倒排列表压缩算法汇总——分区Elias

  • 时间:
  • 浏览:3
  • 来源:uu快3大小_uu快3网站_开奖历史

创新依然在继续,自从SSE加速指令引入到PForDelta的实现刚刚,针对SIMD指令怎样设计良好的压缩算法也成为工程和学术的研究重点。亚马逊旗下搜索引擎A9.com就刚刚提出了针对SIMD加速的可变长字节编码实现,而在2013年底,加拿大LICEF研究中心的Lemire提出了基于SIMD bitpacking的压缩编码SIMD-BP128,其解压效率是迄今为止最快的,超过OptPFor的2倍(一秒钟不不 解压10亿整数),当然在压缩率上并这麼达到高指标。

共要30007年开始英语 英语 了了,本身名为PForDelta的索引压缩算法开始英语 英语 了了引起更多人的重视,这是本身压缩率更高或者解压效率更快的算法。有研究表明,索引压缩的过程中相邻文档ID差值为1的具体情况共要占10%,而PForDelta算法对小差值的具体情况,特别有优势。假定一有二个多索引块为8个值(可能性做过差分),3000%的具体情况下值小于32,小于32的值均不不 用一有二个多b = 5bit的数来表示。建立刚刚一有二个多型态:8*b-bit的常规帕累托图,看作是一有二个多位数组,每个元素占b-bit定长空间,余下的为异常帕累托图,看作是一有二个多整形数组,每个元素占4字节定长空间。假定有刚刚一有二个多序列:23, 41, 8, 12, 300, 68, 18, 45,通过PForDelta法律依据的构造得到如下压缩型态:

来看看倒排索引压缩。压缩是拿CPU换IO的最重要手段之一,不论索引是倒入硬盘还是内存中。索引压缩的算法有几十种,跟文本压缩不同,索引压缩算法不仅仅时需考虑压缩率,更要考虑压缩和解压性能,或者会解压太慢而起必须CPU换IO的作用。早期的索引设计里,在尝试了几十种编码刚刚,基本都确定性采用差分编码+可变长字节编码。差分的目的在于让索引的文档ID尽可能性小,可能性压缩小的整数老要比大整数更有效。在索引构建算法中,有一类工作叫做“文档重排”,目的只要通过对文档索引顺序的重新排列,使得索引posting list中的文档ID之差最小,刚刚就不不 让压缩算法更有效的工作,从而使得索引总体积最小。当然刚刚的工作在实际中价值有限,可能性索引的构建效率以及增量构建同样非常重要,耗费几滴 时间在文档重排上,对于静态数据集合才更加有效。可变长字节编码共可是最早的索引压缩编码,思路简单到无以复加的地步——每个字节的第一位为flag,表示不是继续使用下一有二个多byte,剩下7位为有效位,所有的有效位组成数字的2进制表示。或者它却非常有效,可能性解压效率非常快。采用差分和可变长组合手段,假定文档ID采用32位整数,这麼索引体积基本不不 能压缩到刚刚的1/2到1/4之间。你这种 压缩手段处在了主流,几乎所有的开源搜索(Lucene,Sphinx),商业搜索都采用你这种 法律依据进行,Google则引入了Group可变长字节编码,以一有二个多整数为一组进行压缩,刚刚压缩率更高。我们我们我们 不不 找到阿里实现的Group可变长字节编码的实现,或者很可能性淘宝商品搜索也采用了你这种 法律依据。

