Lock in $30 Savings on PRO—Offer Ends Soon! ⏳

検索結果の品質向上

Recruit
August 09, 2024

 検索結果の品質向上

2024年度リクルート エンジニアコース新人研修の講義資料です

Recruit

August 09, 2024
Tweet

More Decks by Recruit

Other Decks in Technology

Transcript

  1. • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? • Term

    とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 2 アジェンダ
  2. 自己紹介 守谷 純之介(モリヤ ジュンノスケ) • 2002〜2003: ポスドク研究員 • 2003〜2004: ベンチャー企業の何でも屋さん

    • 2004〜2013: ポータルサイトの検索屋さん • 2013〜: リクルート • Qass: 検索チーム • Bazz: 自動応答 Bot © Recruit Co., Ltd., 2024. 4 Compiler が好きです。 何の貢献もできないけど… https://www.saiensu.co.jp/search/?isbn=97 8-4-7819-1229-5&y=2009
  3. 自己紹介 © Recruit Co., Ltd., 2024. 5 趣味はギター なんですが、 ギターよりもエフェクターを

    いじっている時間が長くて、 半田ごて握っている時間の方 が長いかも…
  4. Qass: 検索チームのシンプル API サービスを担当 © Recruit Co., Ltd., 2024. 8

    ちょっと変わった検索… と言うか、こちらが主流になる?! Document かわいい 美味しい 和風 Document には 書いていないけど…
  5. Qass: 検索チームのシンプル API サービスを担当 © Recruit Co., Ltd., 2024. 9

    軽トラ https://www.carsensor.net/usedcar/freeword/%E8%BB%BD%E3%83%88%E3%83%A9/index.html Query Rewriter
  6. Qass: 検索チームのシンプル API サービスを担当 © Recruit Co., Ltd., 2024. 10

    ちょっと変わった検索… と言うか、こっちが世界の潮流になりそう… Document A Document を 分差表現にして… [0.23, 0.54,…] [0.22, 0.58,…] ユーザーの好み Document A Document B Document C Document B Document C
  7. コサイン類似度 © Recruit Co., Ltd., 2024. 11 𝑠𝑖𝑚 𝑎, 𝑏

    = cos 𝜃 = 𝑎 ∙ 𝑏 | 𝑎 | ∙ | 𝑏 | 𝑎 𝑏 𝜃 Document A ユーザーの好み
  8. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 12
  9. 今日は扱わない検索 © Recruit Co., Ltd., 2024. 13 The Art of

    Computer Programming, Volume 3: Sorting and Searching The Flexible Pattern Matching in Strings: Practical On-Line Search Algorithms for Texts and Biological Sequences $ grep $ awk $ sed 正規表現
  10. 今日扱う検索 ① © Recruit Co., Ltd., 2024. 14 Introduction to

    Information Retrieval Modern Information Retrieval Information Retrieval: Implementing and Evaluating Search Engines IR=情報検索 https://www.cambridge.org/highereducatio n/books/introduction-to-information- retrieval/669D108D20F556C5C30957D63B5 AB65C#overview Modern Information Retrieval - Home (uchile.cl) https://plg.uwaterloo.ca/~ir/ir/book/
  11. 今日扱う検索 ② © Recruit Co., Ltd., 2024. 15 IR=情報検索 情報検索

    :検索エンジンの実装と評価 情報検索の基礎
  12. 今日扱う検索!! © Recruit Co., Ltd., 2024. 18 Elasticsearch server Apache

    Solr 入門 旧) 株式会社リクルートテクノロジーズ (監修)
  13. © Recruit Co., Ltd., 2024. 19 検索チーム (Qass) の 河野晋策

    さんが共著の 『検索システム ― 実務者のための開発改善ガイド ブック』 2022年04月22日発売!! 今日の講義は(ずっと寝ていても)この本を読めばOK https://www.lambdanote.com/blogs/news/ir-system 今日扱う検索!!!!!
  14. 2つの検索の Pros & Cons © Recruit Co., Ltd., 2024. 20

    特徴\タイプ 逐次検索 Index 型検索 事前処理 Pros: なし(コスト小) Cons: あり(コスト大) 検索速度 Cons: 時間大 Pros: 時間小 メモリー使用量 Pros: メモリー小 Cons: メモリー大 典型的な手法 grep: • Knuth–Morris–Pratt 法 • Boyer-Moore 法 転置インデックス • N-gramインデックス • 形態素インデックス 全てはユーザー体験向 上の為に!!
  15. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 21
  16. 転置インデックスでの2つのフェーズ © Recruit Co., Ltd., 2024. 22 Search & Indexing

    Apache Book Car Dog … 10, 25 … 2, 57 … 15, 17 …98, 101 本の索引と一緒
  17. Indexing: 事前準備=転置 index の作成 © Recruit Co., Ltd., 2024. 23

    Linuxは、狭義には Linuxカーネル、広義に は… 検索対象 最新版となるLinux4.20 のリリース 転置 index Linux カーネル リリース A B A A B B
  18. Search: AND 検索 © Recruit Co., Ltd., 2024. 24 転置

    index Linux カーネル リリース A A B B 検索クエリ: Linux AND カーネル ∩ Merge [A, B] [B] [B]
  19. Search: OR 検索 © Recruit Co., Ltd., 2024. 25 転置

    index Linux カーネル リリース A A B B 検索クエリ: リリース OR カーネル ∪ Merge [B] [A] [A, B]
  20. Search: マージは大変 © Recruit Co., Ltd., 2024. 26 転置 index

    Linux カーネル リリース A A B B 転置 Index の検索における Merge はコアであり、コストが超高い
  21. 転置 Index (Inverted Index) とは? 1.ドキュメントに含まれる特性 をキー (全文検索などでは Term) にして、集合を紐付け

