JavaScript全文搜索如何實現(xiàn)

本文小編為大家詳細(xì)介紹“JavaScript全文搜索如何實現(xiàn)”，內(nèi)容詳細(xì)，步驟清晰，細(xì)節(jié)處理妥當(dāng)，希望這篇“JavaScript全文搜索如何實現(xiàn)”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學(xué)習(xí)新知識吧。

相關(guān)性

對每一個搜索查詢，我們很容易給每個文檔定義一個“相關(guān)分?jǐn)?shù)”。當(dāng)用戶進(jìn)行搜索時，我們可以使用相關(guān)分?jǐn)?shù)進(jìn)行排序而不是使用文檔出現(xiàn)時間來進(jìn)行排序。這樣，最相關(guān)的文檔將排在***個，無論它是多久之前創(chuàng)建的（當(dāng)然，有的時候和文檔的創(chuàng)建時間也是有關(guān)的）。

有很多很多種計算文字之間相關(guān)性的方法，但是我們要從最簡單的、基于統(tǒng)計的方法說起。這種方法不需要理解語言本身，而是通過統(tǒng)計詞語的使用、匹配和基于文檔中特有詞的普及率的權(quán)重等情況來決定“相關(guān)分?jǐn)?shù)”。

這個算法不關(guān)心詞語是名詞還是動詞，也不關(guān)心詞語的意義。它唯一關(guān)心的是哪些是常用詞，那些是稀有詞。如果一個搜索語句中包括常用詞和稀有詞，你***讓包含稀有詞的文檔的評分高一些，同時降低常用詞的權(quán)重。

這個算法被稱為Okapi BM25。它包含兩個基本概念 詞語頻率(term frequency) 簡稱詞頻(“TF”)和 文檔頻率倒數(shù)(inverse document frequency) 簡寫為(“IDF”).把它們放到一起，被稱為 “TF-IDF”，這是一種統(tǒng)計學(xué)測度，用來表示一個詞語 (term) 在文檔中有多重要。

TF-IDF

詞語頻率(Term Frequency), 簡稱“TF”,  是一個很簡單的度量標(biāo)準(zhǔn)：一個特定的詞語在文檔出現(xiàn)的次數(shù)。你可以把這個值除以該文檔中詞語的總數(shù)，得到一個分?jǐn)?shù)。例如文檔中有 100 個詞，  ‘the’ 這個詞出現(xiàn)了 8 次，那么 'the' 的 TF 為 8 或 8/100 或 8%（取決于你想怎么表示它）。

逆向文件頻率（Inverse Document Frequency）, 簡稱“IDF”，要復(fù)雜一些：一個詞越稀有，這個值越高。它由總文件數(shù)目除以包含該詞語之文件的數(shù)目，再將得到的商取對數(shù)得到。越是稀有的詞，越會產(chǎn)生高的 “IDF”。

如果你將這兩個數(shù)字乘到一起 (TF*IDF), 你將會得到一個詞語在文檔中的權(quán)重。“權(quán)重”的定義是：這個詞有多稀有并且在文檔中出現(xiàn)的多么頻繁？

你可以將這個概念用于文檔的搜索查詢。在查詢中的對于查詢中的每個關(guān)鍵字，計算他們的 TF-IDF 分?jǐn)?shù)，并把它們相加。得分***的就是與查詢語句***的文檔。

Okapi BM25

上述算法是一個可用的算法，但并不太***。它給出了一個基于統(tǒng)計學(xué)的相關(guān)分?jǐn)?shù)算法，我們還可以進(jìn)一步改進(jìn)它。

Okapi BM25 是到目前為止被認(rèn)為***進(jìn)的排名算法之一（所以被稱為ElasticSearch）。Okapi BM25 在 TF-IDF 的基礎(chǔ)上增加了兩個可調(diào)參數(shù)，k1 和 b，, 分別代表 “詞語頻率飽和度（term frequency saturation）” 和 “字段長度規(guī)約”。這是什么鬼？

為 了能直觀的理解“詞語頻率飽和度”，請想象兩篇差不多長度的討論棒球的文章。另外，我們假設(shè)所有文檔(除去這兩篇)并沒有多少與棒球相關(guān)的內(nèi)容，因此  “棒球” 這個詞將具有很高的 IDF - 它極***而且很重要。  這兩篇文章都是討論棒球的，而且都花了大量的篇幅討論它，但是其中一篇比另一篇更多的使用了“棒球”這個詞。那么在這種情況，是否一篇文章真的要比另一篇  文章相差很多的分?jǐn)?shù)呢？既然兩個兩個文檔都是大篇幅討論棒球的，那么“棒球”這個詞出現(xiàn) 40 次還是 80 次都是一樣的。事實上，30  次就該封頂啦！

