信息检索与数据挖掘 | 【实验】排名检索模型

文章目录

• 📚实验内容
• 📚相关概念
• 📚实验步骤
• • 🐇分词预处理
  • 🐇构建倒排索引表
  • 🐇计算query和各个文档的相似度
  • 🐇queries预处理及检索函数
  • • 🔥对输入的文本进行词法分析和标准化处理
    • 🔥检索函数
  • 🐇调试结果

📚实验内容

1. 在Experiment1的基础上实现最基本的Ranked retrieval model
   • Input：a query (like Ron Weasley birthday)
   • Output: Return the top K (e.g., K = 100) relevant tweets.
2. Use SMART notation: lnc.ltn
   • Document: logarithmic tf (l as first character), no idf and cosine normalization
   • Query: logarithmic tf (l in leftmost column), idf (t in second column), no normalization
3. 改进Inverted index
   • 在Dictionary中存储每个term的DF
   • 在posting list中存储term在每个doc中的TF with pairs (docID, tf)

📚相关概念

• 信息检索与数据挖掘 | （五）文档评分、词项权重计算及向量空间模型
• 词项频率（term frequencey）：t在文档中的出现次数。
• 文档集频率（collection frequency）：词项在文档集中出现的次数。
• 文档频率（document frequency）：出现t的所有文档的数目。
• 逆文档频率 ：
  
• t f − i d f t , d tf-idf_{t,d} tf−idft,d计算 ：
  
  
• 相似度计算 ：
  
• 查询权重机制 ：
  

📚实验步骤

🐇分词预处理

1. 将输入的推特文档转换为小写，这里统一处理，使得后续查询不区分大小写。

2. 根据特定标记在推特文档中查找并确定关键部分信息的位置索引，并提取出推特文档中的tweetid和tweet内容。

3. 对提取出的文本内容进行分词处理，并将单词转换为其单数形式。

4. 对分词后的词列表进行词形还原，主要针对动词的还原操作。同时，筛去["text", "tweetid"]

5. 将筛选出的有效词添加到最终结果列表中，并返回。

   #分词预处理
   def tokenize_tweet(document):
       # 统一处理使查询不区分大小写
       document = document.lower()
       # 根据特定标记在推特文档中查找并确定关键部分信息的位置索引
       # 这里的减1减3是对引号逗号切入与否的调整
       a = document.index("tweetid") - 1
       b = document.index("errorcode") - 1
       c = document.index("text") - 1
       d = document.index("timestr") - 3
       # 将推特文档中的tweetid和text内容主要信息提取出来
       document = document[a:b] + document[c:d]
       # 分词处理，并将单词转换为其单数形式
       terms = TextBlob(document).words.singularize()
       # 将分词后的词列表进行词形还原，并筛选出不属于无用词的有效词
       result = []
       for word in terms:
           # 将当前词转换为Word对象
           expected_str = Word(word)
           # 动词的还原操作
           expected_str = expected_str.lemmatize("v")
           if expected_str not in uselessTerm:
               # 筛去["text", "tweetid"]，添加到result中
               result.append(expected_str)
       return result

🐇构建倒排索引表

• 存储term在每个doc中的TF with pairs (docID, tf)。
  

1. 首先明确，在该过程计算文档词项的对应权重 ，采用lnc规则，即 logarithmic tf (l as first character), no idf and cosine normalization。
2. 具体流程如下：
   • 读取内容。文件中每行都代表一条推特。将每一行推特文本分解为单词（词条化），并存储在一个列表line中
   • 利用一个全局变量N记录读取的推特文档数量。
   • 从line中提取tweetid，并从line中删除。
   • 创建一个空字典tf用于统计每个词在当前文档中的出现次数。遍历line中的每个词，通过判断词是否已经在tf字典的键中存在来更新词的出现次数。
   • 对tf字典中的每个词项频率进行logarithmic tf的计算，即将出现次数加1并取对数。（对应logarithmic tf (l as first character)）
   • 归一化（对应cosine normalization），遍历tf字典的键（即词项），得到归一化因子。最后，代码再次遍历tf字典的键，并将每个词项的频率乘以归一化因子。得到最后的对应tf权重。
   • 将line转换为集合unique_terms并遍历其中的每个词。
     • 如果该词已经在postings字典的键中存在，则更新该词对应的字典项，将tweetid和权重加入其中。
     • 如果该词不存在于postings字典的键中，则创建该键，并将tweetid和权重加入其中。

---

• 统计词频频率

  # 统计词项频率，记录每个词在当前文档中的出现次数
  tf = {}
   for word in line:
       if word in tf.keys():
           tf[word] += 1
       else:
           tf[word] = 1

• 1 + l o g ( t f t , d ) 1+log(tf_{t,d}) 1+log(tft,d)