    るリスト構造 (Posting List) 2.ドキュメントのリストはソー ト済み 3.通常は単語の現れた位置情報 も格納 (フレーズ検索) © Recruit Co., Ltd., 2024. 27 転置 index Linux カーネル リリース A A B B
  22. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 30
  23. 2つの検索戦略 © Recruit Co., Ltd., 2024. 31 転置 index Linux

    カーネル リリース A A B B 1. TAAT = Term At A Time 2. DAAT = Document At A Time
  24. 2つの検索戦略 © Recruit Co., Ltd., 2024. 32 転置 index Linux

    カーネル リリース A A B B 1. TAAT = Term At A Time 2. DAAT = Document At A Time
  25. TAAT (Term At A Time) における AND 検索 © Recruit

    Co., Ltd., 2024. 33 50,241件 10,320件 30,483件 500,020件 UNIX BSD mmap kernel Linux 520件 ① ② 1 1 1 2 3 3 4 5 5 6 6 7 1.「mmap」の posting list を accumulator に追加: acc0 = [1,5] 2.「Linux」の posting list か ら、次のルールで新しい accumulator acc 1 を作成: acc0 に有 ⇒ 追加 acc0 に無 ⇒ 無視 acc1 = [1, 5] 検索クエリ: Linux AND mmap 要素数の少ない Posting List から開始するのが効率的!!
  26. TAAT (Term At A Time) における OR 検索 © Recruit

    Co., Ltd., 2024. 34 50,241件 10,320件 30,483件 500,020件 UNIX BSD mmap kernel Linux 520件 ① ② 1 1 1 2 3 3 4 5 5 6 6 7 1.「mmap」の posting list を accumulator に追加: acc0 = [1,5] 2.「Linux」の posting list を accumulator に追加: acc1 = [1, 3, 5, 6] 検索クエリ: Linux OR mmap 効率的な方法はない…
  27. 2つの検索戦略 © Recruit Co., Ltd., 2024. 35 転置 index Linux

    カーネル リリース A A B B 1. TAAT = Term At A Time 2. DAAT = Document At A Time
  28. DAAT (Document At A Time) の基本 © Recruit Co., Ltd.,

    2024. 36 50,241件 10,320件 30,483件 500,020件 UNIX BSD mmap kernel Linux 520件 1 1 1 2 3 3 4 5 5 6 6 7 • TAAT は横串 • DAAT は縦串
  29. DAAT (Document At A Time) における AND 検索 © Recruit

    Co., Ltd., 2024. 37 50,241件 10,320件 30,483件 500,020件 UNIX BSD mmap kernel Linux 520件 ① ② 1 1 1 2 3 3 4 5 5 6 6 7 • Term 毎にカーソルを準備 • 各カーソルを移動し、共通の ドキュメントを発見したら、 accumulator に追加 検索クエリ: Linux AND mmap acc = []
  30. DAAT (Document At A Time) における AND 検索 © Recruit

    Co., Ltd., 2024. 38 50,241件 10,320件 30,483件 500,020件 UNIX BSD mmap kernel Linux 520件 ① ② 1 1 1 2 3 3 4 5 5 6 6 7 • Term 毎にカーソルを準備 • 各カーソルを移動し、共通の ドキュメントを発見したら、 accumulator に追加 検索クエリ: Linux AND mmap acc = [1]
  31. DAAT (Document At A Time) における AND 検索 © Recruit

    Co., Ltd., 2024. 39 50,241件 10,320件 30,483件 500,020件 UNIX BSD mmap kernel Linux 520件 ① ② 1 1 1 2 3 3 4 5 5 6 6 7 • Term 毎にカーソルを準備 • 各カーソルを移動し、共通の ドキュメントを発見したら、 accumulator に追加 検索クエリ: Linux AND mmap acc = [1]
  32. DAAT (Document At A Time) における AND 検索 © Recruit

    Co., Ltd., 2024. 40 50,241件 10,320件 30,483件 500,020件 UNIX BSD mmap kernel Linux 520件 ① ② 1 1 1 2 3 3 4 5 5 6 6 7 • Term 毎にカーソルを準備 • 各カーソルを移動し、共通の ドキュメントを発見したら、 accumulator に追加 検索クエリ: Linux AND mmap acc = [1, 5]
  33. DAAT (Document At A Time) における OR 検索 © Recruit

    Co., Ltd., 2024. 41 50,241件 10,320件 30,483件 500,020件 UNIX BSD mmap kernel Linux 520件 ① ② 1 1 1 2 3 3 4 5 5 6 6 7 • Term 毎にカーソルを準備して、 全ての要素を重複なく追加 検索クエリ: Linux OR mmap 効率的な方法はない…
  34. TAAT vs DAAT © Recruit Co., Ltd., 2024. 42 50,241件

    10,320件 30,483件 500,020件 UNIX BSD mmap kernel Linux 520件 1 1 1 2 3 3 4 5 5 6 6 7 • メモリ使用量が多いのは TAAT • OR 検索では差異なし • かなりプリミティブな作り
  35. TAAT vs DAAT © Recruit Co., Ltd., 2024. 43 50,241件

