Can we do be^er? 

26 

Sec. 1.3

COMP6714: Informa2on Retrieval & Web Search 

Query op)miza)on 

  What is the best order for query processing? 
  Consider a query that is an AND of n terms. 
  For each of the n terms, get its pos)ngs, then 
AND them together. 

Brutus 

Caesar 

Calpurnia 

1 2 3 5 8 16 21 34

2 4 8 16 32 64 128

13 16

Query: Brutus AND Calpurnia AND Caesar 
27


Sec. 1.3

COMP6714: Informa2on Retrieval & Web Search 

Query op)miza)on example 
  Process in order of increasing freq: 

  start with the smallest set, then keep cuNng further. 

28 

This is why we kept
document freq. in dictionary

Execute the query as (Calpurnia AND Brutus) AND Caesar. 

Sec. 1.3

Brutus 

Caesar 

Calpurnia 

1 2 3 5 8 16 21 34

2 4 8 16 32 64 128

13 16

COMP6714: Informa2on Retrieval & Web Search 

More general op)miza)on 
  e.g., (madding OR crowd) AND (ignoble OR 
strife) AND (light OR lord) 

  Get doc. freq.’s for all terms. 
  Es)mate the size of each OR by the sum of its 
doc. freq.’s (conserva)ve). 

  Process in increasing order of OR sizes. 

29 

Sec. 1.3

COMP6714: Informa2on Retrieval & Web Search 

Exercise 

  Recommend a query 
processing order for 

30 

(tangerine OR trees) AND
(marmalade OR skies) AND
(kaleidoscope OR eyes)

Q: Any more accurate way to es)mate the cardinality of intermediate results? 

Q: Can we merge mul)ple lists (>2) simultaneously? 

COMP6714: Informa2on Retrieval & Web Search 

Problema)c Cases 

COMP6714: Informa2on Retrieval & Web Search 

Query processing exercises 
  Exercise: If the query is friends AND romans AND 
(NOT countrymen), how could we use the freq of 
countrymen? 

  Exercise: Extend the merge to an arbitrary Boolean 
query.  Can we always guarantee execu)on in )me 
linear in the total pos)ngs size? 

  Hint: Begin with the case of a Boolean formula 
query: in this, each query term appears only once in 
the query. 

32 

COMP6714: Informa2on Retrieval & Web Search 

Exercise 
  Try the search feature at 
h^p://www.rhymezone.com/shakespeare/ 

  Write down five search features you think it could do 
be^er 

33 

COMP6714: Informa2on Retrieval & Web Search 

FASTER POSTINGS MERGES: 
SKIP POINTERS/SKIP LISTS 

COMP6714: Informa2on Retrieval & Web Search 

Recall basic merge 
  Walk through the two pos)ngs simultaneously, in 
)me linear in the total number of pos)ngs entries 

128

31

2 4 8 41 48 64

1 2 3 8 11 17 21

Brutus

Caesar
2 8

If the list lengths are m and n, the merge takes O(m+n)
operations.

Can we do better?
Yes (if index isn’t changing too fast).

Sec. 2.3

COMP6714: Informa2on Retrieval & Web Search 

Augment pos)ngs with skip pointers 
(at indexing )me) 

  Why? 
  To skip pos)ngs that will not figure in the search 
results. 

  How? 
  Where do we place skip pointers? 

128 2 4 8 41 48 64

31 1 2 3 8 11 17 21
31 11

41 128

Sec. 2.3

COMP6714: Informa2on Retrieval & Web Search 

Query processing with skip pointers 

128 2 4 8 41 48 64

31 1 2 3 8 11 17 21
31 11

41 128

Suppose we’ve stepped through the lists until we
process 8 on each list. We match it and advance.

We then have 41 and 11 on the lower. 11 is smaller.

But the skip successor of 11 on the lower list is 31, so
we can skip ahead past the intervening postings.

