首页 > 代码库 > 广告系统中weak-and算法原理及编码验证
广告系统中weak-and算法原理及编码验证
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 20130108 class 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
本文来源:广告系统中weak-and算法原理及编码验证