司宏偉

(國(guó)防科學(xué)技術(shù)大學(xué)計(jì)算機(jī)學(xué)院，湖南 長(zhǎng)沙 410073)

微博中基于增強(qiáng)型倒排索引的特定文檔影響力估計(jì)算法

司宏偉

(國(guó)防科學(xué)技術(shù)大學(xué)計(jì)算機(jī)學(xué)院，湖南 長(zhǎng)沙 410073)

微博搜索系統(tǒng)中，將微博帖子根據(jù)搜索相關(guān)性和重要性進(jìn)行排序，并通過(guò)列表的方式返回結(jié)果，是目前信息內(nèi)容的主要展示手段?；谙蛄靠臻g模型的打分函數(shù)被廣泛地應(yīng)用于該類(lèi)系統(tǒng)中。事實(shí)上，微博系統(tǒng)中的帖子重要性打分函數(shù)實(shí)際取值并不為用戶(hù)所見(jiàn)，文檔的影響力通過(guò)排名的方式表現(xiàn)出來(lái)。對(duì)于一個(gè)檢索外的文檔，如何衡量其在信息檢索系統(tǒng)文庫(kù)中的影響力？一般搜索引擎或信息檢索系統(tǒng)并不能很好地回答該問(wèn)題。在微博短文本的基礎(chǔ)上引入了社交影響力這一概念，并通過(guò)在文本倒排索引基礎(chǔ)上設(shè)置反向位置標(biāo)記，給出了一種全新的影響力度量指標(biāo)，有效地回答了前述問(wèn)題。理論分析和數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證了算法的有效性和效率。

信息獲取;倒排索引;TFIDF指標(biāo);索引標(biāo)記

1 引言

隨著信息技術(shù)的快速發(fā)展和互聯(lián)網(wǎng)應(yīng)用的普及，社會(huì)各行業(yè)對(duì)信息化需求不斷增加，產(chǎn)生了大量的信息內(nèi)容，極大促進(jìn)了信息檢索系統(tǒng)的發(fā)展。特別是近年來(lái)，以微博為代表的社交網(wǎng)絡(luò)獲得了快速的發(fā)展，受社交網(wǎng)絡(luò)的推動(dòng)，信息傳播模式快速朝著去中心化的方向發(fā)展，人類(lèi)使用互聯(lián)網(wǎng)的方式產(chǎn)生了深刻變革：由簡(jiǎn)單信息搜索和網(wǎng)頁(yè)瀏覽轉(zhuǎn)向網(wǎng)上社會(huì)關(guān)系的構(gòu)建與維護(hù)、基于社會(huì)關(guān)系的信息創(chuàng)造、交流和共享。

對(duì)于一個(gè)特定的信息內(nèi)容，如何快速度量其在微博上的影響力呢？微博中，社會(huì)個(gè)體通過(guò)各種連接關(guān)系在社交網(wǎng)絡(luò)上構(gòu)成“關(guān)系結(jié)構(gòu)”，基于社交網(wǎng)絡(luò)的關(guān)系結(jié)構(gòu)，大量網(wǎng)絡(luò)個(gè)體圍繞著話題內(nèi)容而聚合，相互影響、作用、依賴(lài)，形成具有共同行為特征的“網(wǎng)絡(luò)群體”；各類(lèi)“網(wǎng)絡(luò)信息”得以快速發(fā)布并傳播擴(kuò)散形成社會(huì)化媒體，反饋到現(xiàn)實(shí)社會(huì)，從而使得社交網(wǎng)絡(luò)與現(xiàn)實(shí)社會(huì)間形成互動(dòng)，并對(duì)現(xiàn)實(shí)世界產(chǎn)生影響。正是因?yàn)檫@個(gè)原因，以微博為代表的社交網(wǎng)絡(luò)中，信息內(nèi)容的影響力度量方法應(yīng)該兼顧信息內(nèi)容本身的影響力和社交網(wǎng)絡(luò)對(duì)其的放大作用。

傳統(tǒng)信息檢索應(yīng)用中，用戶(hù)通過(guò)輸入一組關(guān)鍵詞，文檔檢索系統(tǒng)返回一組文檔列表，其中列表中的文檔根據(jù)與查詢(xún)(關(guān)鍵詞)的相關(guān)程度進(jìn)行排名。向量空間模型作為一種用于衡量文檔間相關(guān)度的模型，被廣泛地應(yīng)用于該類(lèi)系統(tǒng)中[1,2]。在該模型中，文檔和針對(duì)文檔的查詢(xún)都被模型化為由關(guān)鍵詞組成的多維向量空間，而文檔與查詢(xún)間的相關(guān)程度可以由文檔向量與關(guān)鍵字向量的夾角來(lái)進(jìn)行衡量，從而作為信息檢索系統(tǒng)排列文檔的依據(jù)。作為一種信息檢索系統(tǒng)中的打分函數(shù)，向量空間模型有多種變種。公式(1)展示了一種基于余弦相似度的向量空間模型的例子。

relevance(d,q)=cosθ=(d·q)/(|d||q|)