Sec. 2.3

COMP6714: Informa2on Retrieval & Web Search 

Where do we place skips? 
  Tradeoff: 

  More skips → shorter skip spans ⇒ more likely to skip.  
But lots of comparisons to skip pointers. 

  Fewer skips → few pointer comparison, but then long skip 
spans ⇒ few successful skips. 

Sec. 2.3

Can we skip w/o skip pointers? 

COMP6714: Informa2on Retrieval & Web Search 

Placing skips 
  Simple heuris)c: for pos)ngs of length L, use L1/2 
evenly‐spaced skip pointers. 

  This ignores the distribu)on of query terms. 
  Easy if the index is rela)vely sta)c; harder if L keeps 
changing because of updates. 

  This definitely used to help; with modern hardware it 
may not (Bahle et al. 2002) unless you’re memory‐
based 
  The I/O cost of loading a bigger pos)ngs list can outweigh 
the gains from quicker in memory merging! 

Sec. 2.3

COMP6714: Informa2on Retrieval & Web Search 

Skip Pointers 
  A skip pointer (d, p) contains a document number d 
and a byte (or bit) posi)on p 
  Means there is an inverted list pos)ng that starts at 
posi)on p, and the pos)ng before it was for document d 

skip pointers
Inverted list

CMS09::Chap5 

COMP6714: Informa2on Retrieval & Web Search 

Skip Pointers 
  Example 

  Inverted list 

  D‐gaps 

  Skip pointers 

COMP6714: Informa2on Retrieval & Web Search 

PHRASE QUERIES AND POSITIONAL 
INDEXES 

COMP6714: Informa2on Retrieval & Web Search 

Phrase queries 
  Want to be able to answer queries such as “stanford 
university” – as a phrase 

  Thus the sentence “I went to university at Stanford” 
is not a match.  
  The concept of phrase queries has proven easily 
understood by users; one of the few “advanced search” 
ideas that works 

  Many more queries are implicit phrase queries 
  For this, it no longer suffices to store only 
    entries 

Sec. 2.4

COMP6714: Informa2on Retrieval & Web Search 

Solu)on 1: Biword indexes 
  Index every consecu)ve pair of terms in the text as a 
phrase 

  For example the text “Friends, Romans, 
Countrymen” would generate the biwords 
  friends romans 
  romans countrymen 

  Each of these biwords is now a dic)onary term 
  Two‐word phrase query‐processing is now 
immediate. 

Sec. 2.4.1

COMP6714: Informa2on Retrieval & Web Search 

Longer phrase queries 
  Longer phrases are processed as we did with wild‐
cards: 

  stanford university palo alto can be broken into the 
Boolean query on biwords: 

stanford university AND university palo AND palo alto 

Without the docs, we cannot verify that the docs 
matching the above Boolean query do contain the 
phrase. 

Can have false positives!

Sec. 2.4.1

COMP6714: Informa2on Retrieval & Web Search 

Extended biwords 
  Parse the indexed text and perform part‐of‐speech‐tagging 

(POST). 
  Bucket the terms into (say) Nouns (N) and ar)cles/

preposi)ons (X). 
  Call any string of terms of the form NX*N an extended 

biword. 
  Each such extended biword is now made a term in the 
dic)onary. 

  Example:  catcher in the rye 
                N           X   X    N 

  Query processing: parse it into N’s and X’s 
  Segment query into enhanced biwords 
  Look up in index: catcher rye 

Sec. 2.4.1

COMP6714: Informa2on Retrieval & Web Search 

Issues for biword indexes 
  False posi)ves, as noted before 
  Index blowup due to bigger dic)onary 

  Infeasible for more than biwords, big even for them 

  Biword indexes are not the standard solu)on (for all 
biwords) but can be part of a compound strategy 

Sec. 2.4.1

COMP6714: Informa2on Retrieval & Web Search 

Solu)on 2: Posi)onal indexes 
  In the pos)ngs, store, for each term the posi)on(s) in 
which tokens of it appear: 

 

Sec. 2.4.2

COMP6714: Informa2on Retrieval & Web Search 

Posi)onal index example 

  For phrase queries, we use a merge algorithm 
recursively at the document level 

  But we now need to deal with more than just 
equality 

Which of docs 1,2,4,5
could contain “to be

or not to be”?

