Hogyan működik az invertált index?

Question

IT Interview Practice · Accepted Answer

**Az invertált index egy kifejezést az azt tartalmazó dokumentumokhoz rendel.** Így a kereső anélkül talál jelölteket, hogy minden kereséskor végigolvasna minden dokumentumot.

Gondolj a könyv végi tárgymutatóra: keresel egy szót, majd fellapozod a felsorolt oldalakat. A keresőben oldalszám helyett dokumentumazonosító van.

## 1. Kezdj kis gyűjteménnyel

Legyen három dokumentum és egy egyszerű elemző, amely kisbetűsít és szavakra bont. Az elemző a szöveget kereshető kifejezésekké alakító lépéssor.

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

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

Az eredeti irány dokumentumtól szavakhoz vezet. Az index megfordítja: szótól dokumentumokhoz, innen a neve. Egy kifejezés dokumentumlistája a posting list.

## 2. A listákkal válaszold meg a lekérdezést

Ha red és apple is kell, olvasd mindkét listát és vedd a metszetüket: D1 mindkettőben van. Ha bármelyik elég, az unió D1, D2 és D3 jelölteket ad.

Ez egyezést magyaráz, nem rangsort. Több találatnál a kereső pontozhat a kifejezés gyakorisága és gyűjteménybeli elterjedtsége alapján. A találatok keresése és sorrendezése összefüggő, de külön lépés.

## 3. Hangold össze az indexelést és keresést

A lekérdezést az indexelt kifejezésekhez illő módon kell elemezni. Ha az index Redből redet készít, de a keresés szó szerint Redet kér, a várt találat elmaradhat.

A megfelelő elemzés mezőfüggő. Termékleírásnál jó a szövegelemzés, rendelésazonosítónál inkább pontos egyezés kell. Az azonosító közönséges szavakra bontása megváltoztathatja jelentését. Lásd az Elastic [teljes szöveges keresési magyarázatát](https://www.elastic.co/docs/solutions/search/full-text/how-full-text-works).

## 4. Tárolj elegendő információt a kérdéshez

A redet és applet is tartalmazó dokumentumban nem feltétlenül van red apple szókapcsolat. Kifejezéskereséshez szópozíció kell a sorrend és szomszédság ellenőrzésére.

- A dokumentumazonosítók megmondják, hol szerepel a kifejezés.
- A gyakoriság azt írhatja le, hányszor fordul elő.
- A pozíciók a kifejezések egymáshoz viszonyított helyét mutatják.

Több információ gazdagabb keresést tesz lehetővé, de nagyobb indexet és több indexelési munkát jelent. Az alkalmazás keresési igényei döntik el, mi hasznos.

## 5. Értsd meg a frissen tartás költségét

Forrásszöveg-változáskor az indexet is frissíteni kell. Az Elasticsearchhez hasonló rendszerek szegmenseket kezelnek és idővel egyesítik őket; egy módosítás nem ír át rögtön helyben minden listát. A keresési láthatóság a refresh működésétől is függ.

Számolj plusz tárolással, indexelési költséggel és az írás–kereshetőség közötti késéssel. Az invertált index kifejezésalapú szövegkeresésre különösen jó; nem helyettesít minden pontos, tartományos vagy tranzakciós hozzáférési indexet.

1. Kezdj kis gyűjteménnyel

2. A listákkal válaszold meg a lekérdezést

3. Hangold össze az indexelést és keresést

4. Tárolj elegendő információt a kérdéshez

5. Értsd meg a frissen tartás költségét

Kapcsolódó kérdések