Πώς λειτουργεί ένα ανεστραμμένο ευρετήριο;

Question

IT Interview Practice · Accepted Answer

**Ένα inverted index αντιστοιχίζει όρο στα έγγραφα που τον περιέχουν.** Η μηχανή βρίσκει υποψήφια έγγραφα χωρίς πλήρη ανάγνωση όλων σε κάθε αναζήτηση.

Σκεφτείτε ευρετήριο βιβλίου: βρίσκετε λέξη και πηγαίνετε στις αναφερόμενες σελίδες. Στη μηχανή αναζήτησης, τα IDs εγγράφων αντικαθιστούν τους αριθμούς σελίδων.

## 1. Ξεκινήστε με μικρή συλλογή

Έχουμε τρία έγγραφα και απλό analyzer που μετατρέπει σε πεζά και χωρίζει λέξεις. Analyzer είναι τα βήματα μετατροπής κειμένου σε αναζητήσιμους όρους.

```text
D1: Red apple
D2: Green apple
D3: Red car

apple -> D1, D2
car   -> D3
green -> D2
red   -> D1, D3
```

Η αρχική κατεύθυνση είναι έγγραφο προς λέξεις. Το index την αντιστρέφει σε λέξη προς έγγραφα, εξ ου το όνομα. Η λίστα εγγράφων κάθε όρου λέγεται posting list.

## 2. Απαντήστε με τις λίστες

Για red και apple μαζί διαβάστε τις δύο λίστες και κρατήστε την τομή: D1 βρίσκεται και στις δύο. Αν αρκεί οποιοσδήποτε όρος, η ένωση δίνει D1, D2 και D3.

Το παράδειγμα εξηγεί matching, όχι ranking. Πολλά αποτελέσματα μπορούν να βαθμολογηθούν με συχνότητα όρου και διάδοση στη συλλογή. Εύρεση και σειρά είναι συναφή αλλά διαφορετικά βήματα.

## 3. Κάντε συμβατά indexing και αναζήτηση

Η ανάλυση query πρέπει να συμφωνεί με αποθηκευμένους όρους. Αν το indexing κάνει Red σε red αλλά η αναζήτηση ζητά ακριβώς Red, το αναμενόμενο αποτέλεσμα μπορεί να χαθεί.

Η σωστή ανάλυση εξαρτάται από το πεδίο. Περιγραφές προϊόντων ωφελούνται από text analysis, ενώ ακριβή IDs παραγγελίας συνήθως θέλουν exact match. Το σπάσιμο ID σε κοινές λέξεις μπορεί να αλλάξει σημασία. Δείτε [αναζήτηση πλήρους κειμένου](https://www.elastic.co/docs/solutions/search/full-text/how-full-text-works) της Elastic.

## 4. Κρατήστε αρκετές πληροφορίες για την ερώτηση

Έγγραφο με red και apple δεν περιέχει απαραίτητα τη φράση red apple. Για phrase queries χρειάζονται θέσεις λέξεων ώστε να ελεγχθούν σειρά και γειτνίαση.

- Τα IDs απαντούν ποια έγγραφα περιέχουν τον όρο.
- Οι συχνότητες περιγράφουν πόσες εμφανίσεις υπάρχουν.
- Οι θέσεις επιτρέπουν ερωτήσεις για τη σχετική διάταξη όρων.

Περισσότερες πληροφορίες υποστηρίζουν πλουσιότερα queries αλλά αυξάνουν μέγεθος και κόστος indexing. Οι απαιτούμενες αναζητήσεις καθορίζουν το χρήσιμο index.

## 5. Καταλάβετε το κόστος ενημέρωσης

Όταν αλλάζει το κείμενο, αλλάζει και το index. Συστήματα όπως Elasticsearch κρατούν δεδομένα σε segments και τα συγχωνεύουν αργότερα· update δεν σημαίνει άμεση επιτόπια επανεγγραφή όλων των posting lists. Η ορατότητα εξαρτάται και από refresh.

Υπολογίστε πρόσθετο storage, κόστος indexing και πιθανή καθυστέρηση από εγγραφή έως αναζήτηση. Το inverted index είναι ιδιαίτερα χρήσιμο για όρους κειμένου, όχι καθολικό υποκατάστατο index για exact lookup, εύρη ή συναλλαγές.

1. Ξεκινήστε με μικρή συλλογή

2. Απαντήστε με τις λίστες

3. Κάντε συμβατά indexing και αναζήτηση

4. Κρατήστε αρκετές πληροφορίες για την ερώτηση

5. Καταλάβετε το κόστος ενημέρωσης

Σχετικές ερωτήσεις