浅谈如何提高多媒体检索系统的效率

周 岚

（江苏联合职业技术学院徐州财经分院，江苏 徐州 221008）

检索效果和检索效率是评价一个检索系统的两个基本指标，其中检索效率最重要的一个方面是检索速度。文章介绍了提高系统检索速度的几项关键技术，包括索引的建立、使用和缓存的使用，其中索引加快了系统计算多媒体内容描述相似度的速度，缓存提高了系统在输出页面实现后续查询（翻页）的效率。

1 检索系统评价指标

鉴于对基于内容的多媒体检索系统进行评价的重要性，一直以来，这方面的工作得到了研究人员较多的重视。检索效果和检索效率是评价一个大规模检索系统的两个基本指标。“效果”常常也被称为“质量”，指检索返回结果集合的相关性和完整性，包括查准率和查全率两个方面。

“效率”常常也被称为“性能”，其最重要的两个方面是系统的响应时间和吞吐率。

（1）响应时间是指从用户向系统提交查询到他开始看到结果的时间间隔。响应时间和速度是相关的两个概念：响应时间越长，速度越慢；响应时间越短，速度越快。按一般的习惯，搜索引擎对用户查询的响应时间在“秒”量级是比较合理的。

（2）吞吐率是指系统在单位时间（秒）里可以服务的最大用户查询数量。实际中，我们往往需要在效果和效率之间折中，而不一定采用效果最好的技术。

2 提高系统检索速度的几项关键技术

倒排文件是大型信息检索系统中常用的一种文件索引方法。倒排文件是描述一个词项集合元素和一个文档集合元素对应关系的数据结构。作为数据结构，倒排文件分两部分：第一部分是由不同词项组成的索引，称为词表。第二部分是由每个词项出现过的文档集合构成，称为记录文件。

在搜索引擎实际的应用中，有时需要按照关键字的某些值查找记录，所以我们是按照关键字建立索引，这个索引就称为：倒排索引；而带有倒排索引的文件我们又称作：倒排索引文件，也可以称它为：倒排文件，来实现快速的检索与高速的效率。

倒排文件：用记录的非主属性值（也叫副键）来查找记录而组织的文件叫倒排文件，即次索引。倒排文件中包括了所有副键值，并列出了与之有关的所有记录主键值，主要用于复杂查询。

其主要优点是：在处理复杂的多关键字查询时，可在倒排表中先完成查询的交、并等逻辑运算，得到结果后再对记录进行存取。这样不必对每个记录随机存取，把对记录的查询转换为地址集合的运算，从而提高查找速度。

完整的倒排表模型的索引由两部分组成。

（1）索引头：是一个一维数组，以字符内码为下标，记录各个字符的索引在索引体中的开始位置。

（2）索引体：索引体示意图仅为方便理解，实际的索引体是示意图中的各行数据依次首尾连接形成的一维数据流。图中的每一行存放一个字符Ci（1≤i≤n）的索引数据，其结构为：

{Ti 1，Ni 1，［Oi 1a，Oi 1b…］}，{Ti 2，Ni 2，［Oi 2a，Oi 2b…］}，……，{Ti m，Ni m，［Oi ma，Oi mb…］}

其中Ti j（1≤j≤m）表示含有字符Ci的文本的内部代号，Ni j表示文本Ti j中字符Ci出现的次数，［Oi ja，Oi jb…］指出了文本Ti j中字符Ci出现的具体位置。

由于每个字符的索引数据的长度不同，因此需要索引头中的指针来指出开始位置。

索引头 索引体

指针 1 → {T1 1，N1 1，［O1 1a，O1 1b…］}，{T1 2，N1 2，［O1 2a，O1 2b…］}，……

指针2 → {T2 1，N2 1，［O2 1a，O2 1b…］}，……

指针n → {Tn 1，Nn 1，［On 1a，On 1b…］}，……

检索时，设待查字符串为C1C2…Ci…Cr，首先通过索引头定位各字符的索引数据，然后对数据进行分析：若 C1…Cr的索引数据中均含有文本T的索引记录，在r个关于文本T的索引记录中又含有O1，O2，…，Or（Oi是属于字符Ci的索引数据），且Oi和Oi＋1（1≤i≤r－1）的差值刚好是字符Ci所占字节数，则文本T为一个命中文本。找到所有的命中文本后（或分析完毕后仍找不到命中文本），检索完成。

1 徐宝文、张卫丰.搜索引擎与信息获取技术［M］.北京：清华大学出版社，2003

2 刘峰.通用中英文专业搜索引擎技术的研究及应用［D］.大连理工大学，2004

3 徐险峰.基于内容的多媒体信息检索技术［J］.现代情报，2005（3）