Indexation avancée. Rappels des épisodes précédents. Recherche d'information. Construction de l index : vue générale

Transcription

1 Rien ne sert de courir; il faut partir à point : Le lièvre et la tortue en sont un témoignage. «Gageons, dit celle-ci, que vous n'atteindrez point Sitôt que moi ce but. - Sitôt? Êtes-vous sage? Repartit l'animal léger : Ma commère, il vous faut purger Avec quatre grains d'ellébore.) - Sage ou non, je parie encore." Ainsi fut fait; et de tous deux On mit près du but les enjeux : Savoir quoi, ce n'est pas l'affaire, Ni de quel juge l'on convint. Notre lièvre n'avait que quatre pas à faire, J'entends de ceux qu'il fait lorsque, prêt d'être atteint, Il s'éloigne des chiens, les renvoie aux calendes, Et leur fait arpenter les landes. Ayant, dis-je, du temps de reste pour brouter, Pour dormir et pour écouter D'où vient le vent, il laisse la tortue Aller son train de sénateur. Elle part, elle s'évertue, Elle se hâte avec lenteur. Lui cependant méprise une telle victoire, Tient la gageure à peu de gloire, Croit qu'il y a de son honneur De partir tard. Il broute, il se repose, Il s'amuse à toute autre chose Qu'à la gageure. A la fin, quand il vit Que l'autre touchait presque au bout de la carrière, Il partit comme un trait; mais les élans qu'il fit Furent vains : la tortue arriva la première. "Eh bien! lui cria-t-elle, avais-je pas raison? De quoi vous sert votre vitesse? Moi l'emporter! et que serait-ce Si vous portiez une maison?" Indexation avancée Rappels des épisodes précédents Indexation et Recherche d'information xavier.tannier@limsi.fr Recherche d'information Construction de l index : vue générale DOCUMENTS TERMES INDEX Collections dynamiques vs. statiques Indexation (modèle de document) Rien ne sert de courir il faut partir à point Requête Modèle de recherche Évaluation TEXTE TERMES NORMALISÉS rien courir partir sert faut point 3 4

2 Construction de l index Construction de l index I did enact julius Doc #1 caesar I was killed i the Capitol Brutus killed me Séquence de termes Doc #2 So let it be with caesar The noble Tri par termes (puis par documents) Brutus hath told you caesar was ambitious Construction de l index Construction de l index Fréquence Liste Fréquence Liste Questions pour plus tard Fichier inverse (dictionnaire) Comment construire cet index de façon efficace et économe? Comment le conserver (mémoire, disque, quelle structure de données)? C est maintenant!

3 Requête dans les index Arbres binaires de recherche fusion = <> id1 = l1[0], id2 = l2[0] Tant que les listes ne sont pas vides si id1 = id2 alors ajouter(fusion, id1) id1 = suivant(l1) id2 = suivant(e2) sinon si id1 < id2 alors id1 = suivant(l1) sinon id2 = suivant(l2) Les listes de documents sont ordonnées! On traverse les deux listes l1 et l2 simultanément jante jard je jeu jeudi jeux Brutus Fin! Caesar 9 10 Joker («Wild Card») * Recherche approximative dans l index mon* : trouver tous les termes qui commencent par «mon». Aucun problème avec les arbres binaires ou les B-Tree. Pourquoi? *mon : trouver tous les termes qui finissent par «mon». Maintenir un second B-Tree contenant les termes à l envers! tra*ant? S arranger pour que le joker soit toujours à la fin! 12

4 Permuterm Correction d orthographe Pour chaque terme, indexer de façon circulaire bonjour$ onjour$b njour$bo jour$bon our$bonj ur$bonjo r$bonjou $bonjour Traitement des requêtes : permuter en conduisant le joker vers la droite X X$ X* $X* *X X$* X*Y *X* X*Y*Z? Index environ 4 fois plus gros! Correction dans les documents Particulièrement utile pour les documents numérisés (OCR) Les pages Web ont beaucoup de fautes de frappe ou d orthographe Le but : introduire moins de termes erronés dans le dictionnaire Correction dans les requêtes «comprendre» ce que demandait l utilisateur Correction d un mot isolé : Correction d orthographe Distance d édition (Levenshtein) Distance d édition pondérée N-grammes de caractères Correction en contexte cacher / cracher foncer / forcer Techniques : Correction d orthographe Fonction du nombre de documents retrouvés Statistiques sur les logs de requêtes Soundex Bi-grammes les plus fréquents 15 16

5 Rappel des enjeux matériels Construction de l index L espace disque est nécessaire pour stocker les index inversés Certains moteurs de recherche stockent presque tout en mémoire, c est rapide mais très cher, et le changement d échelle est plus compliqué. (mais Google et Bing le font) Le transfert de données via le disque dur est utilisé pour manipuler (au moins en partie) les listes inversées La mémoire vive stocke (si possible) le dictionnaire et accumule les documents de l index La CPU est mise à contribution pour construire et ordonner les listes inversées 18 Rappel des enjeux matériel Construction de l index : tri par termes Mémoire Disque Accès rapide Accès aléatoire Contenance moyenne (Go) Chère Accès lent Accès par blocs (de 8 à 256 Ko) Contenance élevée (To) Bon marché Tri par termes (puis par documents)

