理解排名的概念
Microsoft SQL Server 中的全文搜索功能可以生成指示所返回数据的相关性的分数(或排名值)。这种行排名值可以认为是一种排序条件,它可以用来按相关性对结果集进行排序。
![]() |
---|
排名值仅表示针对给定查询的相关性,而在不同的查询之间没有任何意义。 |
排名统计信息
生成索引后,将收集统计信息以用于排名。生成全文目录的过程不会直接得出一个索引结构。而是在对数据创建索引时,由 Microsoft Full-Text Engine for SQL Server (MSFTESQL) 服务创建多个中间索引。MSFTESQL 随后会将这些索引根据需要合并为一个较大的索引。此过程可以多次重复。最后,MSFTESQL 将进行“主合并”,将所有中间索引合并为一个较大的主索引。
在每个中间索引级别都会收集统计信息。合并索引时,统计信息也将被合并。某些统计值只有在主合并过程中才能生成。
计算查询结果集的排名时,所使用的某些统计信息可以从满足查询条件的较小中间索引获得,另一些统计信息可以从主索引获得。这取决于是否合并了中间索引。因此,如果未合并中间索引,则排名统计信息在准确性上会有变化。这解释了为什么随着全文索引数据的添加、修改和删除,以及较小索引的合并,同样的查询会返回不同的排名结果。
为了使索引大小最小化并且使计算最简单,经常会对统计信息进行舍入。
下表包含了对计算排名非常重要的一些常用术语和统计值。
- 属性
行的全文索引列。
- 文档
在查询中返回的实体。在 SQL Server 中,此实体对应于一行。正如一行可以具有多个全文索引列一样,一个文档也可以具有多个属性。
- 索引
一个或多个文档的单个倒排索引。此索引可以整个位于内存中或整个位于磁盘上。许多查询统计信息都与匹配的那个索引相关。
- 全文目录
当作一个查询实体来处理的中间索引的集合。目录是 SQL Server 管理员可以看到的组织结构单位。
- 词、标记或项
全文引擎中的匹配单位。文档中的文本流将由特定语言的断字符标记化为词或标记。
- 匹配项
文档属性中的词偏移量取决于断字符。第一个词出现在位置 1,下一个词出现在位置 2,依此类推。为避免在短语和邻近查询中出现假正数,句子结尾和段落结尾引入了较大的位置间隔。
- 目录键
词与包含该词的属性的组合。
- HitCount
此数值记录了键值在某一行中出现的次数。
- IndexedRowCount
索引行总数。此数值基于中间索引中维护的计数来计算。此数值在准确性上会有变化。
- KeyRowCount
全文目录中包含给定键的总行数。
- MaxOccurrence
某一行中的给定属性在全文目录中偏移量最大的位置。
- MaxQueryRank
由 MSFTESQL 返回的最大排名 1000。
排名计算问题
计算排名的过程,取决于一系列因素。不同语言的断字符对文本进行的标记化也不同。例如,字符串“dog-house”可以被一种断字符断为“dog”和“house”而被另一种断字符断为“dog-house”。这意味着匹配和排名将根据所指定语言而有所不同,因为不仅词不同,而且文档长度也不同。文档长度的差异可能会影响所有查询的排名。
诸如 IndexRowCount 之类的统计信息可能会大不相同。例如,如果一个目录的主索引有二十亿行,那么对一个新文档的索引将被编制为内存中的中间索引,而基于该内存中索引内的文档数对该文档的排名可能与主索引中的文档排名不同。因此,建议在完成产生大量要创建索引或重新创建索引的行的任意填充后,使用 ALTER FULLTEXT CATALOG ... REORGANIZE DDL 语句将这些索引合并为一个主索引。MSFTESQL 也会根据参数(例如中间索引的数目和大小)自动合并索引。
MaxOccurrence 值被规范化到 32 个范围的其中一个内。这意味着,比方说,50 个词长的文档与 100 个词长的文档的处理方式相同。下面是用于规范化的表。由于这两个文档的长度位于相邻表值 32 与 128 之间的范围内,因此将认为它们具有相同的有效长度 128 (32 < docLength <= 128)。
{ 16, 32, 128, 256, 512, 725, 1024, 1450, 2048, 2896, 4096, 5792, 8192, 11585,
16384, 23170, 28000, 32768, 39554, 46340, 55938, 65536, 92681, 131072, 185363,
262144, 370727, 524288, 741455, 1048576, 2097152, 4194304 };
如果将 top_n_by_rank 与新的预计算排名选项一起使用,在计算排名时可能会执行某些附加的舍入操作,因此根据是否启用了预计算排名选项,排名值可能会有所不同。
CONTAINSTABLE 排名
StatisticalWeight = Log2( ( 2 + IndexedRowCount ) / KeyRowCount )
Rank = min( MaxQueryRank, HitCount * 16 * StatisticalWeight / MaxOccurrence )
短语匹配项的排名方式与各个键类似,只不过要估计 KeyRowCount(包含该短语的行数),并且此值可能会比实际值大。
ISABOUT 排名
按照传统信息检索系统的说法,ISABOUT 表示向量空间查询。所使用的默认排名算法为广为人知的公式 Jaccard。将根据查询中的每个词计算排名,然后按如下描述将这些排名相结合。
ContainsRank = same formula used for CONTAINSTABLE ranking of a single term (above).
Weight = the weight specified in the query for each term. Default weight is 1.
WeightedSum = S[key=1 to n] ContainsRankKey * WeightKey
Rank = ( MaxQueryRank * WeightedSum ) / ( ( S[key=1 to n] ContainsRankKey2 )
+ ( S[key=1 to n] WeightKey2 ) - ( WeightedSum ) )
FREETEXT 排名
FREETEXT 排名基于 OKAPI BM25 排名公式计算。FREETEXT 查询将通过派生词(原始查询词的变形)向查询中添加词,这些词将被作为单独的、与派生出它们的词没有特殊联系的词来处理。同义词库功能派生出的同义词将被当作单独的、具有同等加权值的词来处理。查询中的每个词都会对排名产生影响。
Rank = S[Terms in Query] w ( ( ( k1 + 1 ) tf ) / ( K + tf ) ) * ( ( k3 + 1 ) qtf / ( k3 + qtf ) ) )
Where:
w is the Robertson-Sparck Jones weight.
In simplified form, w is defined as:
w = log10 ( ( ( r + 0.5 ) * ( N – R + r + 0.5 ) ) / ( ( R – r + 0.5 ) * ( n – r + 0.5 ) )
N is the number of indexed rows for the property being queried.
n is the number of rows containing the word.
K is ( k1 * ( ( 1 – b ) + ( b * dl / avdl ) ) ).
dl is the property length, in word occurrences.
avdl is the average length of the property being queried, in word occurrences.
k1, b, and k3 are the constants 1.2, 0.75, and 8.0, respectively.
tf is the frequency of the word in the queried property in a specific row.
qtf is the frequency of the term in the query.
请参阅
其他资源
CONTAINSTABLE (Transact-SQL)
FREETEXTTABLE (Transact-SQL)