字优化器

Question

for s_index, s in enumerate(sentences):
        s_tokens = s.split()
        if (local_q_set.intersection(set(s_tokens)) == local_q_set):
            q_results.append(s_index)

上面的代码片段是我在大量文本数据中查找相关句子的核心算法，其中包括查询中的所有标记。例如，对于查询“高兴的苹果”，它会查找所有给定标记中的一个或多个(即“高兴”和“苹果”)中的所有语句。我的方法非常简单:查找常见的相交集，并查看它们是否匹配。然而，我并没有得到足够的表现。如果有人看到了这样的问题的优化，我会非常感谢任何方向或链接的想法-谢谢您的时间提前。

Answer 1

您可以做一些事情来提高顺序搜索的性能，但是真正的提升将来自索引标记。

set.difference

使用not local_q_set.difference(s_tokens)而不是将交集与原始集进行比较可能会更快一些。

正则表达式过滤器

如果您的句子很长，使用正则表达式可以通过将潜在的标记从句子中分离出来，从而提高一些速度，然后再根据令牌集检查这些标记：

import re
tokens     = re.compile("|".join(local_q_set))
tokenCount = len(local_q_set)
for s_index, s in enumerate(sentences):
    s_tokens = tokens.findall(s)
    if len(s_tokens) < tokenCount or local_q_set.difference(s.split()):
       continue
    q_results.append(s_index) 

使用in运算符的筛选器

您还可以使用一个简单的in操作符来检查令牌的存在，而不是一个正则表达式(当查询中没有几个令牌时，这会更快)：

result = []
tokenSet = set(queryTokens)
for index, sentence in enumerate(sentences):
     if any( token not in sentence for token in queryTokens) \
     or tokenSet.difference(sentence.split()):
         continue
     result.append(index)

缓存语句词集

为了改进对同一个句子列表进行多个查询时的顺序搜索，您可以构建与这些句子对应的单词集的缓存。这将消除在分析句子以找到匹配的过程中的工作。

cachedWords = []

queryTokens = ["happy","apple"]

queryTokenSet = set(queryTokens)
if not cachedWords:
    cachedWords = [ set(sentence.split()) for sentence in sentences ]
result = [ index for index,words in enumerate(cachedWords) if not queryTokenSet.difference(words) ]

令牌索引

如果您要对相同的句子列表执行许多查询，那么在标记和句子索引之间创建一个映射会更有效。您可以使用字典来实现这一点，然后通过交叉查询标记的语句索引直接获得查询结果：

tokenIndexes = dict()
for index,sentence in enumerate(sentences):
    for token in sentence.lower().split():
        tokenIndexes.setdefault(token,[]).append(index)

def tokenSet(token): return set(tokenIndexes.get(token,[]))

queryTokens = ["happy","apple"]

from functools import reduce
result = reduce(set.intersection , (tokenSet(token) for token in queryTokens) )

这将允许您使用set运算符经济地实现复杂查询。例如：

import re

querySring = " happy & ( apple | orange | banana ) "
result = eval(re.sub("(\w+)",r"tokenSet('\1')", querySring)) 

# re.sub(...) transforms the query string into " tokenSet('happy') & ( tokenSet('apple') | tokenSet('orange') | tokenSet('banana') ) "

性能测试：

我做了一些性能测试(在80000个句子中找到两个标记)：

original algorithm: 105 ms           1x
set.difference:      88 ms         1.2x
regular expression:  60 ms         1.8x
"in" operator:       43 ms         2.4x
caching word sets:   23 ms         4.6x (excluding 187ms to build cache)
token indexing:       0.0075 ms  14000x (excluding 238ms to build tokenIndexes)

因此，如果要对相同的句子执行多个查询，使用标记索引，那么一旦构建了tokenIndexes字典，响应速度将快14,000倍。