(1)

其中，d表示文檔向量，而q表示關(guān)鍵詞向量。余弦為零表示檢索詞向量垂直于文檔向量，即沒(méi)有符合，也就是說(shuō)該文檔不含此檢索詞。目前這種基于向量空間模型的方法被廣泛應(yīng)用在了各類(lèi)微博搜索引擎中。具體來(lái)說(shuō)，文檔向量模型表現(xiàn)了微博帖子(文檔，本文用d表示)和查詢(xún)關(guān)鍵詞(本文用q表示)之間的關(guān)聯(lián)關(guān)系，關(guān)聯(lián)越緊，打分函數(shù)取值越大，對(duì)應(yīng)內(nèi)容排名也就越高，這種排名反映出了文檔的影響力。

在微博中，文檔是通過(guò)社交網(wǎng)絡(luò)中節(jié)點(diǎn)間的通道進(jìn)行傳播的，因此節(jié)點(diǎn)間的結(jié)構(gòu)特性極大地影響著內(nèi)容的傳播能力。而在社交網(wǎng)絡(luò)中，文檔通過(guò)社交網(wǎng)絡(luò)中的信息通道傳播，直接將上述模型應(yīng)用到社交網(wǎng)絡(luò)中，并不能體現(xiàn)文檔的影響能力。針對(duì)這一問(wèn)題，部分微博類(lèi)社交網(wǎng)絡(luò)應(yīng)用，例如新浪微博，常利用微博文檔所特有的“轉(zhuǎn)發(fā)數(shù)”來(lái)衡量文檔重要與否，即一個(gè)文檔獲得轉(zhuǎn)發(fā)越多，這個(gè)文檔越重要，其檢索系統(tǒng)將文檔向量模型與轉(zhuǎn)發(fā)數(shù)結(jié)合，綜合計(jì)算文檔重要性指標(biāo)。隨著基于社交網(wǎng)絡(luò)和微博營(yíng)銷(xiāo)等業(yè)務(wù)的快速發(fā)展，微博水軍等快速發(fā)展，使用“轉(zhuǎn)發(fā)量”或“點(diǎn)擊率”的文檔重要性衡量方法的客觀性逐漸獲得質(zhì)疑。針對(duì)這一問(wèn)題，本文給出了一種改進(jìn)的解決方案，我們創(chuàng)新性地將文檔向量模型和基于鏈接的節(jié)點(diǎn)權(quán)威性度量方法，通過(guò)一種多準(zhǔn)則約束的排序策略，有機(jī)地結(jié)合在一起。此外，本文提出的方法還在廣告收益估計(jì)、新聞?shì)浾撚绊懺u(píng)估等領(lǐng)域具有重要的作用和廣闊的前景。

本文的主要思想是在充分預(yù)處理數(shù)據(jù)全集的前提下，通過(guò)對(duì)索引設(shè)置“相關(guān)度反向排名標(biāo)記”，使微博的檢索系統(tǒng)具有快速估計(jì)新文檔在不同查詢(xún)下排名的能力?；谙蛄靠臻g模型和倒排索引，設(shè)計(jì)中實(shí)現(xiàn)了一種新型的索引結(jié)構(gòu)，并結(jié)合海量文本管理中數(shù)據(jù)規(guī)模龐大、數(shù)據(jù)更新快等特點(diǎn)，結(jié)合分布式集群化的特點(diǎn)，設(shè)計(jì)了一種高速的、可擴(kuò)展的索引更新策略。

2 問(wèn)題定義

通常意義上講，衡量一篇特定文檔在一個(gè)文檔集合中的影響力往往要考慮多種因素，例如文檔的時(shí)效性、文檔所表述的觀點(diǎn)態(tài)度、文檔發(fā)表的時(shí)機(jī)和場(chǎng)合、社交網(wǎng)絡(luò)對(duì)信息的放大效果等。而且對(duì)于特定讀者，文檔影響力的衡量具有強(qiáng)烈的主觀性，即每個(gè)讀者都會(huì)站在自己的角度上，對(duì)影響力的認(rèn)識(shí)也有著不同的理解。例如，體育類(lèi)的新聞往往對(duì)財(cái)經(jīng)類(lèi)讀者缺乏吸引力。因此，文檔影響力的衡量是一個(gè)復(fù)雜的過(guò)程，且方法并不具有唯一性。