   # logarithmic tf
   for word in tf.keys():
       tf[word] = 1 + math.log(tf[word])

• 1 w 1 2 + w 2 2 + . . . + w m 2 \frac{1}{\sqrt{{w_1}^2+{w_2}^2+...+{w_m}^2}} w12+w22+...+wm2 1

   # 归一化，cosine normalization
   cosine = 0
   for word in tf.keys():
       cosine = cosine + tf[word] * tf[word]
   cosine = 1.0 / math.sqrt(cosine)
   for word in tf.keys():
       tf[word] = tf[word] * cosine

🐇计算query和各个文档的相似度

1. 首先明确，该过程分为两个步骤，首先计算query词项的对应权重 ，然后求相似度 （也即对应词项两个权重相乘并求和）并降序排序。Query权重采用ltn规则，即 logarithmic tf (l in leftmost column), idf (t in second column), no normalization。

2. 具体流程如下：

   • 遍历查询词列表query，对每个词进行词项频率统计，将结果存储在tf中。
   • 遍历tf字典的键（即查询词），根据每个词在postings中的文档频率（文档出现的次数）计算文档频率df。若一个词不在postings中，则将文档频率设置为全局变量 N（表示总的文档数量）。
   • 计算权重tf[word] = (math.log(tf[word]) + 1) * math.log(N / df)，对应ltn （logarithmic tf, idf, no normalization）。
   • 对于每个查询词，检查它是否postings字典中存在。若存在，则遍历该查询词的倒排索引（文档编号及对应的词项权重），根据每个文档的词项权重和查询词的tf-idf值计算相似度得分。
   • 存储得分并进行降序排序，得到一个按照相似度排名的列表，并将其返回作为结果。

   def similarity(query):
       global score_tid
       tf = {}
       # 统计词项频率
       for word in query:
           if word in tf:
               tf[word] += 1
           else:
               tf[word] = 1
       # 统计文档频率
       for word in tf.keys():
           if word in postings:
               df = len(postings[word])
           else:
               df = N
           # 对应ltn,logarithmic tf (l in leftmost column), idf (t in second column), no normalization
           tf[word] = (math.log(tf[word]) + 1) * math.log(N / df)
       # 计算相似度
       for word in query:
           if word in postings:
               for tid in postings[word]:
                   if tid in score_tid.keys():
                       score_tid[tid] += postings[word][tid] * tf[word]
                   else:
                       score_tid[tid] = postings[word][tid] * tf[word]
       # 按照得分（相似度）进行降序排序
       similarity = sorted(score_tid.items(), key=lambda x: x[1], reverse=True)
       return similarity

🐇queries预处理及检索函数

🔥对输入的文本进行词法分析和标准化处理

def token(doc):
    # 将输入文本转换为小写字母，以便统一处理。
    doc = doc.lower()
    # 将文本拆分为单个词项，并尝试将词项转换为单数形式
    terms = TextBlob(doc).words.singularize()
    # 将分词后的词列表进行词形还原,返回结果列表result
    result = []
    for word in terms:
        expected_str = Word(word)
        expected_str = expected_str.lemmatize("v")
        result.append(expected_str)
    return result

🔥检索函数

def Union(sets):
    return reduce(set.union, [s for s in sets])

def do_search():
    query = token(input("please input search query >> "))
    result = []
    if query == []:
        sys.exit()
    # set()去除查询词列表中的重复项
    unique_query = set(query)
    # 生成一个包含每个查询词对应的tweet的id集合的列表，并且利用Union()函数将这些集合取并集
    relevant_tweetids = Union([set(postings[term].keys()) for term in unique_query])
    print("一共有" + str(len(relevant_tweetids)) + "条相关tweet！")
    if not relevant_tweetids:
        print("No tweets matched any query terms for")
        print(query)
    else:
        print("the top 100 tweets are:")
        scores = similarity(query)
        i = 1
        for (id, score) in scores:
            if i <= 100:  # 返回前n条查询到的信息
                result.append(id)
                print(str(score) + ": " + id)
                i = i + 1
            else:
                break
        print("finished")

🐇调试结果

---

最终代码

import sys
from collections import defaultdict
from textblob import TextBlob
from textblob import Word
import math
from functools import reduce

uselessTerm = ["text", "tweetid"]
# 构建倒排索引表，存储term在每个doc中的TF with pairs (docID, tf)
postings = defaultdict(dict)
# 文档数目N
N = 0
# 最终权值
score_tid = defaultdict(dict)

