- Lucene 개요
- Lucene Architecture
- Lucene Process
- Lucene Score
- Lucene 용어
- Lucene Query language
- 자연어 처리
- 색인기
- Lucene 개발 환경
- 관련 오픈소스
- 참고 문헌
검색 엔진인 Lucene을 정리 합니다.
- 홈페이지 : http://lucene.apache.org/
- 다운로드 :
- 라이선스 :
- 플랫폼 : Java
Lucene 개요
Lucene Architecture
Lucene Process
Lucene Score
정보 검색 (Information Retrieval, IR) 평가
*Precision (정확도) : 검색된 문서 중 원하는 문서의 비율
*Recall (재현율) : 원하는 문서 중 검색된 문서의 비율
Search query
*정보 검색 모듈의 분류 체계
*Pure Boolean model과 Vector space model을 지원
{| border="1" cellspacing="0" cellpadding="2" style="width: 100%;" |- | style="text-align: center; background-color: rgb(241, 241, 241);" | 구분 | style="text-align: center; background-color: rgb(241, 241, 241);" | 분류
| style="text-align: center; background-color: rgb(241, 241, 241);" | 상세
|-
| style="text-align: center;" | 집합론적 모델
| style="text-align: center;" | Pure Boolean model
(불리안 모델)
|
- 매핑되는 문서를 검색
- score 계산하지 않음
|-
| style="text-align: center;" | 대수론적 모델
| style="text-align: center;" | Vector space model
(벡터 모델)
|
- Query (Terms)와 Document를 벡터 거리 방식으로 관련성, 유사성 계산
|-
| style="text-align: center;" | 확률론적 모델
| style="text-align: center;" | Probabilistic model
(확률 모델)
|
- Document가 query와 매핑되는 확률을 계산
|}
- Sample application
- *com.jopenbusiness.hadoop.elasticsearch. lucene.cli.LuceneIndexer.java 참조
- *com.jopenbusiness.hadoop.elasticsearch. lucene.cli.LuceneSearcher.java 참조
Lucene 용어
{| cellspacing="0" cellpadding="2" border="1" width="100%" bgcolor="#FFFFFF" align="center" |- | width="30%" align="center" valign="middle" style="background-color:#eee;" | 용어
| width="70%" align="center" valign="middle" style="background-color:#eee;" | 상세
|-
| align="center" valign="middle" | '''Document'''
(DBMS의 record)
|
기본적인 정보의 저장 단위로써, 수집한 row content를 Field의 집합으로 관리
'''Field''' : Document를 구성하고 있는 항목
- name, fieldType, value로 구성
|- | align="center" valign="middle" | '''Analyzer''' |
- Field의 value (text)로 부터 token을 추출
- Analyzer 구성 (아래 순서대로 실행됨)
- *'''CharFilter''' : 전체 문자열 전처리 (복수) <- 입력은 reader
- *'''Tokenizer''' : 전체 문자열을 Token으로 분할 <- 입력은 Reader
- *'''TokenFilter''' : Token에 대한 필터링 처리 (복수) <- 입력은 TokenStream
|-
| align="center" valign="middle" | Index
(DBMS의 database)
|
'''Directory''' : Lucene 인덱스가 저장된 폴더
Segment :Subindex. Index를 구성하는 요소로 독립적인 index 정보를 가짐
*segment_x
*_y.si : Segment Info, _y.cfs : Compound FileWriter , _y.cfe : Compound FileWriter
'''Term''' : 저장과 검색을 위한 기본 단위
- field name과 word (text)로 구성
|- | align="center" valign="middle" | '''Query''' |
- 검색어 : Search String을 Lucene에서 사용하는 문법으로 변환한 것
- 종류 : TermQuery, BooleanQuery, WildcardQuery, PhraseQuery, PrefixQuery, MultiPhraseQuery, FuzzyQuery, RegexpQuery, TermRangeQuery, NumericRangeQuery, ConstantScoreQuery, DisjunctionMaxQuery, MatchAllDocsQuery
|- | align="center" valign="middle" | '''Filter''' |
- 종류 : CachingWrapperFilter, DocTermOrdsRangeFilter, FieldCacheRangeFilter, FieldCacheTermsFilter, FieldValueFilter, MultiTermQueryWrapperFilter, NumericRangeFilter, PrefixFilter, QueryWrapperFilter, TermRangeFilter
|- | align="center" valign="middle" | TopDocs |
- 검색한 문서의 ID (docID)를 저장
|- | align="center" valign="middle" | '''Scorer''' |
- 종류 : BoostScorer, BulkScorer, ConjunctionScorer, DisjunctionMaxScorer, DisjunctionScorer, DisjunctionSumScorer, ExactPhraseScorer, FakeScorer, MinShouldMatchSumScorer, ReqExclScorer, ReqOptSumScorer, ScoreCachingWrappingScorer, SloppyPhraseScorer, TermScorer
|}
Lucene Query language