本文考慮在社交網(wǎng)絡(luò)環(huán)境下，一個(gè)特定文檔的影響力應(yīng)至少由兩部分組成，即信息內(nèi)容本身的影響力和社交網(wǎng)絡(luò)中作者的權(quán)威性。

定義1 社交影響力模型：用A(d)表示文檔的影響力度量指標(biāo)，它由兩個(gè)要素組成，即A(d)=αr(d)+βsi(d)，其中r(d)表示文檔d和查詢(xún)關(guān)鍵詞的相關(guān)程度，si(d)表示文檔d在社交網(wǎng)絡(luò)中所處的位置節(jié)點(diǎn)的固有影響力，α和β表示加權(quán)因子。

r(d)表示信息內(nèi)容和用戶(hù)查詢(xún)的關(guān)聯(lián)程度。其意義表示在一般信息檢索系統(tǒng)中，信息內(nèi)容在特定用戶(hù)查詢(xún)下的打分函數(shù)取值。r(d)的實(shí)現(xiàn)并不唯一，本文使用上一節(jié)介紹的向量空間模型實(shí)現(xiàn)。si(d)表示文檔d在社交網(wǎng)絡(luò)中的位置權(quán)威性，通過(guò)其作者在社交網(wǎng)絡(luò)中的節(jié)點(diǎn)權(quán)威性進(jìn)行度量。在社交網(wǎng)絡(luò)中，基于鏈接的節(jié)點(diǎn)權(quán)威性度量函數(shù)是一種常見(jiàn)的度量節(jié)點(diǎn)社會(huì)地位的方法。本文采用了一種類(lèi)PageRank的節(jié)點(diǎn)權(quán)威性度量函數(shù)。

si(d)=A(u)=

其中，A(u)表示帖子d的博主u的權(quán)威性指標(biāo)，M(u)表示u的鄰居集合，表示阻尼因子,L(v)表示貼子的數(shù)量。上述公式表示了一種權(quán)威性傳遞的思想。本文認(rèn)為一個(gè)節(jié)點(diǎn)在社交網(wǎng)絡(luò)中的權(quán)威性指標(biāo)取決于其周?chē)泥従?，體現(xiàn)了一種信息傳遞和社交的思想。

社交影響力模型使用了文檔向量空間模型和基于鏈接的作者權(quán)威性度量函數(shù)取值兩部分的線性組合作為衡量一個(gè)文檔影響力的方法。本文中公式(1)的文檔向量空間模型中，cosθ的取值在0～1，由于si是一種概率模型，其取值也在0～1，因此可以簡(jiǎn)單推算出，由于A(d)=αr(d)+βsi(d)，如果文檔庫(kù)中文檔數(shù)量大于1，且社交網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)量大于1，則必然有0

定義2 基于排名的文檔影響力：給定一個(gè)關(guān)鍵字集合K={k1,…,kn}和語(yǔ)料庫(kù)C={d1,…,dn}，其中，di=〈km,…,kj〉∈D代表一個(gè)由關(guān)鍵字序列組成的文檔；給定一個(gè)關(guān)鍵詞，在關(guān)鍵詞上的的排名估計(jì)查詢(xún)函數(shù)表示為RankD:D×K→N，Rank(d,k)=r表示在語(yǔ)料庫(kù)C中，有且僅有r-1個(gè)d′≠d，使relevance(d′,k)>relevance(d,k)，即文檔d在關(guān)鍵字k查詢(xún)下在C中的排名。

排名估計(jì)查詢(xún)返回一個(gè)文檔在特定查詢(xún)下的排名，需要注意的是，排名是一個(gè)全局概念，要獲得文檔d在特定查詢(xún)k下的排名，需要通過(guò)比較所有其他文檔和k的相關(guān)程度才能獲得結(jié)果；而對(duì)海量文本系統(tǒng)，其值可能達(dá)到千萬(wàn)甚至上億的規(guī)模，這樣規(guī)模的比較操作顯然無(wú)法滿(mǎn)足大規(guī)模系統(tǒng)的需要。信息檢索系統(tǒng)通常使用倒排索引(Inverted Index)，對(duì)于內(nèi)容待定的文檔，我們可以將文檔插入語(yǔ)料庫(kù)，更新索引，并執(zhí)行查詢(xún)來(lái)獲得文檔的排名；由于倒排索引可以將相似度比較次數(shù)限定在包含有k的文檔集中，可以有效減少比較次數(shù)。然而，這種操作會(huì)對(duì)索引產(chǎn)生不必要的更新開(kāi)銷(xiāo)，特別是對(duì)于內(nèi)容待定的文檔，內(nèi)容往往需要多次修改，頻繁更新索引會(huì)帶來(lái)大量索引碎片，從而影響全系統(tǒng)效率。