Sec. 2.4.2

COMP6714: Informa2on Retrieval & Web Search 

Processing a phrase query 
  Extract inverted index entries for each dis)nct term: 
to, be, or, not. 

  Merge their doc:posi2on lists to enumerate all 
posi)ons with “to be or not to be”. 
  to:  

  2:1,17,74,222,551; 4:8,16,190,429,433; 7:13,23,191; … 
  be:   

  1:17,19; 4:17,191,291,430,434; 5:14,19,101; … 

  Same general method for proximity searches 

Sec. 2.4.2

COMP6714: Informa2on Retrieval & Web Search 

Proximity queries 
  LIMIT! /3 STATUTE /3 FEDERAL /2 TORT  

  Again, here, /k means “within k words of”. 
  Clearly, posi)onal indexes can be used for such 
queries; biword indexes cannot. 

  Exercise: Adapt the linear merge of pos)ngs to 
handle proximity queries.  Can you make it work for 
any value of k? 
  This is a li^le tricky to do correctly and efficiently 
  See Figure 2.12 of IIR (Page 39) 
  There’s likely to be a problem on it! 

Sec. 2.4.2

COMP6714: Informa2on Retrieval & Web Search 

Posi)onal index size 
  You can compress posi)on values/offsets: we’ll talk 
about that in lecture 5  

  Nevertheless, a posi)onal index expands pos)ngs 
storage substan2ally 

  Nevertheless, a posi)onal index is now standardly 
used because of the power and usefulness of phrase 
and proximity queries … whether used explicitly or 
implicitly in a ranking retrieval system. 

Sec. 2.4.2

COMP6714: Informa2on Retrieval & Web Search 

Posi)onal index size 
  Need an entry for each occurrence, not just once per 
document 