PForDelta及其系列改进从07年发明的故事的故事以来可能性逐渐性性性心智性性成熟的句子的句子 图片 ,上端的工程实践中引入了SSE指令加速,使得解压效率不不 更快。有些主流商业搜索引擎可能性广泛采用,也蕴藏上端提到的淘宝商品搜索。然而,技术革新的步伐并这麼停止。PForDelta你这种 族算法,压缩是按照区块来进行的,这是是因为 可能性希望仅仅访问其中某一有二个多元素,这麼时需把整个区块进行解压。有刚刚我们我们我们 不不希望老要完整版解压,从而不不 做到对压缩数字的随机读取。在2012年的刚刚,再次出現了Quasi-succinct索引。它不不 提供元素的随机访问而不时需完整版解压。注意这里又再次出現了succinct字样,是可能性该索引对于压缩接近信息熵的下界,这符合succinct的定义。Quasi-succinct索引的性能跟最好的区块压缩算法压缩解压性能基本一致,采用的是Elias-Fano编码,或者压缩率缺却不不高,或者会是是因为 索引体积膨胀——尽管这麼,索引所占的体积仍然少于常规的可变长字节编码。Elias-Fano编码针对随机元素的解压非常快速,或者可能性时需解压完整版元素,它的效率还是必须最先进的批量解压算法这种于NewPFor和OptPFor快。

图中的序列为2,3,5,7,11,13,24,可能性期望定位大于6的位置,这麼根据6/2^2就不不 定位到大于6的桶,或者在桶内线性扫描即可。不不 看到,低l位的处在,只要起到了桶定位的用途,从而避免完整版解压,这不不 比拟于常规索引中的跳跃表,跳跃间隔为2^l。

Partitioned(分区块) Elias-Fano编码,这篇文章获得了2014年SIGIR会议最佳论文,它是针对Elias-Fano编码进行的改进。仍然由Quasi-succinct的作者提出,主要避免Quasi-succinct索引的压缩率现象——回归区块压缩手段,把数字序列划分区块,每个区块内单独用Elias-Fano编码,共同,为了确保仍然具备随机访问的型态,把区块的边界数字再次单独拿Elias-Fano编码压缩,或者形成了一有二个多二级型态。根据作者的试验,分区Elias-Fano编码比最快的PForDelta编码OptPFor效率和压缩率上均有超越,但压缩率大大超刚刚者(2倍以上)。或者,在随机访问,压缩率,解压性能上达到了很强的综合性能,荣膺最佳论文实至名归。

椭圆框所示的帕累托图为常规帕累托图,常规帕累托图的第一有二个多值1,表示从该地址开始英语 英语 了了,跳过一有二个多地址,就不不 找到下一有二个多异常值的位置,同理第一有二个多值3表示,跳过二个地址,只要下一有二个多异常值的位置。常规值刚刚到后存储,异常值从后向前存储。PForDelta压缩是基于块来进行,目前常用的确定是128。把避免异常值的法律依据做改进,采用可变长字节可能性有些算法(目前最先进的是S9可能性S16)压缩,只要改进型的NewPFor和OptPFor压缩算法。

压缩不不 说是索引设计中的第一考虑帕累托图,盘点上端的列表,NewPFor,OptPFor,Quasi-succinct(Elias-Fano),Partitioned Elias-Fano,SIMD-BP128,都不 业界最先进的确定,设计时时需根据另一方的要求做出确定。

Elias-Fano编码过程如下:把一组整数的最低l位连接在共同,共同把高位以严格单调增的排序划分为桶。用0表示桶的处在,用1表示桶里的元素,有十几次 元素都不 十几次 个1。

Quasi-succinct索引在MG4J的开源搜索引擎中得到了应用,MG4J是另一方认为的Java版本的开源搜索引擎中最具备研究和学习价值的,不仅仅在于高于Lucene的代码质量,更在于对于数据型态与算法孜孜不倦的创新。当然,可能性不善宣传,出学好校而并这麼吸引更多的开发人员加入社区,

知晓并想要改进MG4J的人寥寥无几,这跟Lucene形成了鲜明的对比。或者,即便在技术领域,先进性也往往让步于宣传。

本文转自张昺华-sky博客园博客,原文链接:http://www.cnblogs.com/bonelee/p/6879663.html,如需转载请自行联系原作者

转自:http://chuansong.me/n/2035211