6 Tri Le tri est généralement un travail pour la mémoire vive Algorithmes efficaces, «lectures/écritures» fréquentes mais rapides OK jusqu à quelques dizaines de millions de termes à trier. Impossible de tenir de grosses collections en mémoire pour la trier On analyse un document à la fois (compression très difficile) Les listes des index ne sont complètes qu à la fin du processus Nécessité de prévoir des stockages intermédiaires sur le disque Algorithmes «classiques» de tri en mémoire impossible à reproduire sur le disque (accès trop lents) Tri Chaque comparaison demande 2 accès au disque. On ordonne N éléments en N ln N comparaisons. Temps d accès moyen sur un disque dur : 5ms Temps d accès moyen sur un SSD : 0,1ms Combien de temps prendrait le tri de 100 M de termes? Tri par blocs Tri par blocs Séparer la collection en n parties gérables en mémoire Trier chacune de ses n parties séparément, et réécrire le résultat sur le disque (on trie par identifiants de termes et on conserve un dictionnaire) Fusionner les résultats 2 par 2. Fusion linéaire, vous commencez à connaître Inutile de mettre les deux blocs en mémoire Log 2 n fusions Peut être fait avec plus de 2 blocs (plus efficace) Temps de transfert du disque (une fois la tête positionnée) : 0,02 s par octet Un identifiant de terme : 4 octets Temps d une comparaison ou d un échange de chaîne de caractères : 0,01 s Temps total pour accéder aux données d un bloc, les trier et les réécrire sur le disque? Condition du tri par blocs : le dictionnaire tient en mémoire Le dictionnaire permet de faire le lien entre les termes et leurs identifiants Il grandit dynamiquement On pourrait indexer par termes et non par identifiants, mais les fichiers deviendraient très gros Si le dictionnaire ne tient pas en mémoire? Indexation complète par blocs On maintient un dictionnaire par bloc seulement On trie les dictionnaires, mais pas les listes 23 24

7 Indexation par blocs Tant que la mémoire n est pas pleine token = token suivant si token est dans le dictionnaire alors liste = liste existante pour ce token sinon liste = nouvelle liste si la liste est pleine alors doubler la taille de la liste ajoutertoken(token, liste) Ordonner le dictionnaire Écrire le bloc sur le disque (dictionnaire + index) Recommencer avec un nouveau bloc Indexation distribuée Fusion des blocs (toujours pareil) 25 Indexation distribuée Pour de très larges collections (Web) Pour éviter de devoir utiliser des machines tolérantes aux fautes Un serveur principal dirige le tout (doit être très sûr) Il divise la tâche d indexation en un ensemble de tâches parallèles Qu est-ce qu une tâche «parallélisable»? (MapReduce) Il assigne chaque tâche à une machine libre et fonctionnelle du réseau Le problème : Indexation distribuée : contexte Compter le nombre de mots d'un corpus est trivial... Quand le corpus contient 100 documents... mais pas quand il y en a 10 milliards! Les deux aspects de la RI Modéliser la pertinence d'un document Construire l'architecture capable de mettre ce modèle en œuvre Stocker les données (efficacement!) Faciliter le traitement de masse de données 27 28

8 Indexation distribuée Aujourd'hui tous les moteurs de recherche utilisent une architecture semblable un système de fichiers distribué un système de contrôle de tâches (job scheduler : quel programme est exécuté sur quelle machine à quel moment) Architecture initiale proposée par Google (Google File System & Map Reduce) Implémentation libre développée dans le projet Hadoop Pour le programmeur : Système de fichiers distribué Système de fichier standard (hiérarchie de répertoires + fichiers) En réalité : Les fichiers sont stockés découpés en morceaux (chunks) et stockés sur différentes machines Chaque chunk est stocké plusieurs fois (redondance) possibilité de perdre des machines Système de fichiers : Vue abstraite : on ne sait pas où sont physiquement stockés les fichiers Gère la réplication : plus de copies des fichiers auxquels on accède le plus MapReduce MapReduce : compter les mots Principe : Cadre de développement permettant de paralléliser et de distribuer facilement les tâches Tous les algos sont écrits sous la forme de deux fonctions : 1. Une fonction map qui réalise un traitement (modification) des données 2. Une fonction reduce qui fusionne les résultats intermédiaires produits par map CORPUS comptage comptage comptage comptage comptage Fusion des comptes Compte global Interêt : Manière simple d écrire des programmes traitant plusieurs To de données Les tâches map sont exécutés sur les machines sur lesquelles sont stockées les données Les tâches map sont exécutées en parallèle 31 chunks MAP REDUCE 32