    10,320件 30,483件 500,020件 UNIX BSD mmap kernel Linux 520件 1 1 1 2 3 3 4 5 5 6 6 7 S. Ding and T. Suel. Faster top-k document retrieval using block-max indexes. In Proceedings of the 34th Annual International ACM SIGIR Conference on Research and development in Information Retrieval, pages 993-1002, 2011. ↑の成果は Lucene 8 (2019/3/14 リリース) で実装 • https://fosdem.org/2019/schedule/event/apache_lucene_solr_8/attachments/slides/3325/export/events/attachments/apache_lucene_s olr_8/slides/3325/Sch indlerLucene8Slides.pdf • https://medium.com/@mocobeta/lucene-8-%E3%81%AE-top-k- %E3%82%AF%E3%82%A8%E3%83%AA%E3%83%97%E3%83%AD%E3%82%BB%E3%83%83%E3%82%B7%E3%83%B3%E3%82%B0%E6%9C%80% E9%81%A9%E5%8C%96-1-%E5%B0%8E%E5%85%A5%E7%B7%A8-5a6387076e8e 今でも効率的なアルゴリズムの研究が続いている
  36. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 44
  37. 実装することなんてあるの? © Recruit Co., Ltd., 2024. 45 Java で実装された 検索ライブラリ

    Lucene 利用 利用 Solr 検索エンジン、全文検索 No… since 2010 since 2004 since 1999
  38. Lucene © Recruit Co., Ltd., 2024. 46 • 転置インデックスを提供 •

    検索の戦略は DAAT • 検索の非常にネイティブな機能のみ提供 • 様々な検索機能 Boolean Query、Range Query、Fuzzy Query • スコアリング機能 設計が非常に優秀な証ですね。 since 1999
  39. 一般的な index のデータ構造 © Recruit Co., Ltd., 2024. 49 •

    B木(B-tree) • B+木(B+-tree) • B*木(B*-tree) • Skip-List
  40. Posting List (Skip List) © Recruit Co., Ltd., 2024. 50

    4,820,483件 93,832,732件 car book 0件 53,392件 1 3 3 183 291 53395 53395 ものすごく疎な部分がある
  41. Posting List (Skip List) © Recruit Co., Ltd., 2024. 51

    4,820,483件 93,832,732件 car book 0件 53,392件 1 3 3 183 291 53395 53395 ものすごく疎な部分がある
  42. Posting List (Skip List) © Recruit Co., Ltd., 2024. 52

    4,820,483件 93,832,732件 car book 0件 53,392件 1 3 3 183 291 53395 53395 ものすごく疎な部分がある 53,392回も比較する!?
  43. Posting List (Skip List) © Recruit Co., Ltd., 2024. 53

    4,820,483件 93,832,732件 car book 0件 53,392件 1 3 3 183 183 291 291 53395 53395 53395 53395 53395 53395 特定の間隔でジャンプ(Skip) する冗長なリストをもつ
  44. Posting List (Skip List) © Recruit Co., Ltd., 2024. 54

    4,820,483件 93,832,732件 car book 0件 53,392件 1 3 3 183 291 291 53395 53395 53395 53395 53395 53395
  45. Posting List (Skip List) © Recruit Co., Ltd., 2024. 55

    4,820,483件 93,832,732件 car book 0件 53,392件 1 3 3 183 291 291 53395 53395 53395 53395 53395 53395
  46. Posting List (Skip List) © Recruit Co., Ltd., 2024. 56

    4,820,483件 93,832,732件 car book 0件 53,392件 1 3 3 183 291 291 53395 53395 53395 53395 53395 53395
  47. Posting List (Skip List) © Recruit Co., Ltd., 2024. 57

    4,820,483件 93,832,732件 car book 0件 53,392件 1 3 3 183 291 291 53395 53395 53395 53395 53395 53395
  48. Posting List (Skip List) © Recruit Co., Ltd., 2024. 58

    4,820,483件 93,832,732件 car book 0件 53,392件 1 3 3 183 291 291 53395 53395 53395 53395 53395 53395
  49. Posting List (Skip List) © Recruit Co., Ltd., 2024. 59

    4,820,483件 93,832,732件 car book 0件 53,392件 1 3 3 183 291 291 53395 53395 53395 53395 53395 53395 見回る回数が少ない!! ※ スキップの段数に依存 ※ スキップの間隔に依存
  50. Lucene の Posting List (Skip List) © Recruit Co., Ltd.,

    2024. 60 https://github.com/apache/lucene/blob/main/lucene/core/src/java/org/apache/lucene/codecs/MultiLevelSkipListWriter.java * Example for skipInterval = 3: * c (skip level 2) * c c c (skip level 1) * x x x x x x x x x x (skip level 0) * d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d (posting list) * 3 6 9 12 15 18 21 24 27 30 (df) * * d – document * x - skip data * c - skip data with child pointer
  51. Lucene の Posting List (Skip List) © Recruit Co., Ltd.,

    2024. 61 Apache Lucene - Index File Formats: https://lucene.apache.org/core/9_0_0/core/org/apache/lucene/codecs/lucen e90/package-summary.html#package.description
  52. 一般的な index のデータ構造 © Recruit Co., Ltd., 2024. 62 •

    B木(B-tree) • B+木(B+-tree) • B*木(B*-tree) • Skip-List
  53. B+木 © Recruit Co., Ltd., 2024. 63 • 葉ブロックがデータを表す •

    内部ブロックは index(データをもたない) • 条件「各ブロックは a 個以上 b 個以下(例では2個以上3個以下)のエントリを必ずもつ」 を満たすように、木の構造を変形する • 範囲指定のクエリに対して、強力に動作 • ブロックデバイス(葉ブロックと内部ブロックを格納)との相性が抜群 30 50 7 12 22 30 39 52 55 73 内部ブロック 葉ブロック 15以上?
  54. ブロックデバイス © Recruit Co., Ltd., 2024. 64 • ブロック単位で読み書き •

    ブロックの大きさはブロックサイズ • ブロックサイズは結構大きい(Linux のデフォルトは 4 KB) • 1bit 書き換えても、ブロックごと書き換えられる 残念ながら SSD も ブロックデバイス
  55. 他にもすることがある!Search のマージは大変 © Recruit Co., Ltd., 2024. 68 転置 index

