倒排列表压缩算法汇总——分区Elias

  • 时间:
  • 浏览:2

来看看倒排索引压缩。压缩是拿CPU换IO的最重要手段之一,不论索引是插进硬盘还是内存中。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,有以后 会解压太慢而起没办法 CPU换IO的作用。早期的索引设计里,在尝试了几十种编码以后 ,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尽将会小,将会压缩小的整数一个劲比大整数更有效。在索引构建算法中,有一类工作叫做“文档重排”,目的我希望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,我希望就里能 让压缩算法更有效的工作,从而使得索引总体积最小。当然我希望的工作在实际中价值有限,将会索引的构建下行速率 以及增量构建同样非常重要,耗费絮状时间在文档重排上,对于静态数据集合才更加有效。可变长字节编码大概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兩个多多 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。有以后 它却非常有效,将会解压下行速率 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,没办法 索引体积基本上里能 压缩到以后 的1/2到1/4之间。一些 压缩手段处在了主流,几乎所有的开源搜索(Lucene,Sphinx),商业搜索都采用一些 最好的最好的办法进行,Google则引入了Group可变长字节编码,以兩个多多 整数为一组进行压缩,我希望压缩率更高。亲戚朋友里能 找到阿里实现的Group可变长字节编码的实现,有以后 很将会淘宝商品搜索也采用了一些 最好的最好的办法。

Quasi-succinct索引在MG4J的开源搜索引擎中得到了应用,MG4J是当事人认为的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,将会不善宣传,出學會校而并没办法 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。有以后 ,即便在技术领域,先进性也往往让步于宣传。

创新依然在继续,自从SSE加速指令引入到PForDelta的实现以后 ,针对SIMD指令怎么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就我希望提出了针对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 是迄今为止最快的,超过OptPFor的2倍(一秒钟里能 解压10亿整数),当然在压缩率上并没办法 达到高指标。

PForDelta及其系列改进从07年创造发明以来将会逐渐旺盛期期是什么期是什么的句子是什么是什么的句子期期是什么,后边的工程实践中引入了SSE指令加速,使得解压下行速率 里能 更慢。一些主流商业搜索引擎将会广泛采用,也暗含后边提到的淘宝商品搜索。然而,技术革新的步伐并没办法 停止。PForDelta一些 族算法,压缩是按照区块来进行的,这导致 将会希望仅仅访问其中某兩个多多 元素,没办法 都要把整个区块进行解压。有以后 亲戚朋友无须希望一个劲完正解压,从而里能 做到对压缩数字的随机读取。在2012年的以后 ,一个劲出现了Quasi-succinct索引。它里能 提供元素的随机访问而不都要完正解压。注意这里又一个劲出现了succinct字样,是将会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,有以后 压缩率缺却无须高,有以后 会导致 索引体积膨胀——尽管没办法 ,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,有以后 将会都要解压完正元素,它的下行速率 还是没办法 最先进的批量解压算法之类NewPFor和OptPFor快。

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

压缩里能 说是索引设计中的第一考虑偏离 ,盘点后边的列表,NewPFor,OptPFor,Quasi-succinct(Elias-Fano),Partitioned Elias-Fano,SIMD-BP128,都在业界最先进的选择,设计时都要根据当事人的要求做出选择。

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,主要除理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,一并,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,有以后 形成了兩个多多 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下行速率 和压缩率上均有超越,但压缩率大大超以后 者(2倍以上)。有以后 ,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。

椭圆框所示的偏离 为常规偏离 ,常规偏离 的第兩个多多 值1,表示从该地址刚开始,跳过兩个多多 地址,就里能 找到下兩个多多 异常值的位置,同理第兩个多多 值3表示,跳过兩个地址,我希望下兩个多多 异常值的位置。常规值我希望到后存储,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。把除理异常值的最好的最好的办法做改进,采用可变长字节将会一些算法(目前最先进的是S9将会S16)压缩,我希望改进型的NewPFor和OptPFor压缩算法。

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表示桶的处在,用1表示桶里的元素,有几个元素都在几个个1。

转自:http://chuansong.me/n/2035211

大概807年刚开始,三种名为PForDelta的索引压缩算法刚开始引起更多人的重视,这是三种压缩率更高有以后 解压下行速率 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的情况表大概占10%,而PForDelta算法对小差值的情况表,有点儿有优势。假定兩个多多 索引块为8个值(将会做过差分),80%的情况表下值小于32,小于32的值均里能 用兩个多多 b = 5bit的数来表示。建立我希望兩个多多 特性:8*b-bit的常规偏离 ,看作是兩个多多 位数组,每个元素占b-bit定长空间,余下的为异常偏离 ,看作是兩个多多 整形数组,每个元素占4字节定长空间。假定有我希望兩个多多 序列:23, 41, 8, 12, 80, 68, 18, 45,通过PForDelta最好的最好的办法的构造得到如下压缩特性:

图中的序列为2,3,5,7,11,13,24,将会期望定位大于6的位置,没办法 根据6/2^2就里能 定位到大于6的桶,有以后 在桶内线性扫描即可。里能 看后,低l位的处在,我希望起到了桶定位的用途,从而除理完正解压,这里能 呼告于常规索引中的跳跃表,跳跃间隔为2^l。