9 Pourquoi utiliser la compression? Utiliser moins d espace disque (et faire des économies) Compression de l index Conserver plus d informations en mémoire (et réfléchir plus vite) Conserver les dictionnaires Éventuellement, garder même les listes des mots fréquemment demandés en mémoire. Accélérer le transfert entre le disque et la mémoire À condition que le temps de compression/décompression soit inférieur au temps gagné au transfert Les algorithmes de compression doivent être rapides 34 Compression avec ou sans perte Compression avec perte C est le principe même de l indexation : sac de mots mots vides lemmatisation, stemming, Compression sans perte Rangement plus économe Compression de l index une fois qu on a décidé quelles informations on conserve Rappel : Taille du vocabulaire Le vocabulaire grandit quand la collection grandit. Loi de Heaps : M = kt b M : taille du vocabulaire T : nombre de tokens dans la collection b et k : constantes (typiquement, b = 0,5 et k = 30 à 100) Loi empirique Et c est bien pire pour le Web! 35 36

10 Rappel : Fréquence des termes Peu de mots fréquents, et beaucoup de mots rares Loi de Zipf : le n ème mot le plus fréquent a une fréquence proportionnelle à 1/n fréquence des termes Compression du dictionnaire s Fréquence Pointeur vers les listes a abandon 1245 zoulou 63 le double en unicode! 20 octets 4 octets 4 octets rang des termes Si on a environ termes 28 octets par termes 11,2 Mo Problèmes de cette structure fixe? «a» «anticonstitutionnellement» Compression de la liste de termes comacombatcombecombinaisoncomblercombustible Si un terme fait 8 lettres en moyenne (disons 8 octets) 19 octets par terme au lieu de 28 7,6 Mo s Fréquence Pointeur vers les listes octets 4 octets 4 octets Compression de la liste de termes Pointeurs par blocs 4coma6combat5combe11combinaison7combler11combustible On économise 3 pointeurs (9 octets) tous les k termes. On dépense 1 octet de plus à chaque mot pour la taille 7,1 Mo Pourquoi ne pas augmenter k? pointeur tous les k termes (ici, k=4) s Fréquence Pointeur vers les listes octets 4 octets 4 octets 39 40

11 Compression de la liste de termes Compression de la liste de termes jard jeu jeudi jante jeu jeudi Codage incrémental Les mots ordonnés partagent souvent de longs préfixes en commun On ne code que les différences À l intérieur d un bloc uniquement! jante je jeun jeux jard jeun 8attabler7attache9attachant9attaquer job Recherche sans les pointeurs par blocs je jeux 8atta*bler3che5chant4quer Combien de comparaisons en moyenne? job et avec les pointeurs par blocs On descend à 5,9 Mo Compression des listes de documents On trie les listes de documents par leurs identifiants (entiers) En général, un entier est codé sur 4 octets Au mieux, pour 1 M de documents, sur log = 20 bits Peu de termes fréquents, beaucoup de termes rares «allomorphie» apparaît peut-être une fois tous les millions de documents, donc pour notre collection d un million de document, 20 bits devraient suffire «le» apparaît probablement dans chaque document, donc potentiellement 20 M de bits pour stocker la liste (c est trop) Compression des listes de documents Une idée : stocker les intervalles entre identifiants L espoir est de pouvoir stocker les intervalles dans moins de 20 bits Mais «le» «allomorphie» On a toujours besoin du maximum «au cas où»! 43 44

12 Compression des listes de documents Compression des listes de documents La solution? Pour une valeur d intervalle I, on veut utiliser aussi peu de bits que possible (l entier au-dessus de log 2 I). En pratique, on arrondit à l octet supérieur. Comme pour les encodages de caractères, on consacre 7 bits d un octet à représenter le nombre, et le dernier est le bit de continuation c. Si I 127, 7 bits suffisent, et c = 1. Sinon, c = 0 et on continue sur l octet suivant. c = 1 signifie toujours que le nombre se termine à cet octet. 45 Bilan : Pour une collection initiale de : documents 16 M de termes termes uniques Taille du dictionnaire : Structure de taille fixe : 11,2 Mo Avec pointeurs vers les termes : 7,6 Mo Avec pointeurs par blocs : 7,1 Mo Avec pointeurs par blocs et codage incrémental : 5,9 Mo Taille de la liste de documents (sans les positions) : Matrice d incidence : 40 Go Index inversé (4 octets) : 400 Mo Entiers de tailles variables : 116 Mo Pourquoi plusieurs index? 46 Plusieurs index? Les collections évoluent plus ou moins rapidement Documentation technique : de gros ajouts plutôt rares Des articles de journaux : quelques ajouts assez fréquents Le Web : beaucoup d ajouts en permanence Plusieurs raisons d utiliser plusieurs index : Pouvoir toujours utiliser un index si un autre est en reconstruction Maintenir un index des nouveaux documents en attendant de les fusionner à l index principal Avoir un index pour chaque type de documents : Les pages rarement modifiées (exemple, le blog de votre grand-mère) Les pages modifiées régulièrement (exemple, le blog de votre petite sœur) Les pages modifiées Recherche et Extraction en «temps d'information réel» (exemple, la page d accueil de 48