    Linux カーネル リリース A A B B 転置 Index の検索における Merge はコアであり、コストが超高い ↓ Merge 分のメモリー
  56. 無邪気に考えた場合の問題点 © Recruit Co., Ltd., 2024. 69 • 揮発性 •

    メモリー使用の割当: • インデックス用 • マージ用 • Update 時の反映 • Load 時間(起動までの時間) • マルチタスク・マルチスレッド対応 • 巨大なインデックスへの対応 Practice で全部解決してみよう!
  57. 無邪気に考えた場合の問題点 © Recruit Co., Ltd., 2024. 70 • 揮発性 •

    メモリー使用の割当: • インデックス用 • マージ用 • Update 時の反映 • Load 時間(起動までの時間) • マルチタスク・マルチスレッド対応 • 巨大なインデックスへの対応 が提供してくれる コア機能
  58. Practice①: 課題のゴール © Recruit Co., Ltd., 2024. 73 • 転置インデックスの構造を作ってみよう

    • Indexing と Search のフェーズが分離されていることを体感しよう • 転置インデックス上での検索の動作原理を実装していみよう(AND と OR) • 永続的なインデックスの保存方法を知る(一旦、ファイルに保存してみよう) • メモリー上への配置は結構時間がかかることを体感しよう 課題のゴール
  59. Practice①: 準備 © Recruit Co., Ltd., 2024. 74 • Docker

    はインストールされていますか? • VSCode はインストールされていますか? • VSCode の 拡張機能 Dev Containers はインストールされていますか? Python の実行環境 課題の参考資料をダウンロード • search-practice-2024.tgz をダウンロード • かなり raw level な python のプログラム!
  60. Practice①: 【課題】転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 75 • 転置インデックスを実装して、AND

    と OR 検 索してみよう • 転置インデックスをファイルに保存できるよう にしよう • 2つのフェーズを実装 • インデックス作成フェーズ • 検索フェーズ • 検索の戦略は TAAT で OK • 2つのファイルで転置インデックスを実現 • Term を管理する Python 辞書ファイル: index_offset.dat • Posting List のファイル: index_posting_list.dat 課題 T:00000 T:00001 T:00002 T:FFFFF D:001 10〜50個のドキュメント D:024 D:001 D:001 D:099 D:032 D:033 D:055 〜 index_offset.dat index_posting_list.dat
  61. Practice①: 【戦略】転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 76 • index_offset.dat

    (Term を管理する Python 辞書ファイル) • 各 Term の Posting List が Posting List のファイルのどこに存在する か?!の Offset を格納 • index_posting_list.dat (Posting List のファイル) • 実際の Posting List を保存 2つのファイル T:00000 T:00001 T:00002 T:FFFFF D:001 10〜50個のドキュメント D:024 D:001 D:001 D:099 D:032 D:033 D:055 〜 index_offset.dat index_posting_list.dat
  62. Practice①: 【仕様】転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 要求される仕様 • ファイルに保存できること

    • Term は擬似的に 0〜F の長さ 5 の全ての組合せ T:00000 〜 T:FFFFF で総数 1,048,576 = 16^5 • Document の ID は D:000 〜 D:100 をランダム に生成 • 各 Term は 10 個から 50 個のランダムな個数の ドキュメントをもつ T:00000 T:00001 T:00002 T:FFFFF D:001 10〜50個のドキュメント D:024 D:001 D:001 D:099 D:032 D:033 D:055 〜 16^5 index_offset.dat index_posting_list.dat
  63. Practice①: 転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 【p0 の内容】 「ただの配列をもった辞書じゃないの?!」

    ⇒ Yes!!!!! 「ただ、ファイルに保存するだけ?!」 ⇒ Yes!!!... なので、折角だから pickle を使ってみた ここから、一歩進んで(課題) 【p1 の内容】 • Posting List を分割して、 – ファイルの位置 (offset) を記録部分と、 – 実際の Posting List を普通のファイルにする
  64. Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 79 参考資料の解説① •

    「課題が分からん!」という人 ⇒ p0 を見てね! • p0 版は「python のオブジェクトをファイ ルに保存」版 ⇒ キーポイントは pickle !! • ゴールは「Posting List のファイルを普通 の文字列のファイル」にしてみること • 「Term に対応する Posting List がファイ ルのどこにあるか?」を記録している 「Python のオブジェクト」は「オブジェ クトをファイルに保存」で OK ⇒ pickle 版流用でOK T:00000 T:00001 T:00002 T:FFFFF D:001 10〜50個のドキュメント D:024 D:001 D:001 D:099 D:032 D:033 D:055 〜 index_offset.dat index_posting_list.dat 普通のファイル Python 辞書のファイル
  65. Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 80 参考資料の解説② •

    楽するための課題共通ライブラリ • search_practice_2024/ • posting_list.py • search_tool.py • term.py • 課題の解説プログラム (全部 python版) • search_practice_2024/p0/ • index.py • search.py • 回答例!! (まずは見ないで頑張ろう!) • search_practice_2024/p1/answer/ • index.py • search.py T:00000 T:00001 T:00002 T:FFFFF D:001 p0_index.dat(課題の解説用) 10〜50個のドキュメント D:024 D:001 D:001 D:099 D:032 D:033 D:055 〜 16^5
  66. Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 81 参考資料の解説③ •

    term.py • 課題の term を作ってくれるクラス • 引数で何個 term を作るか?指定 • 引数なしだと、16^5 個(開発時は少なめに指定しましょう) • フォーマットは T:00000〜T:FFFFF • posting_list.py • 課題の Posting List を作ってくれるクラス • 擬似的に各 term は 10〜50 個のドキュメントを保持 • ドキュメントのIDは D:000〜D:100 でランダム(ランダムの seed は term にしているのでみんな同じ) • search_tool.py • Posting List に対して、AND と OR 検索を提供するクラス • ものすごくはしょってあり、set を使って楽しています • TAAT を仮定しています
  67. Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 82 参考資料の解説④ •

    課題解説プログラムの実行方法 (command というファイルに全部書いてあります!) # インデックス生成 (100万オーダーで生成するので結構時間がかかります) $ python3 -m search_practice.p0.index # 検索(検索対象は __main__ 以下の term で指定。50万回検索するのでちょっと時間がかかります) $ python3 -m search_practice.p0.search
  68. Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 83 参考資料の解説⑤ 作業時は、生成するサイズを小さくしましょう!!

