[IR] Tolerant Retrieval & Spelling Correction & Language Model

Dictionary不一定是个list，它可以是多种形式。

放弃Hash的原因：

通常，tree是比较适合的结构。

---

From: http://www.cnblogs.com/v-July-v/archive/2011/06/07/2075992.html

• B^--tree

B-树又叫平衡多路查找树。一棵m阶的B-树 (m叉树)的特性如下：

1. 1. 树中每个结点最多含有m个孩子（m>=2）；
   2. 除根结点和叶子结点外，其它每个结点至少有[ceil(m / 2)]个孩子（其中ceil(x)是一个取上限的函数）；
   3. 若根结点不是叶子结点，则至少有2个孩子（特殊情况：没有孩子的根结点，即根结点为叶子结点，整棵树只有一个根节点）；
   4. 所有叶子结点都出现在同一层，叶子结点不包含任何关键字信息(可以看做是外部接点或查询失败的接点，实际上这些结点不存在，指向这些结点的指针都为null)；
   5. 每个非终端结点中包含有n个关键字信息： (n，P0，K1，P1，K2，P2，......，Kn，Pn)。其中：
             a)   Ki (i=1...n)为关键字，且关键字按顺序升序排序K(i-1)< K_i。 
             b)   P_i为指向子树根的接点，且指针P(i-1)指向子树种所有结点的关键字均小于Ki，但都大于K(i-1)。 
             c)   关键字的个数n必须满足： [ceil(m / 2)-1]<= n <= m-1。

针对上面第5点，再阐述下：B树中每一个结点能包含的关键字（如之前上面的D H和Q T X）数有一个上界和下界。这两个界可以用一个称作B树的最小度数（算法导论中文版上译作度数）t（t>=2）表示。

• • 每个非根的结点必须至少含有t-1个关键字。每个非根的内结点至少有t个子女。如果树是非空的，则根结点至少包含一个关键字；
  • 每个结点可包含之多2t-1个关键字。所以一个内结点至多可有2t个子女。如果一个结点恰好有2t-1个关键字，我们就说这个结点是满的（而稍后介绍的B*树作为B树的一种常用变形，B*树中要求每个内结点至少为2/3满，而不是像这里的B树所要求的至少半满）；
  • 当关键字数t=2（t=2的意思是，tmin=2，t可以>=2）时的B树是最简单的（有很多人会因此误认为B树就是二叉查找树，但二叉查找树就是二叉查找树，B树就是B树，B树的真正最准确的定义为：一棵含有t（t>=2）个关键字的平衡多路查找树）。每个内结点可能因此而含有2个、3个或4个子女，亦即一棵2-3-4树，然而在实际中，通常采用大得多的t值。

B树中的每个结点根据实际情况可以包含大量的关键字信息和分支(当然是不能超过磁盘块的大小，根据磁盘驱动(disk drives)的不同，一般块的大小在1k~4k左右)；这样树的深度降低了，这就意味着查找一个元素只要很少结点从外存磁盘中读入内存，很快访问到要查找的数据。

• B⁺-tree

B⁺-tree：是应文件系统所需而产生的一种B-tree的变形树。

一棵m阶的B+树和m阶的B树的差异在于：

1.有n棵子树的结点中含有n个关键字； (而B 树是n棵子树有n+1个关键字)

2.所有的叶子结点中包含了全部关键字的信息，及指向含有这些关键字记录的指针，且叶子结点本身依关键字的大小自小而大的顺序链接。 (而B-树的叶子节点并没有包括全部需要查找的信息)

3.所有的非终端结点可以看成是索引部分，结点中仅含有其子树根结点中最大（或最小）关键字。 (而B 树的非终节点也包含需要查找的有效信息)

为什么说B⁺-tree比B-树更适合实际应用中操作系统的文件索引和数据库索引？

1) B⁺-tree的磁盘读写代价更低

B⁺-tree的内部结点并没有指向关键字具体信息的指针。因此其内部结点相对B 树更小。如果把所有同一内部结点的关键字存放在同一盘块中，那么盘块所能容纳的关键字数量也越多。一次性读入内存中的需要查找的关键字也就越多。相对来说IO读写次数也就降低了。

举个例子，假设磁盘中的一个盘块容纳16bytes，而一个关键字2bytes，一个关键字具体信息指针2bytes。一棵9阶B-tree(一个结点最多8个关键字)的内部结点需要2个盘快。而B⁺ 树内部结点只需要1个盘快。当需要把内部结点读入内存中的时候，B 树就比B⁺ 树多一次盘块查找时间(在磁盘中就是盘片旋转的时间)。

2) B⁺-tree的查询效率更加稳定

由于非终结点并不是最终指向文件内容的结点，而只是叶子结点中关键字的索引。所以任何关键字的查找必须走一条从根结点到叶子结点的路。所有关键字查询的路径长度相同，导致每一个数据的查询效率相当。