如何在不對(duì)文檔索引進(jìn)行更新的前提下，估計(jì)文檔在特定查詢(xún)下的排名，依然是一個(gè)具有挑戰(zhàn)性及實(shí)際應(yīng)用價(jià)值的問(wèn)題。

3 相關(guān)工作

3.1 社交網(wǎng)絡(luò)的影響力估計(jì)方法

一般來(lái)說(shuō)，國(guó)內(nèi)外對(duì)社交網(wǎng)絡(luò)信息傳播學(xué)影響的研究主要有經(jīng)濟(jì)學(xué)方法、傳播學(xué)方法和概率論方法等。1992年，紐約大學(xué)的Shenoy P P等人[1]利用經(jīng)濟(jì)學(xué)方法，提出了基于效用評(píng)價(jià)的信息傳播影響力求解方法，利用一種可替換公式，基于效用評(píng)價(jià)系統(tǒng)對(duì)信息傳播影響力問(wèn)題進(jìn)行表示和求解。1999年，丹麥奧爾堡大學(xué)的Madsen A L等人[2]提出了一種基于熵的網(wǎng)絡(luò)信息傳播的影響力評(píng)估函數(shù)方法，通過(guò)在強(qiáng)連接樹(shù)中進(jìn)行傳播信息的影響力推理估算。2006年，加拿大西蒙菲莎大學(xué)的McCandless L C等人[3]利用概率論，提出了基于蒙特卡羅的信息傳播計(jì)算方法，但是這種類(lèi)型的影響力分析方法不能有效揭示非線性關(guān)系。同時(shí)，研究者還探討了概率結(jié)構(gòu)模型的影響力分析方法，如美國(guó)匹斯堡大學(xué)的Wang H等人[4]研究發(fā)現(xiàn)，貝葉斯網(wǎng)絡(luò)對(duì)于參數(shù)概率的變化非常敏感，并論證了敏感度分析對(duì)貝葉斯網(wǎng)絡(luò)參數(shù)分析非常有效，但這些貝葉斯網(wǎng)絡(luò)敏感度分析方法還僅涉及到單個(gè)參數(shù)；荷蘭烏特勒支大學(xué)的Renooij S等人[5]將貝葉斯網(wǎng)絡(luò)靈敏性分析延伸到多個(gè)參數(shù)，利用動(dòng)態(tài)概率結(jié)構(gòu)模型進(jìn)行影響力的敏感度分析等。2006年，法國(guó)巴黎大學(xué)的Maes S等人[6]基于多Agent因果概率圖模型給出了一種利用部分信息的影響力分析方法。

本文的目標(biāo)是在已知節(jié)點(diǎn)影響力計(jì)算方法的前提下，快速估計(jì)未知文檔(新文檔)在文檔庫(kù)中的影響力指標(biāo)。上述方法更側(cè)重通過(guò)量化分析社交網(wǎng)絡(luò)中節(jié)點(diǎn)的傳播特性來(lái)分析節(jié)點(diǎn)的影響力，與本文的需求和定義有較大的差異。

3.2 倒排索引與TFIDF函數(shù)

TFIDF(Term Frequency Inverse Document Frequency)是一種常見(jiàn)的向量空間模型的實(shí)現(xiàn)，是一種統(tǒng)計(jì)學(xué)模型，用于衡量一個(gè)詞對(duì)于語(yǔ)料庫(kù)中文檔的重要性，其值與詞在特定文檔中的頻率成正比，與該詞在其他文檔中的頻率呈反比。TFIDF[7～9]函數(shù)由兩部分組成，其中，tf表示詞的詞頻，指的是某一個(gè)給定的詞在文檔中出現(xiàn)的頻率；idf表示反向文檔頻率，表示一個(gè)詞在一個(gè)特定文檔中的重要性，是一個(gè)詞在語(yǔ)料庫(kù)中普遍重要性的度量，由總文檔數(shù)目除以包含該詞語(yǔ)的文檔的數(shù)目，再對(duì)得到的商取對(duì)數(shù)。在系統(tǒng)實(shí)現(xiàn)中，人們通常結(jié)合TFIDF，使用倒排索引組織文檔索引。倒排索引也常被稱(chēng)為反向索引、置入檔案或反向檔案。文檔的倒排索引由形如〈t,posting〉的結(jié)構(gòu)組成，每個(gè)元組由一個(gè)詞語(yǔ)t引導(dǎo)，posting中存儲(chǔ)包含這個(gè)詞語(yǔ)的文檔列表，即Score(d，t)>0的文檔。為了提高查詢(xún)效率，posting中的文檔通常根據(jù)文檔與t的相關(guān)度Score(d,t)進(jìn)行排序。

