图灵计算机科学丛书信息检索导论(修订版) 内容简介

本书是信息检索的教材，旨在从计算机科学的视角提供一种现代的信息检索方法。书中从基本概念讲解网络搜索以及文本分类和文本聚类等，对收集、索引和搜索文档系统的设计和实现的方方面面、评估系统的方法、机器学习方法在文本收集中的应用等给出了近期新的讲解。

图灵计算机科学丛书信息检索导论(修订版) 本书特色

本书是信息检索的教材，旨在从计算机科学的视角提供一种现代的信息检索方法。书中从基本概念讲解网络搜索以及文本分类和文本聚类等，对收集、索引和搜索文档系统的设计和实现的方方面面、评估系统的方法、机器学习方法在文本收集中的应用等给出了*的讲解。

图灵计算机科学丛书信息检索导论(修订版) 目录

第 1章 布尔检索 . 1
1.1一个信息检索的例子2
1.2构建倒排索引的初体验 .5
1.3布尔查询的处理8
1.4对基本布尔操作的扩展及有序检索11
1.5参考文献及补充读物 .13
第2章 词项词典及倒排记录表14
2.1文档分析及编码转换 .14
2.1.1字符序列的生成 .14
2.1.2文档单位的选择 .16
2.2词项集合的确定16
2.2.1词条化16
2.2.2去除停用词19
2.2.3词项归一化 .20
2.2.4词干还原和词形归并 .23
2.3基于跳表的倒排记录表快速合并算法26
2.4含位置信息的倒排记录表及短语查询28
2.4.1二元词索引 .28
2.4.2位置信息索引 .29
2.4.3混合索引机制 .31
2.5参考文献及补充读物 .32
第3章 词典及容错式检索 .34
3.1词典搜索的数据结构34
3.2通配符查询 .36
3.2.1一般的通配符查询 .37
3.2.2支持通配符查询的k-gram索引 .38
3.3拼写校正39
3.3.1拼写校正的实现 .39
3.3.2拼写校正的方法40
3.3.3编辑距离40
3.3.4拼写校正中的 k-gram索引42
3.3.5上下文敏感的拼写校正 .43
3.4基于发音的校正技术44
3.5参考文献及补充读物 .45
第4章 索引构建 .46
4.1硬件基础46
4.2基于块的排序索引方法 .47
4.3内存式单遍扫描索引构建方法 .50
4.4分布式索引构建方法 .51
4.5动态索引构建方法 .54
4.6其他索引类型56
4.7参考文献及补充读物 .57
第5章 索引压缩 .59
5.1信息检索中词项的统计特性 .59
5.1.1Heaps定律：词项数目的估计61
5.1.2Zipf定律：对词项的分布建模 .62
5.2词典压缩63
5.2.1将词典看成单一字符串的 压缩方法63
5.2.2按块存储64
5.3倒排记录表的压缩 .66
5.3.1可变字节码 .67
5.3.2γ编码68
5.4参考文献及补充读物74
第6章 文档评分、词项权重计算及 向量空间模型76
6.1参数化索引及域索引76
6.1.1域加权评分78
6.1.2权重学习79
6.1.3*优权重g 的计算80
6.2词项频率及权重计算 .81
6.2.1逆文档频率 .81
6.2.2tf-idf 权重计算82
6.3向量空间模型83
6.3.1内积83
6.3.2查询向量86
6.3.3向量相似度计算 .87
6.4其他tf-idf 权重计算方法 .88
6.4.1tf的亚线性尺度变换方法 .88
6.4.2基于*大值的tf归一化 .88
6.4.3文档权重和查询权重机制89
6.4.4文档长度的回转归一化 .89
6.5参考文献及补充读物92
第7章 一个完整搜索系统中的评分计算93
7.1快速评分及排序 .93
7.1.1非精确返回前K篇文档的方法 .94
7.1.2索引去除技术 .94
7.1.3胜者表 .95
7.1.4静态得分和排序 .95
7.1.5影响度排序96
7.1.6簇剪枝方法 .97
7.2信息检索系统的组成98
7.2.1层次型索引98
7.2.2查询词项的邻近性 .98
7.2.3查询分析及文档评分函数的 设计 .99
7.2.4搜索系统的组成 .100
7.3向量空间模型对各种查询操作的支持101
7.3.1布尔查询101
7.3.2通配符查询 .102
7.3.3短语查询102
7.4参考文献及补充读物 .102
第8章 信息检索的评价 .103
8.1信息检索系统的评价 .103
8.2标准测试集 .104
8.3无序检索结果集合的评价 .105
8.4有序检索结果的评价方法 .108
8.5相关性判定 .112
8.6更广的视角看评价：系统质量及用户效用 .115
8.6.1系统相关问题 .115
8.6.2用户效用115
8.6.3对已有系统的改进 .116
8.7结果片段 .116
8.8参考文献及补充读物 .118
第9章 相关反馈及查询扩展120
9.1相关反馈及伪相关反馈 .120
9.1.1Rocchio相关反馈算法 .122
9.1.2基于概率的相关反馈方法125
9.1.3相关反馈的作用时机125
9.1.4Web上的相关反馈 .126
9.1.5相关反馈策略的评价127
9.1.6伪相关反馈 .127
9.1.7间接相关反馈 .128
9.1.8小结128
9.2查询重构的全局方法 .128
9.2.1查询重构的词汇表工具128
9.2.2查询扩展129
9.2.3同义词词典的自动构建130