#分词预处理
def tokenize_tweet(document):
    # 统一处理使查询不区分大小写
    document = document.lower()
    # 根据特定标记在推特文档中查找并确定关键部分信息的位置索引
    # 这里的减1减3是对引号逗号切入与否的调整
    a = document.index("tweetid") - 1
    b = document.index("errorcode") - 1
    c = document.index("text") - 1
    d = document.index("timestr") - 3
    # 将推特文档中的tweetid和text内容主要信息提取出来
    document = document[a:b] + document[c:d]
    # 分词处理，并将单词转换为其单数形式
    terms = TextBlob(document).words.singularize()
    # 将分词后的词列表进行词形还原，并筛选出不属于无用词的有效词
    result = []
    for word in terms:
        # 将当前词转换为Word对象
        expected_str = Word(word)
        # 动词的还原操作
        expected_str = expected_str.lemmatize("v")
        if expected_str not in uselessTerm:
            # 筛去["text", "tweetid"]，添加到result中
            result.append(expected_str)
    return result

# 构建倒排索引表，存储term在每个doc中的TF with pairs (docID, tf)
# lnc：logarithmic tf, no idf and cosine normalization
def get_postings():
    global postings, N
    content = open(r"Tweets.txt")
    # 内容读取，每一条推特作为一个元素存储在lines中
    lines = content.readlines()
    for line in lines:
        N += 1
        # 预处理
        line = tokenize_tweet(line)
        # 提取处理后的词列表中的第一个元素，即推特文档的tweetid
        tweetid = line[0]
        # 提取后删除，不作为有效词
        line.pop(0)

        # 统计词项频率，记录每个词在当前文档中的出现次数
        tf = {}
        for word in line:
            if word in tf.keys():
                tf[word] += 1
            else:
                tf[word] = 1
        # logarithmic tf
        for word in tf.keys():
            tf[word] = 1 + math.log(tf[word])
        # 归一化，cosine normalization
        cosine = 0
        for word in tf.keys():
            cosine = cosine + tf[word] * tf[word]
        cosine = 1.0 / math.sqrt(cosine)
        for word in tf.keys():
            tf[word] = tf[word] * cosine

        # 将处理后的词列表转换为集合，获取其中的唯一词
        unique_terms = set(line)
        for key_word in unique_terms:
            if key_word in postings.keys():
                postings[key_word][tweetid] = tf[key_word]
            else:
                postings[key_word][tweetid] = tf[key_word]

# query标准化处理
def token(doc):
    # 将输入文本转换为小写字母，以便统一处理。
    doc = doc.lower()
    # 将文本拆分为单个词项，并尝试将词项转换为单数形式
    terms = TextBlob(doc).words.singularize()
    # 将分词后的词列表进行词形还原,返回结果列表result
    result = []
    for word in terms:
        expected_str = Word(word)
        expected_str = expected_str.lemmatize("v")
        result.append(expected_str)
    return result

# 计算query和各个文档的相似度
def similarity(query):
    global score_tid
    tf = {}
    # 统计词项频率
    for word in query:
        if word in tf:
            tf[word] += 1
        else:
            tf[word] = 1
    # 统计文档频率
    for word in tf.keys():
        if word in postings:
            df = len(postings[word])
        else:
            df = N
        # 对应ltn,logarithmic tf (l in leftmost column), idf (t in second column), no normalization
        tf[word] = (math.log(tf[word]) + 1) * math.log(N / df)
    # 计算相似度
    for word in query:
        if word in postings:
            for tid in postings[word]:
                if tid in score_tid.keys():
                    score_tid[tid] += postings[word][tid] * tf[word]
                else:
                    score_tid[tid] = postings[word][tid] * tf[word]
    # 按照得分（相似度）进行降序排序
    similarity = sorted(score_tid.items(), key=lambda x: x[1], reverse=True)
    return similarity


def Union(sets):
    return reduce(set.union, [s for s in sets])

def do_search():
    query = token(input("please input search query >> "))
    result = []
    if query == []:
        sys.exit()
    # set()去除查询词列表中的重复项
    unique_query = set(query)
    # 生成一个包含每个查询词对应的tweet的id集合的列表，并且利用Union()函数将这些集合取并集
    relevant_tweetids = Union([set(postings[term].keys()) for term in unique_query])
    print("一共有" + str(len(relevant_tweetids)) + "条相关tweet！")
    if not relevant_tweetids:
        print("No tweets matched any query terms for")
        print(query)
    else:
        print("the top 100 tweets are:")
        scores = similarity(query)
        i = 1
        for (id, score) in scores:
            if i <= 100:  # 返回前n条查询到的信息
                result.append(id)
                print(str(score) + ": " + id)
                i = i + 1
            else:
                break
        print("finished")

def main():
    get_postings()
    while True:
        do_search()

if __name__ == "__main__":
    main()

---

参考博客 ：信息检索实验2- Ranked retrieval model