本文結(jié)合倒排索引中相關(guān)度排序的這個(gè)特點(diǎn)，提出了一種增強(qiáng)型的倒排索引方法。

4 基于位置標(biāo)記的索引

倒排索引的建立過(guò)程通常包含幾個(gè)步驟：(1)文檔解析。將不同的文檔存儲(chǔ)格式轉(zhuǎn)換為統(tǒng)一的字符串形式。(2)關(guān)鍵詞提取。這個(gè)步驟主要完成包括中文分詞、去除停用詞、大小寫(xiě)轉(zhuǎn)換、時(shí)態(tài)還原等操作。(3)建立、存儲(chǔ)倒排索引。將關(guān)鍵詞、文章號(hào)、關(guān)鍵詞的出現(xiàn)位置加入到前面所述的倒排索引數(shù)據(jù)結(jié)構(gòu)中，將倒排索引數(shù)據(jù)結(jié)構(gòu)存儲(chǔ)到數(shù)據(jù)庫(kù)或文件等持久化設(shè)備中。假設(shè)綜合分析文檔d的全局影響力，需要對(duì)任意一個(gè)可能獲取到d的查詢(xún)，都要進(jìn)行排名。對(duì)于已經(jīng)建立了倒排索引的語(yǔ)料庫(kù)，本文給出了一種直觀算法。

4.1 簡(jiǎn)單算法

對(duì)于任意ti∈d，首先計(jì)算tfi；之后對(duì)于其他文檔dj∈{d|ti∈d}，計(jì)算tfi,j，并對(duì)TF值進(jìn)行排序，從而獲得文檔d在ti下的排名(單關(guān)鍵詞查詢(xún)無(wú)需計(jì)算IDF)。

算法1 簡(jiǎn)單算法

輸入:文檔dm，語(yǔ)料庫(kù)C;

輸出:影響力向量ri。

變量tfi向量：dm中詞語(yǔ)的TF值向量

1. 預(yù)操作建立倒排索引

2. FOR eachti∈dm

3.tfi=ni,m/∑knk,m;

4. FOR eachdj∈{d|ti∈d}

5.tfi,j=ni,j/∑knk,j;

6. END FOR

7. 計(jì)算tfi在tfi,j中的位置

8. 輸出ri

9. END FOR

10.結(jié)束

算法1描述了簡(jiǎn)單算法的全過(guò)程。要估計(jì)文檔d中在其所包含的所有詞語(yǔ){t|t∈d}上的影響力，該算法需要執(zhí)行∑t:t∈d|{dj|t∈dj}|次tfi,j運(yùn)算操作，并對(duì)每個(gè)t∈d，都要進(jìn)行一次規(guī)模為|{dj|ti∈dj}|的排序并插入。對(duì)于長(zhǎng)文檔在大規(guī)模語(yǔ)料庫(kù)中的影響力估計(jì)，開(kāi)銷(xiāo)很大。通常搜索引擎或文檔檢索系統(tǒng)會(huì)預(yù)先計(jì)算并使用矩陣存儲(chǔ)每個(gè)文檔的值，這樣可以達(dá)到使用存儲(chǔ)空間換取效率的目的，并在對(duì)倒排索引的posting列表進(jìn)行降序排列時(shí)，使用閾值TA(Threshold Algorithms)算法降低排序開(kāi)銷(xiāo)。即使在這樣的條件下，對(duì)文檔在大規(guī)模語(yǔ)料庫(kù)中的影響力分析，尤其是對(duì)流行詞語(yǔ)的分析，仍然面臨著超長(zhǎng)posting列表的問(wèn)題，依然具有相當(dāng)?shù)奶魬?zhàn)，仍然需要占用大量的空間來(lái)存儲(chǔ)矩陣，也對(duì)索引的有效組織帶來(lái)了困難。

