wand(weak and)算法基本思路
一般搜索的query比较短，但如果query比较长，如是一段文本，需要搜索相似的文本，这时候一般就需要wand算法，该算法在广告系统中有比较成熟的应
该，主要是adsense场景，需要搜索一个页面内容的相似广告。
Wand方法简单来说，一般我们在计算文本相关性的时候，会通过倒排索引的方式进行查询，通过倒排索引已经要比全量遍历节约大量时间，但是有时候仍
然很慢。
原因是很多时候我们其实只是想要top n个结果，一些结果明显较差的也进行了复杂的相关性计算，而weak-and算法通过计算每个词的贡献上限来估计文档
的相关性上限，从而建立一个阈值对倒排中的结果进行减枝，从而得到提速的效果。
wand算法首先要估计每个词对相关性贡献的上限，最简单的相关性就是TF*IDF，一般query中词的TF均为1，IDF是固定的，因此就是估计一个词在文档中的
词频TF上限，一般TF需要归一化，即除以文档所有词的个数，因此，就是要估算一个词在文档中所能占到的最大比例，这个线下计算即可。
知道了一个词的相关性上界值，就可以知道一个query和一个文档的相关性上限值，显然就是他们共同的词的相关性上限值的和。
这样对于一个query，获得其所有词的相关性贡献上限，然后对一个文档，看其和query中都出现的词，然后求这些词的贡献和即可，然后和一个预设值比
较，如果超过预设值，则进入下一步的计算，否则则丢弃。
如果按照这样的方法计算n个最相似文档，就要取出所有的文档，每个文档作预计算，比较threshold，然后决定是否在top-n之列。这样计算当然可行，但
是还是可以优化的。
wand(weak and)算法原理演示
代码实现了主要的算法逻辑以验证算法的有效性，供大家参考，该实现优化了原始算法的一些逻辑尽量减少了无谓的循环：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
|
www.169it.com
#!/usr/bin/python#wangben updated 20130108class WAND:
'''implement wand algorithm'''
def __init__(self, InvertIndex, last_docid):
self.invert_index = InvertIndex #InvertIndex: term -> docid1, docid2, docid3 ...
self.current_doc = 0
self.current_invert_index = {}
self.query_terms = []
self.threshold = 2
self.sort_terms = []
self.LastID = 2000000000 #big num
self.debug_count = 0
self.last_docid = last_docid
def __InitQuery(self, query_terms):
'''check terms len > 0'''
self.current_doc = -1
self.current_invert_index.clear()
self.query_terms = query_terms
self.sort_terms[:] = []
self.debug_count = 0
for term in query_terms:
#initial start pos from the first position of term's invert_index
self.current_invert_index[term] = [ self.invert_index[term][0], 0 ] #[ docid, index ]
def __SortTerms(self):
if len(self.sort_terms) == 0:
for term in self.query_terms:
if term in self.current_invert_index:
doc_id = self.current_invert_index[term][0]
self.sort_terms.append([ int(doc_id), term ])
self.sort_terms.sort()
def __PickTerm(self, pivot_index):
return 0
def __FindPivotTerm(self):
score = 0
for i in range(0, len(self.sort_terms)):
score += 1
if score >= self.threshold:
return [ self.sort_terms[i][1], i]
return [ None, len(self.sort_terms) ]
def __IteratorInvertIndex(self, change_term, docid, pos):
'''move to doc id > docid'''
doc_list = self.invert_index[change_term]
i = 0
for i in range(pos, len(doc_list)):
if doc_list[i] >= docid:
pos = i
docid = doc_list[i]
break
return [ docid, pos ]
def __AdvanceTerm(self, change_index, docid ):
change_term = self.sort_terms[change_index][1]
pos = self.current_invert_index[change_term][1]
(new_doc, new_pos) = \
self.__IteratorInvertIndex(change_term, docid, pos)
self.current_invert_index[change_term] = \
[ new_doc , new_pos ]
self.sort_terms[change_index][0] = new_doc
def __Next(self):
if self.last_docid == self.current_doc:
return None
while True:
self.debug_count += 1
#sort terms by doc id
self.__SortTerms()
#find pivot term > threshold
(pivot_term, pivot_index) = self.__FindPivotTerm()
if pivot_term == None:
#no more candidate
return None
#debug_info:
for i in range(0, pivot_index + 1):
print self.sort_terms[i][0],self.sort_terms[i][1],"|",
print ""
pivot_doc_id = self.current_invert_index[pivot_term][0]
if pivot_doc_id == self.LastID: #!!
return None
if pivot_doc_id <= self.current_doc:
change_index = self.__PickTerm(pivot_index)
self.__AdvanceTerm( change_index, self.current_doc + 1 )
else:
first_docid = self.sort_terms[0][0]
if pivot_doc_id == first_docid:
self.current_doc = pivot_doc_id
return self.current_doc
else:
#pick all preceding term
for i in range(0, pivot_index):
change_index = i
self.__AdvanceTerm( change_index, pivot_doc_id )
def DoQuery(self, query_terms):
self.__InitQuery(query_terms)
while True:
candidate_docid = self.__Next()
if candidate_docid == None:
break
print "candidate_docid:",candidate_docid
#insert candidate_docid to heap
#update threshold
print "debug_count:",self.debug_count
if __name__ == "__main__":
testIndex = {}
testIndex["t1"] = [ 0, 1, 2, 3, 6 , 2000000000]
testIndex["t2"] = [ 3, 4, 5, 6, 2000000000 ]
testIndex["t3"] = [ 2, 5, 2000000000 ]
testIndex["t4"] = [ 4, 6, 2000000000 ]
w = WAND(testIndex, 6)
w.DoQuery(["t1", "t2", "t3", "t4"])
|
输出结果中会展示next中循环的次数，以及最后被选为candidate的docid。 这里省略了建立堆的过程，使用了一个默认阈值2作为doc的删选条件，候选doc和query doc采用重复词的个数计算UB，这里只是一个算法演示，实际使用的时候需要根据自己的相关性公式进行调整