  Index size depends on average document size 
  Average web page has <1000 terms    SEC filings, books, even some epic poems … easily 100,000  terms    Consider a term with frequency 0.1%  Why? 100 1 100,000 1 1 1000 Positional postings Postings Document size Sec. 2.4.2 COMP6714: Informa2on Retrieval & Web Search  Rules of thumb    A posi)onal index is 2–4 as large as a non‐posi)onal  index    Posi)onal index size 35–50% of volume of original  text    Caveat: all of this holds for “English‐like” languages  Sec. 2.4.2 COMP6714: Informa2on Retrieval & Web Search  Combina)on schemes    These two approaches can be profitably  combined    For par)cular phrases (“Michael Jackson”, “Britney  Spears”) it is inefficient to keep on merging posi)onal  pos)ngs lists    Even more so for phrases like “The Who”    Williams et al. (2004) evaluate a more  sophis)cated mixed indexing scheme    A typical web query mixture was executed in ¼ of the  )me of using just a posi)onal index    It required 26% more space than having a posi)onal  index alone  Sec. 2.4.3 COMP6714: Informa2on Retrieval & Web Search  Solu)on 3: Suffix Tree/Array    BANANA$    BANANA$  pos:0     ANANA$  pos:1      NANA$  pos:2       ANA$  pos:3        NA$  pos:4         A$  pos:5    A$       pos:5    ANA$     pos:3    ANANA$   pos:1    BANANA$  pos:0    NA$      pos:4    NANA$    pos:2  Sec. 2.4.3 Sort on the strings  COMP6714: Informa2on Retrieval & Web Search  Suffix Array    BANANA$    BANANA$  pos:0     ANANA$  pos:1      NANA$  pos:2       ANA$  pos:3        NA$  pos:4         A$  pos:5    A$       pos:5    ANA$     pos:3    ANANA$   pos:1    BANANA$  pos:0    NA$      pos:4    NANA$    pos:2  Sec. 2.4.3 Sort on the strings    If the original string is available, each suffix can be completely specified by the index of its first character  B  A  N  A  N  A  $  4  3  6  2  5  1  7  COMP6714: Informa2on Retrieval & Web Search  Resources for today’s lecture    Introduc2on to Informa2on Retrieval, chapter 1    Shakespeare:     h^p://www.rhymezone.com/shakespeare/    Try the neat browse by keyword sequence feature!    Managing Gigabytes, chapter 3.2    Modern Informa2on Retrieval, chapter 8.2  58  COMP6714: Informa2on Retrieval & Web Search  Resources for today’s lecture    Skip Lists theory: Pugh (1990)    Mul)level skip lists give same O(log n) efficiency as trees    H.E. Williams, J. Zobel, and D. Bahle. 2004. “Fast Phrase Querying with Combined Indexes”, ACM Transactions on Information Systems.  h^p://www.seg.rmit.edu.au/research/research.php?author=4    D. Bahle, H. Williams, and J. Zobel. Efficient phrase querying with an  auxiliary index. SIGIR 2002, pp. 215‐221.  COMP6714: Informa2on Retrieval & Web Search  Es)ma)ng Result Set Size    How many pages contain all of the query terms?    For the query “a b c”:    fabc = N ∙ fa/N ∙ fb/N ∙ fc/N = (fa ∙ fb ∙ fc)/N2    Assuming that terms occur independently    fabc is the es)mated size of the result set     fa, fb, fc are the number of documents that terms a, b, and c occur  in    N is the number of documents in the collec)on  CMS09::Chap4  COMP6714: Informa2on Retrieval & Web Search  GOV2 Example  Collection size (N) is 25,205,179 COMP6714: Informa2on Retrieval & Web Search  Inconsistent Es)mate by Google circa  2007  62  iterative proportional scaling COMP6714: Informa2on Retrieval & Web Search  Result Set Size Es)ma)on    Poor es)mates because words are not independent    Be^er es)mates possible if co‐occurrence  informa)on available   P(a ∩ b ∩ c) = P(a ∩ c) ∙ P(b|(a ∩ c))                            ≈ P(a ∩ c) ∙ P(b|c)                            = P(a ∩ c) ∙ P(b ∩ c) / P(c)    ftropical∩fish∩aquarium = ftropical∩aquarium ∙ ffish∩aquarium/faquarium     = 1921 ∙ 9722/26480 = 705  ftropical∩fish∩breeding = ftropical∩breeding ∙ ffish∩breeeding/fbreeding     = 5510 ∙ 36427/81885 = 2451  vs. 1529  vs. 3629  COMP6714: Informa2on Retrieval & Web Search  Result Set Es)ma)on    Even be^er es)mates using ini)al result set    Es)mate is simply C/s    where s is the propor)on of the total documents that have been  ranked, and C is the number of documents found that contain all  the query words    E.g., “tropical fish aquarium” in GOV2    a�er processing 3,000 out of the 26,480 documents that contain  “aquarium”, C = 258     ftropical∩fish∩aquarium = 258/(3000÷26480) = 2,277    A�er processing 20% of the documents,     ftropical∩fish∩aquarium = 1,778   (1,529 is real value)  COMP6714: Informa2on Retrieval & Web Search  Mo)va)on into a Be^er Es)mator    Example  1.  N = 100, fA = 10, fB = 20  2.  1 sec into the intersec)on query processing, the current  cursors points to docID = 20 and 30 on A and B’s inverted  lists, respec)vely; and there are 1 documents in the  intersec)on. (Assuming docIDs are randomly assigned)    Es)ma)on  1.  Based on independence: fAB = (10/100)*(20/100)*100 = 2  2.  Based on “sampling”:  fAB = 1 * (100/min(20, 30)) = 5    Can we combine the “strength” of both es)mators?     Condi)onal random sampling [Li & Church, A Sketch Algorithm for  Es)ma)ng Two‐Way and Mul)‐Way Associa)ons]