4.2 帶有反向位置標(biāo)記的擴(kuò)展索引

本文在一般倒排索引的基礎(chǔ)上，通過(guò)添加反向位置標(biāo)記實(shí)現(xiàn)了擴(kuò)展索引結(jié)構(gòu)，系統(tǒng)體系結(jié)構(gòu)如圖1所示。該擴(kuò)展索引結(jié)構(gòu)具有自更新和自調(diào)整的能力，當(dāng)新文檔到來(lái)的時(shí)候，擴(kuò)展索引隨倒排索引自動(dòng)更新，并透明地進(jìn)行自調(diào)整優(yōu)化。當(dāng)用戶(hù)進(jìn)行一般關(guān)鍵字查詢(xún)，即keyword-posting查詢(xún)時(shí)，系統(tǒng)通過(guò)原倒排索引完成結(jié)果返回；當(dāng)用戶(hù)執(zhí)行影響力評(píng)估操作時(shí)，查詢(xún)首先通過(guò)擴(kuò)展索引進(jìn)行結(jié)果預(yù)估，之后通過(guò)倒排索引進(jìn)行結(jié)果精化。

Figure 1 System architecture圖1 系統(tǒng)體系結(jié)構(gòu)

圖2是本文設(shè)計(jì)的擴(kuò)展索引結(jié)構(gòu)。為了使傳統(tǒng)的倒排索引具有能夠快速計(jì)算特定文檔序的功能，本文對(duì)一般倒排索引進(jìn)行了如下改進(jìn)：(1)對(duì)倒排索引的每個(gè)反向鏈表，均按照對(duì)應(yīng)詞語(yǔ)的TF值進(jìn)行降序排列；(2)對(duì)于降序排列的0,k,2k,…,nk位置,記錄其對(duì)應(yīng)文檔的tfi值mi,n、代表詞語(yǔ)ti的nk位置的tfi值。

Figure 2 Extent inverted index structure(k=3)圖2 k=3的擴(kuò)展倒排索引結(jié)構(gòu)

在實(shí)際實(shí)現(xiàn)中，我們稱(chēng)這些位置為反向位置標(biāo)記(Milestone)，在本節(jié)描述的索引結(jié)構(gòu)中，該值采用外部分離存儲(chǔ)的方式，無(wú)需修改原倒排索引結(jié)構(gòu)。當(dāng)收到新的排名估計(jì)查詢(xún)d后，對(duì)于任意ti∈d,首先計(jì)算tfi，并比較與對(duì)應(yīng)鏈表中反向位置標(biāo)記mi,n的大小，初步定位。k值的選擇通常與搜索引擎或文本檢索系統(tǒng)中每頁(yè)顯示文檔數(shù)量相當(dāng)。這樣僅通過(guò)上一步操作，即可直接定位目標(biāo)文檔d在查詢(xún)ti下所處的目標(biāo)頁(yè)數(shù)，對(duì)反向位置標(biāo)記使用二分插入方法[7](對(duì)于n個(gè)元素，二分插入方法的平均比較次數(shù)是logn)，比較次數(shù)僅為∑ti:ti∈dlog(|{dj|ti∈dj}|/k)。以k=20，posting平均長(zhǎng)度|{dj|ti∈dj}|=1000為例，如僅需定位文檔在檢索系統(tǒng)中出現(xiàn)的頁(yè)碼數(shù)，比較次數(shù)僅為原來(lái)的5%。

算法2 使用擴(kuò)展索引的算法

輸入:文檔dm,語(yǔ)料庫(kù)C;

輸出:影響力向量ri。

變量tfi向量：dm中詞語(yǔ)的TF值向量

1. 預(yù)操作建立倒排索引建立擴(kuò)展索引

2. FOR eachti∈dm

3.tfi=ni,m/∑knk,m//n定義參考2.1節(jié);

4. FOR eachmi,n(0≤n≤|{dj|ti∈dj}|/k)

5. IFtfi

6. 計(jì)算并輸出ri，Continue;

7. END IF

8. END FOR

9. END FOR

10.結(jié)束

4.3 索引更新策略

當(dāng)語(yǔ)料庫(kù)文檔改變時(shí)，需要對(duì)索引進(jìn)行更新。對(duì)于任意一個(gè)新文檔dm的插入，會(huì)影響到索引中|{t|t∈dm}|個(gè)反向鏈表。對(duì)于快速更新的語(yǔ)料庫(kù)，如何防止頻繁更新帶來(lái)的索引碎片和性能下降，也是一個(gè)具有挑戰(zhàn)性的問(wèn)題。在本節(jié)中，我們?cè)O(shè)計(jì)了一個(gè)兼顧更新效率與索引維護(hù)效率的索引更新策略。

