倒排列表压缩算法汇总——分区Elias

  • 时间:
  • 浏览:1

来看看倒排索引压缩。压缩是拿CPU换IO的最重要手段之一,不论索引是倒进硬盘还是内存中。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,然后 会解压太慢而起不还才能CPU换IO的作用。早期的索引设计里,在尝试了几十种编码原来,基本都选择性采用差分编码+可变长字节编码。差分的目的在于让索引的文档ID尽然后 小,然后 压缩小的整数还还有一直比大整数更有效。在索引构建算法中,有一类工作叫做“文档重排”,目的可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,原来就还才能让压缩算法更有效的工作,从而使得索引总体积最小。当然原来的工作在实际中价值有限,然后 索引的构建效率以及增量构建同样非常重要,耗费极少量时间在文档重排上,对于静态数据集合才更加有效。可变长字节编码合适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,表示是是不是继续使用下还还有一个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。然后 它却非常有效,然后 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,这么 索引体积基本还才可否 压缩到原来的1/2到1/4之间。什儿 压缩手段处在了主流,几乎所有的开源搜索(Lucene,Sphinx),商业搜索都采用什儿 办法进行,Google则引入了Group可变长字节编码,以还还有一个整数为一组进行压缩,原来压缩率更高。大伙还才能找到阿里实现的Group可变长字节编码的实现,然后 很然后 淘宝商品搜索也采用了什儿 办法。

Elias-Fano编码过程如下:把一组整数的最低l位连接在一齐,一齐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,有有哪几个元素都不 有哪几个个1。

椭圆框所示的累积为常规累积,常规累积的第还还有一个值1,表示从该地址现在然后刚开始,跳过还还有一个地址,就还才能找到下还还有一个异常值的位置,同理第还还有一个值3表示,跳过5个地址,可是下还还有一个异常值的位置。常规值原来到后存储,异常值从后向前存储。PForDelta压缩是基于块来进行,目前常用的选择是128。把出理 异常值的办法做改进,采用可变长字节然后 什儿 算法(目前最先进的是S9然后 S16)压缩,可是改进型的NewPFor和OptPFor压缩算法。

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,更在于对于数据特性与算法孜孜不倦的创新。当然,然后 不善宣传,出研究会校而并这么 吸引更多的开发人员加入社区,

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

PForDelta及其系列改进从07年发明的故事以来然后 逐渐开花结果的句子的句子是什么 是什么是什么的句子的句子的句子期期,里面的工程实践中引入了SSE指令加速,使得解压效率还才能更慢。什儿 主流商业搜索引擎然后 广泛采用,也带有里面提到的淘宝商品搜索。然而,技术革新的步伐并这么 停止。PForDelta什儿 族算法,压缩是按照区块来进行的,这原应着然后 希望仅仅访问其中某还还有一个元素,这么 都要把整个区块进行解压。有原来大伙暂且希望还还有一直完正解压,从而还才能做到对压缩数字的随机读取。在2012年的原来,老出 了Quasi-succinct索引。它还才能提供元素的随机访问而不都要完正解压。注意这里又老出 了succinct字样,是然后 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,然后 压缩率缺却暂且高,然后 会原应着索引体积膨胀——尽管这么 ,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,然后 然后 都要解压完正元素,它的效率还是不还才能最先进的批量解压算法累似 NewPFor和OptPFor快。

转自:http://chuansong.me/n/2035211

压缩还才能说是索引设计中的第一考虑累积,盘点里面的列表,NewPFor,OptPFor,Quasi-succinct(Elias-Fano),Partitioned Elias-Fano,SIMD-BP128,都不 业界最先进的选择,设计时都要根据另一方的要求做出选择。

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,主要出理 Quasi-succinct索引的压缩率问提——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,一齐,为了确保仍然具备随机访问的特性,把区块的边界数字再次单独拿Elias-Fano编码压缩,然后 形成了还还有一个二级特性。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,但压缩率大大超原来者(2倍以上)。然后 ,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。

图中的序列为2,3,5,7,11,13,24,然后 期望定位大于6的位置,这么 根据6/2^2就还才能定位到大于6的桶,然后 在桶内线性扫描即可。还才能看过,低l位的处在,可是起到了桶定位的用途,从而出理 完正解压,这还才能借喻于常规索引中的跳跃表,跳跃间隔为2^l。

合适10007年现在然后刚开始,有一种 名为PForDelta的索引压缩算法现在然后刚开始引起更多人的重视,这是有一种 压缩率更高然后 解压效率更慢的算法。有研究表明,索引压缩的过程中相邻文档ID差值为1的情况合适占10%,而PForDelta算法对小差值的情况,很重有优势。假定还还有一个索引块为8个值(然后 做过差分),1000%的情况下值小于32,小于32的值均还才能用还还有一个b = 5bit的数来表示。建立原来还还有一个特性:8*b-bit的常规累积,看作是还还有一个位数组,每个元素占b-bit定长空间,余下的为异常累积,看作是还还有一个整形数组,每个元素占4字节定长空间。假定有原来还还有一个序列:23, 41, 8, 12, 1000, 68, 18, 45,通过PForDelta办法的构造得到如下压缩特性:

创新依然在继续,自从SSE加速指令引入到PForDelta的实现原来,针对SIMD指令怎样才能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就原来提出了针对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(一秒钟还才能解压10亿整数),当然在压缩率上并这么 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