编写 AND 查询以在数据集中查找匹配的文档 (python)

Question

我正在尝试构建一个名为“and_query”的函数，该函数将包含一个或多个单词的单个字符串作为输入，以便该函数返回文档摘要中单词的匹配文档列表。首先，我将所有单词放在倒排索引中，id 是文档的 id，摘要是纯文本。inverted_index = defaultdict(set)for (id, abstract) in Abstracts.items():for term in preprocess(tokenize(abstract)):    inverted_index[term].add(id)然后，我编写了一个查询函数，其中 finals 是所有匹配文档的列表。因为它应该只返回文档中函数参数的每个单词都匹配的文档，所以我使用了设置操作“intersecton”。def and_query(tokens):    documents=set()    finals = []    terms = preprocess(tokenize(tokens))    for term in terms:        for i in inverted_index[term]:            documents.add(i)    for term in terms:        temporary_set= set()        for i in inverted_index[term]:            temporary_set.add(i)        finals.extend(documents.intersection(temporary_set))    return finalsdef finals_print(finals):    for final in finals:        display_summary(final)        finals_print(and_query("netherlands vaccine trial"))但是，该函数似乎仍在返回文档摘要中只有 1 个单词的文档。有谁知道我在设置操作方面做错了什么？（我认为错误应该出现在这部分代码的任何地方）：for term in terms:    temporary_set= set()    for i in inverted_index[term]:        temporary_set.add(i)    finals.extend(documents.intersection(temporary_set))return finals 提前致谢基本上我想做的事情简而言之：for word in words:    id_set_for_one_word= set()    for  i  in  get_id_of that_word[word]:        id_set_for_one_word.add(i)pseudo:            id_set_for_one_word intersection (id_set_of_other_words)finals.extend( set of all intersections for all words)然后我需要所有这些词的 id 集的交集，返回一个集合，其中 id 存在于词中的每个词。

Answer 1

为了详细说明我的代码气味注释，这里是我之前为解决此类问题所做的工作的粗略草稿。

def tokenize(abstract):

    #return <set of words in abstract>

    set_ = .....

    return set_

candidates = (id, abstract, tokenize(abstract)) for abstract in Abstracts.items():

all_criterias = "netherlands vaccine trial".split()

def searcher(candidates, criteria, match_on_found=True):

    search_results = []

    for cand in candidates:

        #cand[2] has a set of tokens or somesuch...  abstract.

        if criteria in cand[2]:

            if match_on_found:

                search_results.append(cand)

            else:

                #that's a AND NOT if you wanted that

                search_results.append(cand)

    return search_results

for criteria in all_criterias:

    #pass in the full list every time, but it gets progressively shrunk

    candidates = searcher(candidates, criteria)

#whats left is what you want

answer = [(abs[0],abs[1]) for abs in candidates] 

Answer 2

最终自己找到了解决方案。替换

    finals.extend(documents.intersection(id_set_for_one_word))

return finals 

和

    documents = (documents.intersection(id_set_for_one_word))

return documents

似乎在这里工作。

不过，谢谢大家的努力。

Answer 3

问题：返回文档摘要中单词的匹配文档列表

该term用min的数量documents，保持始终result。

如果 aterm在 中不存在inverted_index，则根本不匹配。

为简单起见，预定义数据：

Abstracts = {1: 'Lorem ipsum dolor sit amet,',

             2: 'consetetur sadipscing elitr,',

             3: 'sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat,',

             4: 'sed diam voluptua.',

             5: 'At vero eos et accusam et justo duo dolores et ea rebum.',

             6: 'Stet clita kasd gubergren,',

             7: 'no sea takimata sanctus est Lorem ipsum dolor sit amet.',

            }

inverted_index = {'Stet': {6}, 'ipsum': {1, 7}, 'erat,': {3}, 'ut': {3}, 'dolores': {5}, 'gubergren,': {6}, 'kasd': {6}, 'ea': {5}, 'consetetur': {2}, 'sit': {1, 7}, 'nonumy': {3}, 'voluptua.': {4}, 'est': {7}, 'elitr,': {2}, 'At': {5}, 'rebum.': {5}, 'magna': {3}, 'sadipscing': {2}, 'diam': {3, 4}, 'dolore': {3}, 'sanctus': {7}, 'labore': {3}, 'sed': {3, 4}, 'takimata': {7}, 'Lorem': {1, 7}, 'invidunt': {3}, 'aliquyam': {3}, 'accusam': {5}, 'duo': {5}, 'amet.': {7}, 'et': {3, 5}, 'sea': {7}, 'dolor': {1, 7}, 'vero': {5}, 'no': {7}, 'eos': {5}, 'tempor': {3}, 'amet,': {1}, 'clita': {6}, 'justo': {5}, 'eirmod': {3}}

def and_query(tokens):

    print("tokens:{}".format(tokens))

    #terms = preprocess(tokenize(tokens))

    terms = tokens.split()

    term_min = None

    for term in terms:

        if term in inverted_index:

            # Find min

            if not term_min or term_min[0] > len(inverted_index[term]):

                term_min = (len(inverted_index[term]), term)

        else:

            # Break early, if a term is not in inverted_index

            return set()

    finals = inverted_index[term_min[1]]

    print("term_min:{} inverted_index:{}".format(term_min, finals))

    return finals

def finals_print(finals):

    if finals:

        for final in finals:

            print("Document [{}]:{}".format(final, Abstracts[final]))

    else:

        print("No matching Document found")

if __name__ == "__main__":

    for tokens in ['sed diam voluptua.', 'Lorem ipsum dolor', 'Lorem ipsum dolor test']:

        finals_print(and_query(tokens))

        print()

输出：

tokens:sed diam voluptua.

term_min:(1, 'voluptua.') inverted_index:{4}

Document [4]:sed diam voluptua.

tokens:Lorem ipsum dolor

term_min:(2, 'Lorem') inverted_index:{1, 7}

Document [1]:Lorem ipsum dolor sit amet,

Document [7]:no sea takimata sanctus est Lorem ipsum dolor sit amet.

tokens:Lorem ipsum dolor test

No matching Document found

用 Python 测试：3.4.2