更新擴(kuò)展索引策略 反向位置標(biāo)記間維持(k-1)～2(k-1)個(gè)元素，當(dāng)新元素到來(lái)時(shí)，且反向位置標(biāo)記間元素?cái)?shù)量達(dá)到2(k-1)時(shí)，創(chuàng)建一個(gè)新的標(biāo)記；當(dāng)元素被刪除，且反向位置標(biāo)記間元素?cái)?shù)量少于(k-1)時(shí)，則刪除一個(gè)標(biāo)記。

圖3所示，當(dāng)一個(gè)新的文檔d到來(lái)時(shí)，需要更新tn引導(dǎo)的反向鏈表且mn,1

Figure 3 Update policy(k=3)圖3 k=3的更新策略

當(dāng)文檔列表進(jìn)行更新時(shí)，事實(shí)上上述排名估計(jì)方法存在一定的誤差。通過(guò)計(jì)算可以看出，兩個(gè)相鄰的位置標(biāo)記之間存在(k-1)～2(k-1)個(gè)元素，因此誤差范圍與k相關(guān)，也與文檔的排名相關(guān)。也就是說(shuō)，一個(gè)文檔排名越靠后，其可能的誤差范圍也就越大。

5 實(shí)驗(yàn)

我們基于Apache軟件基金會(huì)的非結(jié)構(gòu)化信息管理結(jié)構(gòu)UIMA(Unstructured Information Management Architecture)平臺(tái)，開(kāi)發(fā)了銀河博思輿情系統(tǒng)，并在其中實(shí)現(xiàn)了本文描述的算法。本實(shí)驗(yàn)使用的詳細(xì)配置如表1所示，實(shí)驗(yàn)環(huán)境使用Java語(yǔ)言實(shí)現(xiàn)，運(yùn)行于基于Linux內(nèi)核的CentOS平臺(tái)上。

Table 1 Running environment of system development

在數(shù)據(jù)集的選擇上，我們挑選了微博文本數(shù)據(jù)集。Weibo2012是我們通過(guò)采集新浪微博上的博文構(gòu)造的文本數(shù)據(jù)集。數(shù)據(jù)集的統(tǒng)計(jì)資料如表2所示。由于中文文本特殊的語(yǔ)法結(jié)構(gòu)，我們使用了中國(guó)科學(xué)院計(jì)算技術(shù)研究所發(fā)布的中文分詞器ICTCLAS。

Table 2 Corpus configuration

在實(shí)驗(yàn)中，測(cè)試了不同k值對(duì)擴(kuò)展索引生成和執(zhí)行影響力查詢(xún)操作的運(yùn)行時(shí)間。由于三個(gè)數(shù)據(jù)集在數(shù)據(jù)規(guī)模上有較大的差異，在建立索引實(shí)驗(yàn)時(shí)，使用了兆字節(jié)/秒(MB/s)作為標(biāo)準(zhǔn)單位，出于公平原則，對(duì)于中文文檔，在運(yùn)行時(shí)間上沒(méi)有計(jì)算對(duì)中文文本進(jìn)行分詞的時(shí)間。通過(guò)索引建立時(shí)間可以看出，k的取值對(duì)索引建立并沒(méi)有太大的影響，建立倒排索引的開(kāi)銷(xiāo)依然支配著運(yùn)行時(shí)間。

Figure 4 Running time圖4 運(yùn)行時(shí)間(k=0表示沒(méi)有設(shè)置反向標(biāo)記)

對(duì)于查詢(xún)效率，采用隨機(jī)生成查詢(xún)文檔的方式，為了公平起見(jiàn)，以1 KB個(gè)長(zhǎng)度為200詞的隨機(jī)文檔作為一個(gè)查詢(xún)的計(jì)時(shí)單位測(cè)試處理時(shí)間。通過(guò)圖4可以看出，設(shè)立反向位置標(biāo)記的索引相對(duì)于原始的倒排索引，在影響力估計(jì)查詢(xún)效果方面效率良好，反向位置標(biāo)記效果明顯。

為了驗(yàn)證文中影響力估計(jì)方法的正確性，我們隨機(jī)挑選了300個(gè)“查詢(xún)-文檔”對(duì)，測(cè)試了k=10(假設(shè)搜索引擎每頁(yè)顯示10條信息)時(shí)的誤差率。在對(duì)相關(guān)的數(shù)據(jù)進(jìn)行連續(xù)插入更新操作后，計(jì)算算法估計(jì)排名和實(shí)際排名之間的差值。圖5中，橫坐標(biāo)表示“查詢(xún)-文檔”，縱坐標(biāo)表示對(duì)應(yīng)查詢(xún)的誤差率，通過(guò)結(jié)果可以看出，本文所提方法的誤差率很低，絕大部分查詢(xún)的誤差率在5%左右。