    (時間がかかるので…) Index の Term.create() の引数指定で 100 個等指定すれば OK (デフォルト値は 16^5)
  69. Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 84 参考資料の解説⑥ •

    採用するデータ構造 (TSV 形式) T:000FF ¥t 00012 ¥t D:032 ¥t D:036 ¥t … ¥t D:093¥n Term 保持している ドキュメントの個数 5桁の ドキュメント ID 改行コード 5桁の ドキュメント ID
  70. Practice①: 転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 85 改めて課題を T:00000

    T:00001 T:00002 T:FFFFF D:001 10〜50個のドキュメント D:024 D:001 D:001 D:099 D:032 D:033 D:055 〜 • p0 と同じ結果になる p1 を作ろう • index.py • search.py • Posting List を分割して、 • ファイルの位置 (offset) を記録部分と、 • 実際の Posting List を普通のファイル にする 16^5 index_offset.dat index_posting_list.dat 普通のファイル Python 辞書のファイル
  71. Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 86 • p1

    配下に index.py と search.py を作ったら (command というファイルに全部書いてあります!) # インデックス生成 $ python3 -m search_practice.p1.index # 検索 $ python3 -m search_practice.p1.search
  72. Practice①: 【参考】転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 87 実装上のキーワード (ヒント!)

    • Python の辞書ファイルの保存は pickle を使おう • Posting List のファイルの読み書きは codecs を使うのが吉 (utf-8 にしよう!) • Posting List 自体は可変長ですが、中身は固定長で OK! • Posting List の長さが、そのまま offset になるように出来ます! • Posting List ファイル内の読込は file の seek で行先頭を見つけ出し、readline で OK!
  73. Practice①: 【参考】転置インデックスを実装してみよう © Recruit Co., Ltd., 2024. 88 Python のプロファイラーや

    time コマンドでの比較 (command というファイルに全部書いてあります!) $ python -m cProfile -s cumtime -m search_practice.p1.answer.index $ python -m cProfile -s cumtime -m search_practice.p1.answer.search $ time python -m search_practice.p1.answer.index $ time python -m search_practice.p1.answer.search
  74. Practice① © Recruit Co., Ltd., 2024. 89 • 転置インデックスの「作成フェーズ」と「検索フェーズ」 •

    Dic 版 (p0) に比べて File 版 (p1) が遅いことを実感できましたか?! • Load に時間がかかる点も気になりましたか?!
  75. 無邪気に考えた場合の問題点 © Recruit Co., Ltd., 2024. 90 • 揮発性 ⇒

    p0:◯, p1:◯ • メモリー使用の割当:⇒ p0:✗, p1:◯ • インデックス用 • マージ用 • Update 時の反映 ⇒ p0:△, p1:△ ※ 作れば良いだけ • Load 時間(起動までの時間)⇒ p0:✗, p1:◯ • マルチタスク・マルチスレッド対応 ⇒ p0:△, p1:△ ※ 作れば良いだけ • 巨大なインデックスへの対応 ⇒ p0:✗, p1:◯ p1 は検索が遅い!!! ↓ 致命的…
  76. Practice① © Recruit Co., Ltd., 2024. 91 最近の Mac (SSD

    を含め) は本当に速くなってしまって… 体感できましたかね?!
  77. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 92
  78. mmap © Recruit Co., Ltd., 2024. 96 • システムコール •

    システムムコールだけど、ユーザープロセス の仮想アドレス空間に作成されるので、コン テクストスイッチが少ない: (ユーザー空間 vs カーネル空間) • メモリマップトファイルとして扱えるので、 追加・削除・更新が楽 • 複数のプロセス間で共有もできる • 【注意】Java の世界から逸脱している (Java のヒープ外でアロケートされてる) • 【おまけ】C で malloc すると内部では mmap が呼ばれる
  79. mmap © Recruit Co., Ltd., 2024. 97 0x00000 実メモリ 0x00000

    プロセスA 実アドレス 0x00000 プロセスB 仮想アドレス 仮想アドレス ファイル
  80. Elasticsearch の推奨設定 © Recruit Co., Ltd., 2024. 98 “The standard

    recommendation is to give 50% of the available memory to Elasticsearch heap, while leaving the other 50% free. It won’t go unused; Lucene will happily gobble up whatever is left over.” ※ Set the JVM heap size 【注意】Java の世界から逸脱している(Java のヒープ外でアロケートされてる)
  81. Lucene の index 格納 © Recruit Co., Ltd., 2024. 99

    org.apache.lucene.store(代表的な3種類) 1. SimpleFSDirectory.java • java.nio.ByteBuffer 2. NIOFSDirectory.java • java.nio.ByteBuffer 3. MMapDirectory.java • java.nio.MappedByteBuffer • https://lucene.apache.org/core/9_5_0/core/org/apache/lucene/store/package-summary.html
  82. Indeed の独自実装: util-mmap © Recruit Co., Ltd., 2024. 100 MappedByteBuffer