這就是 “詞語頻率飽和度。原生的 TF-IDF 算法沒有飽和的概念，所以出現(xiàn) 80 次“棒球”的文檔要比出現(xiàn) 40 次的得分高一倍。有些時候，這時我們所希望的，但有些時候我們并不希望這樣。

此外，Okapi BM25 還有個 k1 參數(shù)，它用于調(diào)節(jié)飽和度變化的速率。k1 參數(shù)的值一般介于 1.2 到 2.0 之間。數(shù)值越低則飽和的過程越快速。（意味著兩個上面兩個文檔有相同的分?jǐn)?shù)，因為他們都包含大量的“棒球”這個詞語）

字 段長度歸約（Field-length  normalization）將文檔的長度歸約化到全部文檔的平均長度上。這對于單字段集合（single-field collections）（例如  ours）很有用，可以將不同長度的文檔統(tǒng)一到相同的比較條件上。對于雙字段集合（例如 “title” 和 "body"）更加有意義，它同樣可以將  title 和 body 字段統(tǒng)一到相同的比較條件上。字段長度歸約用 b 來表示，它的值在 0 和 1 之間，1 意味著全部歸約化，0  則不進(jìn)行歸約化。

在Okapi BM25 維基百科中你可以了解Okapi算法的公式。既然都知道了式子中的每一項是什么，這肯定是很容易地就理解了。所以我們就不提公式，直接進(jìn)入代碼：

BM25.Tokenize = function(text) {  text = text  .toLowerCase  .replace(/\W/g, ' ')  .replace(/\s+/g, ' ')  .trim  .split(' ')  .map(function(a) { returnstemmer(a); });  //Filter out stopStems  var out = ;  for(var i = 0, len = text.length; i < len; i++) {  if(stopStems.indexOf(text[i]) === -1) {  out.push(text[i]);  }  }

我 們定義了一個簡單的靜態(tài)方法Tokenize，目的是為了解析字符串到tokens的數(shù)組中。就這樣，我們小寫所有的tokens（為了減少熵）。我們運 行Porter Stemmer  算法來減少熵的量同時也提高匹配程度（“walking”和"walk"匹配是相同的）。而且我們也過濾掉停用詞（很普通的詞）為了更近一步減少熵值。在 我所寫的概念深入之前，如果我過于解釋這一節(jié)就請多擔(dān)待。

BM25.prototype.addDocument = function(doc) {  if(typeof doc.id=== 'undefined') { throw new Error(1000, 'ID is a required property of documents.'); };  if(typeof doc.body === 'undefined') { throw new Error(1001, 'Body is a required property of documents.'); };  //Raw tokenized list of words  var tokens = BM25.Tokenize(doc.body);  //Will hold unique terms and their counts and frequencies  var _terms = {};  //docObj will eventually be added to the documents database  var docObj = {id: doc.id, tokens: tokens, body: doc.body};  //Count number of terms  docObj.termCount = tokens.length;  //Increment totalDocuments  this.totalDocuments++;  //Readjust averageDocumentLength  this.totalDocumentTermLength += docObj.termCount;  this.averageDocumentLength = this.totalDocumentTermLength / this.totalDocuments;  //Calculate term frequency  //First get terms count  for(var i = 0, len = tokens.length; i < len; i++) {  var term = tokens[i];  if(!_terms[term]) {  _terms[term] = {  count: 0,  freq: 0  };  };  _terms[term].count++;  }  //Then re-loop to calculate term frequency.  //We'll also update inverse document frequencies here.  var keys = Object.keys(_terms);  for(var i = 0, len = keys.length; i < len; i++) {  var term = keys[i];  //Term Frequency forthis document.  _terms[term].freq = _terms[term].count / docObj.termCount;  //Inverse Document Frequency initialization  if(!this.terms[term]) {  this.terms[term] = {  n: 0, //Number of docs this term appears in, uniquely  idf: 0  };  }  this.terms[term].n++;  };  //Calculate inverse document frequencies  //This is SLOWish so ifyou want to index a big batch of documents,  //comment this out and run it once at the end of your addDocuments run  //If you're only indexing a document or two at a timeyou can leave this in.  //this.updateIdf;  //Add docObj to docs db  docObj.terms = _terms;  this.documents[docObj.id] = docObj;  };

這就是addDocument這種方法會奇跡般出現(xiàn)的地方。我們基本上建立和維護(hù)兩個類似的數(shù)據(jù)結(jié)構(gòu):this.documents.和this.terms。

this.documentsis   是一個保存著所有文檔的數(shù)據(jù)庫，它保存著文檔的全部原始文字，文檔的長度信息和一個列表，列表里面保存著文檔中的所有詞語和詞語的數(shù)量與出現(xiàn)頻率。使用這 個數(shù)據(jù)結(jié)構(gòu)，我們可以很容易的和快速的（是的，非常快速，只需要時間復(fù)雜度為O(1)的哈表查詢時間）回答如下問題：在文檔 #3 中，'walk'  這個詞語出現(xiàn)了多少次？