{|cellspacing="0" cellpadding="2" border="1" width="100%" bgcolor="#FFFFFF" align="center" |- |width="30%" align="center" valign="middle" style="background-color:#eee;"|문법
|width="70%" align="center" valign="middle" style="background-color:#eee;"|상세 |- |align="center" valign="middle"|"term" |
- "로 묶인 경우 중간에 공백이 있어도 하나의 term으로 처리
|- |align="center" valign="middle"|AND, OR, NOT, () | - 논리 연산자, 생략된 경우에는 OR가 사용됨
|- |align="center" valign="middle"|+term, -term | - +term : 반드시 term이 있어야 함
- -term : 반드시 term이 없어야 함
|- |align="center" valign="middle"|field:term | - field 내에서 term 검색
|- |align="center" valign="middle"|termn, "term"n | - writer~2 : writer와 writers 검색
- "master search"~2 : "master search"와 "master book search" 검색
|- |align="center" valign="middle"|TO termTo | - TO 15.00 : 10.00에서 15.00까지 검색
- To Adria : Adam에서 Adria까지 검색
|- |align="center" valign="middle"|\특수문자 | - \를 사용하여 특수 문자 표시
|}
자연어 처리
자연어 처리 (Natural Language Processing, NLP) : 형태소 분석 -> 구문 분석 -> 의미 분석
- 형태소 분석 (Morphological Analysis) : 문장을 형태소로 분해하고 각 형태소에 품사 등을 결정
- 구문 분석 : 문법 규칙 및 여러 종류의 규칙에 의해 문장을 해석하고 그 구조를 명확히 함
- 의미 분석 (Semantic Analysis) : 형태소의 의미를 해석
자연어 처리 관련 용어
- 자모 : 문자 체계의 한 요소 (자음, 모음)
- 용언 : 꾸미는 말 (동사, 형용사)
- 어간 (stem) : 용언이 활용할 때, 원칙적으로 모양이 변하지 않는 부분
- 어미 : 용언이 활용할 때 변하는 부분으로 문법적 기능을 수행
- 품사 : 명사, 대명사, 수사, 동사, 형용사, 관형사, 부사, 감탄사, 조사
- 형태소 (Morpheme) : 의미를 가진 최소의 언어 단위
- 어절 분류
- NP_SBP : 명사 + 주격 조사
- NP_OBJ : 명사 + 목적격 조사
- NP_MOD : 명사 + 관형격 조사
- VP : 동사 + 연결 어미 또는 동사 + 선어말 어미 + 종결 어미
자연어 처리의 형식적 모델
- n-gram : 문자의 빈도와 문자간 관계
- Finite Automaton Model (유한 오토마톤 모델) : 인접한 단어간 문법적 제약을 수학적으로 모델링
자연어 처리 평가
- 정확도 (precision) : 실험 결과가 true인 것 중에서 실제 true인 것의 비율
- 재현율 (recall) : 실제 true인 것 중에서 실험 결과가 true인 것의 비율
- 정밀도 (accuracy) : 전체 결과 중 실제 정답과 같은 결과를 내놓은 실험 결과의 비율
참고 문헌
색인기
Lucene 개발 환경
- 라이브러리
#--- 공통 라이브러리
commons-logging-1.1.1.jar
log4j-1.2.16.jar
#--- Lucene 라이브러리
lucene-core-4.8.1.jar
lucene-analyzers-common-4.8.1.jar
lucene-queryparser-4.8.1.jar
lucene-suggest-4.8.1.jar
lucene-queries-4.8.1.jar
#--- ElasticSearch 라이브러리
elasticsearch-1.2.0.jar
elasticsearch-analysis-korean-1.3.0.jar #--- Arirang 한글 형태소 분석기 포함
관련 오픈소스
{| cellspacing="0" cellpadding="2" style="width: 100%;" border="1" |- | style="text-align: center; background-color: rgb(241, 241, 241);" | 이름 | style="text-align: center; background-color: rgb(241, 241, 241);" | 종류
| style="text-align: center; background-color: rgb(241, 241, 241);" | 상세
|-
| style="text-align: center;" | Nutch
| style="text-align: center;" | 웹 수집기
| http://lucene.apache.org/nutch
|-
| style="text-align: center;" | Grub
| style="text-align: center;" | 웹 수집기
| http://www.grub.org/
|-
| style="text-align: center;" | Heritrix
| style="text-align: center;" | 웹 수집기
| http://crawler.archive.org/
|-
| style="text-align: center;" | Droids
| style="text-align: center;" |
| http://incubator.apache.org/droids
|-
| style="text-align: center;" | Apeture
| style="text-align: center;" | 수집기
| http://aperture.sourceforge.net/
|-
| style="text-align: center;" | Google Enterprise
Connector Manager
| style="text-align: center;" | Connector
|
| style="text-align: center;" | DB 연동 |
|- | style="text-align: center;" | Tika in Solr
| style="text-align: center;" | 수집기 | 문서 필터링 |- | style="text-align: center;" | ElasticSearch | style="text-align: center;" | 분산 검색 엔진 | http://www.elasticsearch.com/
|}
참고 문헌
[[Solr|Solr]], ElasticSearch
Nutch : 오픈 소스 인터넷 웹 검색엔진 프로젝트
인공지능 - 자연어 처리
Score
[[Category:Search|Category:Search]]
분류: BigData