    の既知の制約を克服: – 安全にアンマップできない – サイズが 2GB (int) を超えるファイルをマップできない – スレッドセーフではない • https://jp.engineering.indeedblog.com/blog/2015/02/util-mmap-でメモリマッピング/ • https://github.com/indeedeng/util/tree/main/mmap
  83. おまけ: それでも Disk からデータは引き出す © Recruit Co., Ltd., 2024. 101

    • 一番検索で良く使うのは検索結果 • ブロックサイズを意識して格納 • ディスクへのアクセスは猛烈に遅いが ディスクキャッシュは早い • トレードオフが十分ならば圧縮して格納する
  84. おまけ: 圧縮のトレードオフ © Recruit Co., Ltd., 2024. 102 読み込み完了 100MB/s

    5,000KB 50ms 25ms 30GB/s =30,720MB/s 2,500KB 50%圧縮 読み込み完了 15ms 10ms=解凍 300倍位速い!
  85. Luceneで利用できる圧縮方式 © Recruit Co., Ltd., 2024. 103 LZ4 (選択可能: DEFLATE,

    Zstandard 等) • Zstandard を利用したいPR (Facebook 製): https://github.com/apache/lucene/pull/439 • https://gigazine.net/news/20120824-dragonquest-backstage-cedec2012/ • 圧縮率は低いが、圧縮速度が速い • 色々なところで使われている: – OS: Linux, FreeBSD – Hadoop, Cassandra – Nintendo Switch – ドラゴンクエストXのセーブデータ
  86. Practice②: 転置インデックスを mmap で実装してみよう © Recruit Co., Ltd., 2024. 105

    • Posting List を mmap で実装し、共有できることを知ろう(共有メモリ) • Update して、他のプロセスからどう見えるか?知ろう 課題のゴール https://docs.python.org/ja/3/library/mmap.html
  87. Practice②: 転置インデックスを mmap で実装してみよう © Recruit Co., Ltd., 2024. 106

    要求される仕様 • 扱う index は Practice①と同じ ⇒ 作らなく大丈夫!!! • Posting List を mmap で実装しよう ⇒ index.py は 読み込み と デストラクタ だけでOK • 簡単な http サーバーを立ち上げて、検索とupdate が出 来るようにしよう ⇒ FastAPI を使おう!(開発コンテナ内に install 済み) • update は Posting List の内容を入れ替えて見る(追加・ 削除はせず、入れ替え)だけで OK • 検索は • /and?term=T:AAAAA,T:BBBBBで AND 検索 • /or?term=T:AAAA,T:BBBBBで OR 検索 • Update は • /update?term=T:AAAAA &old=D:00023&new=D:00032 で D:00023 を D:00032 へ update • 複数プロセスを立ち上げて、それぞれ検索し、他のプロセ スが update した内容が反映されるのを確かめよう Index Process Process Process
  88. Practice②: 転置インデックスを mmap で実装してみよう © Recruit Co., Ltd., 2024. 108

    mmap • 普通のファイル操作と同じことが出来る ⇒ p1 での実装と同じ!!! • 書き換え(update)は、始点から終点までの変換 ⇒ mmap_object[5:7] = ‘abc’ ※ 長さは一緒じゃないとダメ!!
  89. Practice②: 転置インデックスを mmap で実装してみよう © Recruit Co., Ltd., 2024. 109

    参考資料の解説① • p1/index.py と p1/search.py とかなり似通った作りになります。 • index_offset.dat と index_posting_lists.dat はこれまでと一緒! • update 機能は別途切り出して p2/update.py 等を作成 • 新たに FastAPI のサーバーを作りますが、面倒ならば server.py をご参考に • p2/server.py で各リクエストに対して、以下が動くイメージ: • p2/index.py • p2/search.py • p2/update.py
  90. Practice②: 転置インデックスを mmap で実装してみよう © Recruit Co., Ltd., 2023. 110

    参考資料の解説② • 課題のゴールは以下の作成: 1. p2/index.py • インデックス作成自体は、不要になります (__main__ を作る必要なしです!) • Load だけ、出来れば良い • p1/index.py で作ったファイルで OK • index_offset.dat • index_posting_list.dat 2. p2/search.py 3. p2/update.py 4. p2/server.py
  91. Practice②: 転置インデックスを mmap で実装してみよう © Recruit Co., Ltd., 2024. 111

    参考資料の解説③ # サーバー立ち上げ(port 番号指定) $ ./fastapi run search_practice/p2/answer/server.py --port 9000 # サーバー停止 $(Ctrl-C) # ブラウザ • http://0.0.0.0:9000/and?term=T:FFFD7,T:FFFDD • http://0.0.0.0:9000/or?term=T:FFFD7,T:FFFDD • http://0.0.0.0:9000/update?term=T:FFFD7&old=D:087&new=D:088 実行方法 (command というファイルに全部書いてあります!)
  92. Practice②: 転置インデックスを mmap で実装してみよう © Recruit Co., Ltd., 2024. 112

    FastAPI で操作できるようになったら… # サーバーを複数立ち上げ $ fastapi run search_practice/p2/answer/server.py --port 9000 $ fastapi run search_practice/p2/answer/server.py --port 9001 $ fastapi run search_practice/p2/answer/server.py --port 9002 # あるサーバーから update を実行して、 # 他のサーバーでの検索結果 (サンプルでは AND 検索) が変化するのを確認
  93. Practice② © Recruit Co., Ltd., 2024. 113 • Dic 版

    (p0) と File 版 (p1) の欠点が解消されましたか?! • プロセス間通信もできるので複数呼び出し可能になりましたか?!
  94. 無邪気に考えた場合の問題点 © Recruit Co., Ltd., 2024. 114 • 揮発性 ⇒

    p0:◯, p1:◯, p2: ◯ • メモリー使用の割当:⇒ p0:✗, p1:◯, p2:◯ • インデックス用 • マージ用 • Update 時の反映 ⇒ p0:△, p1:△, p2:◯ • Load 時間(起動までの時間)⇒ p0:✗, p1:◯, p2:◯ • マルチタスク・マルチスレッド対応 ⇒ p0:△, p1:△ , p2:◯ • 巨大なインデックスへの対応 ⇒ p0:✗, p1:◯, p2:◯ p2 は検索が速い! ↓ OK
  95. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 116
  96. Solr や Elasticsearch は何を提供してくれているの? © Recruit Co., Ltd., 2024. 118

    • RESTfull なAPIの提供 • 管理機能の提供 • クラスタリング機能を提供
  97. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 119
  98. 50,241件 10,320件 520件 30,483件 500,020件 1. 同じキーが同じサーバーにいる必要がない ⇒ 「mmap」が別のサーバーにあっても良い【分散】 2.