我們在還使用了另一個數(shù)據(jù)結(jié)構(gòu)，this.terms。它表示語料庫中的所有詞語。通過這個數(shù)據(jù)結(jié)構(gòu)，我們可以在O(1)時間內(nèi)回答如下問題：'walk' 這個詞在多少個文檔中出現(xiàn)過？他們的 id 是什么？

***，我們記錄了每個文檔的長度，并記錄了整個語料庫中文檔的平均長度。

注 意，上面的代碼中， idf 被初始化 0，而且 updateidf  方法被注釋掉了。這是因為這個方法運行的非常慢，并且只需在建立索引之后運行一次就可以了。既然運行一次就能滿足需求，就沒有必要運行5000次。先把它 注釋掉，然后在大批量的索引操作之后運行，就可以節(jié)省很多時間。下面是這個函數(shù)的代碼：

BM25.prototype.updateIdf = function {  varkeys = Object.keys(this.terms);  for(vari = 0, len = keys.length; i < len; i++) {  varnum = (this.totalDocuments - this.terms[term].n + 0.5);  vardenom = (this.terms[term].n + 0.5);  this.terms[term].idf = Math.max(Math.log10(num / denom), 0.01);

這是一個非常簡單的函數(shù)，但是由于它需要遍歷整個語料庫中的所有詞語，并更新所有詞語的值，這就導(dǎo)致它工作的就有點慢。這個方法的實現(xiàn)采用了逆向文檔頻率 (inverse document frequency) 的標(biāo)準(zhǔn)公式（你可以在Wikipedia上找到這個公式）— 由總文件數(shù)目除以包含該詞語之文件的數(shù)目，再將得到的商取對數(shù)得到。我做了一些修改，讓返回值一直大于0。

BM25.prototype.search = function(query) {  varqueryTerms = BM25.Tokenize(query);  varresults = ;  // Look at each document in turn. There are better ways to do this with inverted indices.  varkeys = Object.keys(this.documents);  for(varj = 0, nDocs = keys.length; j < nDocs; j++) {  varid = keys[j];  // The relevance score for a document is the sum of a tf-idf-like  // calculation for each query term.  this.documents[id]._score = 0;  // Calculate the score for each query term  for(vari = 0, len = queryTerms.length; i < len; i++) {  varqueryTerm = queryTerms[i];  // We've never seen this term before so IDF will be 0.  // Means we can skip the whole term, it adds nothing to the score  // and isn't in any document.  if(typeofthis.terms[queryTerm] === 'undefined') {  continue;  }  // This term isn't in the document, so the TF portion is 0 and this  // term contributes nothing to the search score.  if(typeofthis.documents[id].terms[queryTerm] === 'undefined') {  continue;  }  // The term is in the document, let's go.  // The whole term is :  // IDF * (TF * (k1 + 1)) / (TF + k1 * (1 - b + b * docLength / avgDocLength))  // IDF is pre-calculated for the whole docset.  varidf = this.terms[queryTerm].idf;  // Numerator of the TF portion.  varnum = this.documents[id].terms[queryTerm].count * (this.k1 + 1);  // Denomerator of the TF portion.  vardenom = this.documents[id].terms[queryTerm].count  + (this.k1 * (1 - this.b + (this.b * this.documents[id].termCount / this.averageDocumentLength)));  // Add this query term to the score  this.documents[id]._score += idf * num / denom;  if(!isNaN(this.documents[id]._score) && this.documents[id]._score > 0) {  results.push(this.documents[id]);  }  }  results.sort(function(a, b) { returnb._score - a._score; });  returnresults.slice(0, 10);  };

***，search 方法遍歷所有的文檔，并給出每個文檔的 BM25 分?jǐn)?shù)，然后按照由大到小的順序進(jìn)行排序。當(dāng)然了，在搜索過程中遍歷語料庫中的每個文檔實是不明智。這個問題在 Part Two （反向索引和性能）中得到解決。

上 面的代碼已經(jīng)做了很好的注釋，其要點如下：為每個文檔和每個詞語計算 BM25 分?jǐn)?shù)。詞語的 idf  分?jǐn)?shù)已經(jīng)預(yù)先計算好了，使用的時候只需要查詢即可。詞語頻率作為文檔屬性的一部分也已經(jīng)預(yù)先計算好了。之后只需要簡單的四則運算即可。***給每個文檔增加 一個臨時變量 _score，然后根據(jù) score 做降序排列并返回前 10 個結(jié)果。

讀到這里，這篇“JavaScript全文搜索如何實現(xiàn)”文章已經(jīng)介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領(lǐng)會，如果想了解更多相關(guān)內(nèi)容的文章，歡迎關(guān)注億速云行業(yè)資訊頻道。