Figure 5 Accuracy analysis圖5 正確率分析

6 結(jié)束語(yǔ)

本文給出了一種全新的基于全局排名的影響力指標(biāo)，并通過(guò)在傳統(tǒng)的倒排索引基礎(chǔ)上設(shè)置反向

位置標(biāo)記，使一般信息檢索系統(tǒng)具有快速估計(jì)新文檔影響力的能力。本文創(chuàng)新性地將文檔向量模型和基于鏈接的節(jié)點(diǎn)權(quán)威性度量方法，通過(guò)一種排序策略有機(jī)地結(jié)合在一起。本文提出的方法還在廣告收益估計(jì)、新聞?shì)浾撚绊懺u(píng)估等領(lǐng)域具有重要的作用和廣闊的前景。

本文提出的模型當(dāng)前僅針對(duì)單個(gè)關(guān)鍵字查詢(xún)，今后還可以在此基礎(chǔ)上設(shè)計(jì)開(kāi)發(fā)多關(guān)鍵字的文檔影響力估計(jì)模型，并結(jié)合惡意排名、垃圾信息檢測(cè)等工作開(kāi)展進(jìn)一步的研究。

[1] Shenoy P P. Valuation_based systems for Bayesian decision analysis[J]. Operations Research, 1992,40(3):63-84.

[2] Madsen A L. Lazy propagation:A junction tree inference algorithm based on lazy evaluation[J].Artificial Intelligence, 1999, 113(1-2):203-245.

[3] McCandless L C, Gustafson P, Levy A. Bayesian sensitivity analysis for unmeasured confounding in observational studies[J]. Statistics in Medicine, 2006, 26(11):2331-2347.

[4] Wang H. Building Bayesian networks: Elicitation, evaluation, and learning[M]. Pittsburgh:University of Pittsburgh, 2004.

[5] Renooij S. Efficient sensitivity analysis in hidden Markov models[C]∥Proc of the 5th European Workshop on Probabilistic Graphical Modelsm, 2010:1.

[6] Maes S, Philippe L. Multi-agent causal models for dependability analysis[C]∥Proc of the 1st International Conference on Availability, Reliability and Security, 2006:794-798.

[7] Salton G, McGill M J. Introduction to modern information retrieval[M]. NY:McGraw-Hill, 1983.

[8] Salton G, Fox E A, Wu H. Extended boolean information retrieval[J]. Communicaton of ACM,1983,26(11):1022-1036.

[9] Salton G,Buckley C.Term-weighting approaches in automatic text retrieval[J]. Information Processing & Management, 1988,24(5):513-523.

SI Hong-wei,born in 1982,MS,his research interest includes computer network security.

Estimating the influence of documents:An enhanced inverted index based approach

SI Hong-wei
(College of Computer,National University of Defense Technology,Changsha 410073,China)

Ranking the documents in a list has been extensively used in a lot of search engine systems. In these systems, vector space based ranking models are adopted. Actually, the ranking score of a given document is invisible to search engine users, and the rank position can be regarded as a measure of the influence of a given document. However, for a document outside corpus, how can we measure the influence of it? The question cannot be answered by using ordinary search engines. Social influence is introduced on a real micro-blogging system. Moreover, a large number of milestones are added into inverted indices for the sake of estimating the influence scores. Therefore, above questions can be well answered. The experiments on real data sets verify the effectiveness and efficiency.

information retrieval;inverted index;TFIDF;milestone

2012-07-14;

2012-10-12

國(guó)家863計(jì)劃資助項(xiàng)目(2011AA010702，2012AA01A402)；國(guó)家自然科學(xué)基金資助項(xiàng)目(91124002)；科技支撐計(jì)劃課題(2012BAH38B06) 通訊地址：410073 湖南省長(zhǎng)沙市國(guó)防科學(xué)技術(shù)大學(xué)計(jì)算機(jī)學(xué)院

1007-130X(2014)03-0545-06

TP391

A

10.3969/j.issn.1007-130X.2014.03.030

司宏偉(1982-),男,內(nèi)蒙古呼和浩特人，碩士，研究方向?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)安全。E-mail:sihongwei@163.com

Address:College of Computer,National University of Defense Technology,Changsha 410073,Hunan,P.R.China