    マージさえできればよい ⇒ 「mmap」が複数のサーバーにあってもよい【重複】 UNIX BSD mmap kernel Linux 分散検索 © Recruit Co., Ltd., 2024. 120
  99. 分散検索: 概念(Elasticsearch の用語にて) • 各サーバーをノードと呼ぶ • 各ノードは複数のシャード(部分index)をもつ • シャードは以下を提供 •

    可用性(Availability) • 負荷分散(Load Balance) • ドキュメント単位でルーティング • どのシャードに格納するのかは、あなた次第! © Recruit Co., Ltd., 2024. 122
  100. 分散検索: ノード • 各サーバーをノードと呼ぶ • 各ノードは複数のシャード(部分index)をもつ • シャードは以下を提供 • 可用性(Availability)

    • 負荷分散(Load Balance) • ドキュメント単位でルーティング • どのシャードに格納するのかは、あなた次第! © Recruit Co., Ltd., 2024. 123
  101. 分散検索: シャード • 各サーバーをノードと呼ぶ • 各ノードは複数のシャード(部分index)をもつ • シャードは以下を提供 • 可用性(Availability)

    • 負荷分散(Load Balance) • ドキュメント単位でルーティング • どのシャードに格納するのかは、あなた次第! A Shard C Shard B Shard C Shard A Shard B Shard 124 © Recruit Co., Ltd., 2024.
  102. • 各サーバーをノードと呼ぶ • 各ノードは複数のシャード(部分index)をもつ • シャードは以下を提供 • 可用性(Availability) • 負荷分散(Load

    Balance) • ドキュメント単位でルーティング • どのシャードに格納するのかは、あなた次第! シャード A, B, C 全部が生存 欠損なしで 検索続行 分散検索: 可用性(Availability) 125 A Shard C Shard B Shard C Shard A Shard B Shard ✗ © Recruit Co., Ltd., 2024.
  103. • 各サーバーをノードと呼ぶ • 各ノードは複数のシャード(部分index)をもつ • シャードは以下を提供 • 可用性(Availability) • 負荷分散(Load

    Balance) • ドキュメント単位でルーティング • どのシャードに格納するのかは、あなた次第! 分散検索: 可用性(Availability) 126 A Shard C Shard B Shard C Shard A Shard B Shard ✗ © Recruit Co., Ltd., 2024. ゆっくり寝るには、 とっても大事ですね
  104. • 各サーバーをノードと呼ぶ • 各ノードは複数のシャード(部分index)をもつ • シャードは以下を提供 • 可用性(Availability) • 負荷分散(Load

    Balance) • ドキュメント単位でルーティング • どのシャードに格納するのかは、あなた次第! シャード A と B に関する 検索 シャード A と B に関する 検索 シャード A と B に関する 検索 127 A Shard C Shard B Shard C Shard A Shard B Shard 分散検索: 負荷分散(Load Balance) © Recruit Co., Ltd., 2024.
  105. • 各サーバーをノードと呼ぶ • 各ノードは複数のシャード(部分index)をもつ • シャードは以下を提供 • 可用性(Availability) • 負荷分散(Load

    Balance) • ドキュメント単位でルーティング • どのシャードに格納するのかは、あなた次第! hash(XXX) mod (# of Shard) = C Doc ID: XXX 128 A Shard C Shard B Shard C Shard A Shard B Shard 分散検索: ルーティング © Recruit Co., Ltd., 2024.
  106. 分散検索 • 各サーバーをノードと呼ぶ • 各ノードは複数のシャード(部分index)をもつ • シャードは以下を提供 • 可用性(Availability) •

    負荷分散(Load Balance) • ドキュメント単位でルーティング • どのシャードに格納するのかは、あなた次第! 129 A Shard C Shard B Shard C Shard A Shard B Shard © Recruit Co., Ltd., 2024.
  107. 分散検索: Index の構成 • サーバー(シャード)は本来非常に多い(ここでは3台) • シャードに含まれるドキュメント数には上限有り(100万等) • どのサーバーも、自分の担当の検索は非常に高速(対象が100万位しかないから) •

    入り切らなくなってきたら、サーバーを足す (スケールアップではなく、スケールアウト) < 1000,000 < 1000,000 < 1000,000 © Recruit Co., Ltd., 2024. 130 Shard A アイスクリーム 200円 50円 850円 120円 Shard B アイスクリーム 320円 220円 10円 900円 Shard C アイスクリーム 850円 300円 500円 720円
  108. 分散検索: Two Phase Search, query and fetch • query phase:

    どのサーバーにマッチする結果がどれだけあるのか? ⇒ メモリ上+ネットワークトラフィック小で解決 • fetch phase: 見つけた結果を整形(スニペット生成、等)して返却結果を作成 ⇒ 高負荷な処理を実行 131 Shard A アイスクリーム 200円 50円 850円 120円 Shard B アイスクリーム 320円 220円 10円 900円 Shard C アイスクリーム 850円 300円 500円 720円 © Recruit Co., Ltd., 2024.
  109. 分散検索: Two Phase Search, query and fetch 【重要】各サーバは他のサーバーの安いアイスクリームを知らない!! クエリー:アイスクリーム ORDER