9.3参考文献及补充读物 .131
第10章 XML检索133
10.1XML的基本概念134
10.2XML检索中的挑战性问题 .137
10.3基于向量空间模型的XML检索 .140
10.4XML检索的评价144
10.5XML检索：以文本为中心与以数据为中心的对比 .146
10.6参考文献及补充读物 .148
第11 章 概率检索模型150
11.1概率论基础知识 .150
11.2概率排序原理151
11.2.11/0风险的情况151
11.2.2基于检索代价的概率排序 原理152
11.3二值独立模型152
11.3.1排序函数的推导 .153
11.3.2理论上的概率估计方法155
11.3.3实际中的概率估计方法156
11.3.4基于概率的相关反馈方法157
11.4概率模型的相关评论及扩展158
11.4.1概率模型的评论 .158
11.4.2词项之间的树型依赖159
11.4.3Okapi BM25：一个非二值的 模型160
11.4.4IR中的贝叶斯网络 方法161
11.5参考文献及补充读物 .162
第12章 基于语言建模的信息检索模型163
12.1语言模型 .163
12.1.1有穷自动机和语言模型163
12.1.2语言模型的种类 .165
12.1.3词的多项式分布 .166
12.2查询似然模型 .167
12.2.1IR中的查询似然模型167
12.2.2查询生成概率的估计167
12.2.3Ponte和Croft进行的实验169
12.3语言建模的方法与其他检索方法的 比较 .171
12.4扩展的LM方法172
12.5参考文献及补充读物 .173
第13章 文本分类及朴素贝叶斯方法175
13.1文本分类问题 .177
13.2朴素贝叶斯文本分类 .178
13.3伯努利模型 .182
13.4NB的性质183
13.5特征选择 .188
13.5.1互信息 .188
13.5.22 统计量 .191
13.5.3基于频率的特征选择方法192
13.5.4多类问题的特征选择方法193
13.5.5不同特征选择方法的比较193
13.6文本分类的评价 .194
13.7参考文献及补充读物 .199
第14章 基于向量空间模型的文本 分类200
14.1文档表示及向量空间中的关联度计算 .201
14.2Rocchio分类方法 .202
14.3k近邻分类器205
14.4线性及非线性分类器 .209
14.5多类问题的分类 .212
14.6偏差—方差折中准则 .214
14.7参考文献及补充读物 .219
第15章 支持向量机及文档机器学习方法221
15.1二类线性可分条件下的支持向量机221
15.2支持向量机的扩展 .226
15.2.1软间隔分类 .226
15.2.2多类情况下的支持向量机228
15.2.3非线性支持向量机228
15.2.4实验结果 .230
15.3有关文本文档分类的考虑 .231
15.3.1分类器类型的选择232
15.3.2分类器效果的提高233
15.4ad hoc检索中的机器学习方法 .236
15.4.1基于机器学习评分的简单 例子 .236
15.4.2基于机器学习的检索结果 排序 .238
15.5参考文献及补充读物 .239
第16章 扁平聚类 .241
16.1信息检索中的聚类应用 .242
16.2问题描述244
16.3聚类算法的评价 .246
16.4K-均值算法248
16.5基于模型的聚类 .254
16.6参考文献及补充读物 .258
第17章 层次聚类 .260
17.1凝聚式层次聚类 .260
17.2单连接及全连接聚类算法 .263
17.3组平均凝聚式聚类 .268
17.4质心聚类269
17.5层次凝聚式聚类的*优性 .270
17.6分裂式聚类272
17.7簇标签生成273
17.8实施中的注意事项 .274
17.9参考文献及补充读物 .275
第18章 矩阵分解及隐性语义索引277
18.1线性代数基础277
18.2词项—文档矩阵及SVD .280
18.3低秩逼近282
18.4LSI284
18.5参考文献及补充读物 .288
第19章 Web搜索基础289
19.1背景和历史 .289
19.2Web的特性290
19.2.1Web图291
19.2.2作弊网页293
19.3广告经济模型 .294
19.4搜索用户体验 .296
19.5索引规模及其估计297
19.6近似重复及搭叠300
19.7参考文献及补充读物 .303
第20章 Web采集及索引 .304
20.1概述 .304
20.1.1采集器必须提供的 功能特点304
20.1.2采集器应该提供的功能特点304
20.2采集 .305
20.2.1采集器架构 .305
20.2.2DNS解析 .308
20.2.3待采集URL池 .309
20.3分布式索引311
20.4连接服务器312
20.5参考文献及补充读物 .314
第21章 链接分析 .316
21.1Web图316
21.2PageRank.318
21.2.1马尔科夫链 .318
21.2.2PageRank的计算 .320
21.2.3面向主题的PageRank322
21.3Hub网页及Authority网页325
21.4参考文献及补充读物.329
参考文献331
索引.356

