一)分词
1)正向/逆向最大匹配算法
典型:IKAnalyzer采用的是正向迭代最细粒度切分算法
IKAnalyzer源码简单分析:
http://www.cnblogs.com/huangfox/p/3282003.html
2)字典树(trieTree)
trieTree实现
http://www.cnblogs.com/huangfox/archive/2012/04/27/2474185.html
中文分词遇到的问题:
a)标准trieTree节点采用数组存储指针,如果是英文a-z用26长度的数组表示,但是中文不能用这种存储方式,节点数组长度等于中文字数。(内存撑不住!)
b)如何节点内部查询?采用数组进行二分查找,或者采用map。(ik结合了这两种方式)
具体还可以参考:
http://hxraid.iteye.com/blog/618962
3)消歧算法
4)新词识别算法(机构名、品牌名、专业名词、缩略语、网络新词等)
具体参考:
http://www.programmer.com.cn/12276/
二)索引
1)压缩算法
前缀后缀规则、差值规则
2)跳跃表
为了提高查找的性能,Lucene在很多地方采取的跳跃表的数据结构。
跳跃表(Skip List)是如图的一种数据结构,有以下几个基本特征:
- 元素是按顺序排列的,在Lucene中,或是按字典顺序排列,或是按从小到大顺序排列。
- 跳跃是有间隔的(Interval),也即每次跳跃的元素数,间隔是事先配置好的,如图跳跃表的间隔为3。
- 跳跃表是由层次的(level),每一层的每隔指定间隔的元素构成上一层,如图跳跃表共有2层。
节选自:http://forfuture1978.iteye.com/blog/546824
三)检索
1)文本相关性算法(tfIdf)
tfIdf的详细解释:
http://www.ruanyifeng.com/blog/2013/03/cosine_similarity.html
lucene打分过程:
http://www.cnblogs.com/huangfox/archive/2012/07/02/2573333.html
2)字段排序过程中——优先级队列
请参考:
http://www.cnblogs.com/huangfox/archive/2012/07/11/2586232.html
相关知识:
a)堆排序
http://www.cnblogs.com/huangfox/archive/2012/06/30/2571216.html
四)扩展
1)相似检索(MoreLikeThis)
关键步骤:
a)字频统计
b)去噪(黑名单、词条长度)
c)计算词权(tfIdf)
d)构建query
F)检索
具体参考:
http://www.cnblogs.com/huangfox/archive/2012/07/05/2578179.html
2)拼写检查(SpellingChecker)
关键算法:
a)N-gram
b)编辑距离
具体参考:
http://www.cnblogs.com/huangfox/archive/2012/02/14/2350349.html
3)电商排序模型
多因子综合排序(略)
----------------------------------------------------------------
其他
1)自动关键词的应用(牵涉到相似检索)
2)同义词、近义词的应用