---

WILD-CARD QUERIES

(1) prefix：B-tree搞定

　　mon*

(2) suffix：反一下数据重新构树。B+tree

　　*ing

(3) mon*ing：mon* 与 *ing 的results结合：

　　mon* & *abc

(4) “Permuterm vocabulary 轮排索引”

首先Query → 标准形式：

P   →  Exact match P$
P*  →  $P*
*p  →  P$*
*p* →  p*
p*q →  q$p*

p*q*r → ?
　　先求r$p*，
　　再filter out没有q的。
　　找对应的posting list。
　　返回Document Id。

(5) Bigram (扩展: K-gram indexes).
　　i.e. castle for 3-gram 例如：$ca, cas, ast, tle, le$
　　Bigram:
　　Query: mon* can now be run as:
　　　　$m AND mo AND on
　　However, "moooomon" 这个是没有意义的，就filter out。

---

Spelling Correction

Spelling Tasks:
    A: Non-word Errors
    B: Real-word Errors
        * Typographical相似
        * Cognitive Errors相似

(1) Error detection
        A: 不在字典中
        B: 语法检测？

(2) Error correction
        A: Shortest weighted edit distance --> How to define?
            High noisy channel probability

B: Similar pronunciation/spelling
            Noisy channel, classifier

Define as following:

w单词拼写成x_i的概率。得到 <Noisy channel probability for acress>

P(x|word) from Big Data.

P(x|word) from <Confusion matrix for spelling errors> like this:

Solving real-world spelling errors

Generate candidate set
• the word itself
• all single-letter edits that are English words
• words that are homophones
• 假设一个句子只有一个错误

Choose best candidates
• Noisy channel model
• Task-specific classifier

---

Language Model

Where to get the probabilities.
• Language model
• Unigram
• Bigram
• Etc
Channel model
• Same as for non-word spelling correction
• Plus need probability for no error, P(w|w)

查询似然模型：
P(d|q)=P(q|d) * P(d)/P(q)

P(d)默认为uniform distribution

P(q)是一个constant value

So, P(q|d)决定P(d|q)

对于Zero probability问题，采取策略：

在此基础上演变为混合模型：Jelinek-Mercer method

P(w|d) = λ*Pmle (w|Md ) + ( – λ)*Pmle (w|Mc )

-- Relationship to idf --

---

(1)

TERM	Doc1	Doc2	P(t) for Doc1	P(t) for Doc2
i	1	2	(1/22+3/38)/2=0.0622	(2/16+3/38)/2=0.1020
don't	1	1	(1/22+2/38)/2=0.0490	(1/16+2/38)/2=0.0576
want	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
to	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
go	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
a	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
groovy	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
king	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
of	1	1	(1/22+2/38)/2=0.0490	(1/16+2/38)/2=0.0576
love	3	3	(3/22+6/38)/2=0.1471	(3/16+6/38)/2=0.1727
you	2		(2/22+2/38)/2=0.0718	(0/16+2/38)/2=0.0263
can't	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
hurry	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
this	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
must	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
be	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
take	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
me	1	1	(1/22+2/38)/2=0.0490	(1/16+2/38)/2=0.0576
with	1		(1/22+1/38)/2=0.0359	(0/16+1/38)/2=0.0132
all		2	(0/22+2/38)/2=0.0263	(2/16+2/38)/2=0.0888
out		1	(0/22+1/38)/2=0.0132	(1/16+1/38)/2=0.0444
here		1	(0/22+1/38)/2=0.0132	(1/16+1/38)/2=0.0444
am		1	(0/22+1/38)/2=0.0132	(1/16+1/38)/2=0.0444
remember		1	(0/22+1/38)/2=0.0132	(1/16+1/38)/2=0.0444
is		1	(0/22+1/38)/2=0.0132	(1/16+1/38)/2=0.0444
tell		1	(0/22+1/38)/2=0.0132	(1/16+1/38)/2=0.0444
Total	22	16

(2)

Q1:
i remember you

M1: 0.0622*0.0132*0.0718
= 0.000058951

M2: 0.1020*0.0444*0.0263
= 0.000119107  !

Q2:
don't want you to love me

M1: 0.0490*0.0359*0.0718*0.0359*0.1471*0.0490
= 0.000000033  !

M2: 0.0576*0.0132*0.0263*0.0132*0.1727*0.0576
= 0.000000003

Q1:
Doc2 will be ranked first.

Q2:
Doc1 will be ranked first.

(3)

When
p(D1) = 0.7, p(D2) = 0.3,

p(Doc1|Q1)
= 0.000058951 * 0.7 = 0.000041266  !

p(Doc2|Q1)
= 0.000119107 * 0.3 = 0.000035732

p(Doc1|Q2)
= 0.000000033 * 0.7 = 0.000000023  !

p(Doc2|Q2)
= 0.000000003 * 0.3 = 0.000000001

Q1:
Doc1 will be ranked first. (change)

Q2:
Doc1 will be ranked first.