图灵计算机科学丛书信息检索导论(修订版) 作者简介

[美]克里斯托夫·曼宁 （Christopher Manning） 计算机科学家，斯坦福大学教授，斯坦福大学人工智能实验室主任，ACM会士、AAAI会士、ACL会士。目前的研究目标为计算机如何智能地处理、理解和生成人类语言资料。曼宁博士是深度学习在自然语言处理应用方面的先锋人物，在树递归神经网络、语义分析、神经机器翻译、深度语言理解等方面均有令业界瞩目的研究成果。[美]普拉巴卡尔·拉格万（Prabhakar Raghavan）Google高级副总裁，目前负责谷歌的广告与商业产品、基础设施团队。之前作为Google App和Google Cloud的副总裁，带领团队做出了突出业绩。在加入Google前任职于Yahoo!，是Yahoo!实验室的创建者和负责人。拉格万博士毕业于加州大学伯克利分校，长期担任斯坦福大学计算机科学系顾问教授，主要研究方向是文本及Web数据挖掘、随机算法等，是美国国家工程院院士、ACM会士、IEEE会士。[德]欣里希·舒策（Hinrich Schütze） 德国慕尼黑大学信息与语言处理中心主任，计算语言学家，斯坦福大学博士。曾在美国硅谷工作多年。王斌 博士，小米公司AI实验室NLP方向首席科学家，前中国科学院信息工程研究所研究员、博导，中国科学院大学教授。李鹏 博士，中国科学院信息工程研究所高级工程师，硕士生导师。