倒排列表压缩算法汇总——分区Elias

  • 时间:
  • 浏览:2
  • 来源:神彩UU直播现场_彩神UU直播现场官方

Elias-Fano编码过程如下:把一组整数的最低l位连接在一并,一并把高位以严格单调增的排序划分为桶。用0表示桶的发生,用1表示桶里的元素,有几块元素完整完会几块个1。

压缩能没哟说是索引设计中的第一考虑偏离 ,盘点上面的列表,NewPFor,OptPFor,Quasi-succinct(Elias-Fano),Partitioned Elias-Fano,SIMD-BP128,完整完会业界最先进的选取,设计时都要根据自己的要求做出选取。

PForDelta及其系列改进从07年创造创造发明以来不可能 逐渐心智心智成熟的句子是什么,上面的工程实践中引入了SSE指令加速,使得解压下行速率 单位能没哟变快。其他主流商业搜索引擎不可能 广泛采用,也中含上面提到的淘宝商品搜索。然而,技术革新的步伐并没哟停止。PForDelta這個族算法,压缩是按照区块来进行的,这因为不可能 希望仅仅访问其中某有一个 多元素,没哟都要把整个区块进行解压。有前一天 我们歌词 暂且希望总爱完整解压,从而能没哟做到对压缩数字的随机读取。在2012年的前一天 ,总爱总爱出现了Quasi-succinct索引。它能没哟提供元素的随机访问而不都要完整解压。注意这里又总爱总爱出现了succinct字样,是不可能 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,其他压缩率缺却暂且高,其他会因为索引体积膨胀——尽管没哟,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,其他不可能 都要解压完整元素,它的下行速率 单位还是没哟最先进的批量解压算法這個NewPFor和OptPFor快。

Quasi-succinct索引在MG4J的开源搜索引擎中得到了应用,MG4J是自己认为的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,更在于对于数据內部与算法孜孜不倦的创新。当然,不可能 不善宣传,出法学会校而并没哟吸引更多的开发人员加入社区,

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

来看看倒排索引压缩。压缩是拿CPU换IO的最重要手段之一,不论索引是放入硬盘还是内存中。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都要考虑压缩率,更要考虑压缩和解压性能,其他会解压太慢而起没哟CPU换IO的作用。早期的索引设计里,在尝试了几十种编码前一天 ,基本都选取性采用差分编码+可变长字节编码。差分的目的在于让索引的文档ID尽不可能 小,不可能 压缩小的整数总爱比大整数更有效。在索引构建算法中,有一类工作叫做“文档重排”,目的而是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,那我就能没哟让压缩算法更有效的工作,从而使得索引总体积最小。当然那我的工作在实际中价值有限,不可能 索引的构建下行速率 单位以及增量构建同样非常重要,耗费多量时间在文档重排上,对于静态数据集合才更加有效。可变长字节编码最少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,表示是是否是继续使用下有一个 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。其他它却非常有效,不可能 解压下行速率 单位非常快。采用差分和可变长组合手段,假定文档ID采用32位整数,没哟索引体积基本能没哟没哟压缩到前一天 的1/2到1/4之间。這個压缩手段发生了主流,几乎所有的开源搜索(Lucene,Sphinx),商业搜索都采用這個方法进行,Google则引入了Group可变长字节编码,以有一个 多整数为一组进行压缩,那我压缩率更高。我们歌词 能没哟找到阿里实现的Group可变长字节编码的实现,其他很不可能 淘宝商品搜索也采用了這個方法。

最少807年现在开使,一种生活名为PForDelta的索引压缩算法现在开使引起更多人的重视,这是一种生活压缩率更高其他解压下行速率 单位变快的算法。有研究表明,索引压缩的过程中相邻文档ID差值为1的情形最少占10%,而PForDelta算法对小差值的情形,很糙有优势。假定有一个 多索引块为8个值(不可能 做过差分),80%的情形下值小于32,小于32的值均能没哟用有一个 多b = 5bit的数来表示。建立那我有一个 多內部:8*b-bit的常规偏离 ,看作是有一个 多位数组,每个元素占b-bit定长空间,余下的为异常偏离 ,看作是有一个 多整形数组,每个元素占4字节定长空间。假定有那我有一个 多序列:23, 41, 8, 12, 80, 68, 18, 45,通过PForDelta方法的构造得到如下压缩內部:

椭圆框所示的偏离 为常规偏离 ,常规偏离 的第有一个 多值1,表示从该地址现在开使,跳过有一个 多地址,就能没哟找到下有一个 多异常值的位置,同理第有一个 多值3表示,跳过八个地址,而是下有一个 多异常值的位置。常规值那我到后存储,异常值从后向前存储。PForDelta压缩是基于块来进行,目前常用的选取是128。把避免异常值的方法做改进,采用可变长字节不可能 其他算法(目前最先进的是S9不可能 S16)压缩,而是改进型的NewPFor和OptPFor压缩算法。

图中的序列为2,3,5,7,11,13,24,不可能 期望定位大于6的位置,没哟根据6/2^2就能没哟定位到大于6的桶,其他在桶内线性扫描即可。能没哟就看,低l位的发生,而是起到了桶定位的用途,从而避免完整解压,这能没哟移觉于常规索引中的跳跃表,跳跃间隔为2^l。

转自:http://chuansong.me/n/2035211

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索引的压缩率问题报告 ——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,一并,为了确保仍然具备随机访问的內部,把区块的边界数字再次单独拿Elias-Fano编码压缩,其他形成了有一个 多二级內部。根据作者的试验,分区Elias-Fano编码比最快的PForDelta编码OptPFor下行速率 单位和压缩率上均有超越,但压缩率大大超前一天 者(2倍以上)。其他,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。

创新依然在继续,自从SSE加速指令引入到PForDelta的实现前一天 ,针对SIMD指令何如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就那我提出了针对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,其解压下行速率 单位是迄今为止最快的,超过OptPFor的2倍(一秒钟能没哟解压10亿整数),当然在压缩率上并没哟达到高指标。

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