    BY 安い順 LIMIT 3 132 Shard A アイスクリーム 200円 50円 850円 120円 Shard B アイスクリーム 320円 220円 10円 900円 Shard C アイスクリーム 850円 300円 500円 720円 © Recruit Co., Ltd., 2024.
  110. 分散検索: Two Phase Search, query and fetch クエリー:アイスクリーム ORDER BY

    安い順 LIMIT 3 [50, 120, 200] [10, 220, 320] [300, 500, 720] [10, 50, 120] 133 Shard A アイスクリーム 200円 50円 850円 120円 Shard B アイスクリーム 320円 220円 10円 900円 Shard C アイスクリーム 850円 300円 500円 720円 © Recruit Co., Ltd., 2024.
  111. 分散検索: Two Phase Search, query and fetch クエリー:アイスクリーム ORDER BY

    安い順 LIMIT 3 [10, 50, 120] 134 Shard A アイスクリーム 200円 50円 850円 120円 Shard B アイスクリーム 320円 220円 10円 900円 Shard C アイスクリーム 850円 300円 500円 720円 © Recruit Co., Ltd., 2024.
  112. 分散検索: Two Phase Search, query and fetch Q: 100位〜102位まで取ってくるには? クエリー:アイスクリーム

    ORDER BY 安い順 LIMIT 3 OFFSET 100 A: 各サーバーから102件取得してくる 135 Shard A アイスクリーム 200円 50円 850円 120円 Shard B アイスクリーム 320円 220円 10円 900円 Shard C アイスクリーム 850円 300円 500円 720円 © Recruit Co., Ltd., 2024.
  113. 分散検索: Two Phase Search, query and fetch Q: 嘘でしょ? クエリー:アイスクリーム

    ORDER BY 安い順 LIMIT 3 OFFSET 100 A: 本当です。 136 Shard A アイスクリーム 200円 50円 850円 120円 Shard B アイスクリーム 320円 220円 10円 900円 Shard C アイスクリーム 850円 300円 500円 720円 © Recruit Co., Ltd., 2024.
  114. 分散検索: Two Phase Search, query and fetch Q: 事前に準備とかできないの? クエリー:アイスクリーム

    ORDER BY 安い順 LIMIT 3 OFFSET 100 A: できないです… 137 Shard A アイスクリーム 200円 50円 850円 120円 Shard B アイスクリーム 320円 220円 10円 900円 Shard C アイスクリーム 850円 300円 500円 720円 © Recruit Co., Ltd., 2024.
  115. 分散検索: Two Phase Search, query and fetch クエリー:(アイスクリーム AND すいか味)ORDER

    BY 安い順 LIMIT 3 OFFSET 100 138 Shard A アイスクリーム 200円 50円 850円 120円 Shard B アイスクリーム 320円 220円 10円 900円 Shard C アイスクリーム 850円 300円 500円 720円 © Recruit Co., Ltd., 2024. 【重要】もちろんキャッシュが使えて、最重要!
  116. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 139
  117. Practice③: 分散検索を実装してみよう © Recruit Co., Ltd., 2024. 141 • 分散検索がどのように動くのか?

    理解しよう • 可用性を上げるにはどうしたらよい か?体験しよう • スケールすると(インデックスサイ ズが大きくなると)何が大変になる か?理解しよう 課題のゴール Index ① Request /and?term=AAAAA,BBBBB ② 分散検索 /get?term=AAAAA ③ local 検索 ③ local 検索 ② 分散検索 /get?term=BBBBB
  118. Practice③: 分散検索を実装してみよう © Recruit Co., Ltd., 2024. 142 要求される仕様 •

    扱う index は Practice②と同じ • 通信は http • 分散検索は • /and?term=AAAAA,BBBBBで AND 検 索 • /or?term=AAAA,BBBBBで OR 検索 • 単純に1個の term の Posting List を GET する API を追加(追加といっても /and と /or のどちらかを流用すれば OK) • /get?term=AAAA • マージ処理(実際の AND と OR の処理)は リクエストを受け取ったサーバーで OK Index ① Request /and?term=AAAAA,BBBBB ② 分散検索 /get?term=AAAAA ③ local 検索 ③ local 検索 ② 分散検索 /get?term=BBBBB
  119. Practice③: 分散検索を実装してみよう © Recruit Co., Ltd., 2024. 143 参考資料の解説① •

    p2/server.py と p2/search.py を改造すれば OK • /_getは p2/server.py の AND 処理と OR 処理と同じ • NODE は固定で OK NODES = [ ‘0.0.0.0:9000’, ‘0.0.0.0:9001’, ‘0.0.0.0:9002’, ] ※ はじめは NODE を 1 個で試してみよう! • and のリクエストを受け取ると、各 term 毎に Posting List を各サーバーに http で要求し、全ての結果をマージ(AND or OR)する • p2/search.py の変更点: • これまでの Posting List の取得を各サーバーに問い合わせて、取得するように変更 (http client が登場!!) • /get は自前で Posting List を取得 • p2/server.py の変更点: • /get を追加し、時前で Posting List を取得する method の呼び出しに変更
  120. Practice③: 分散検索を実装してみよう © Recruit Co., Ltd., 2024. 146 参考資料の解説② •

    キーワードは • httpx.AsyncClient • Client からの response は response object です!結果の json を取りたい時は response.json() だけで大丈夫! • asyncio.gather • 非同期で複数リクエストを投げて、それを配列に格納して、その配列のそれぞれのレスポンス取得が終わるの gather で待ちます!
  121. Practice③: 分散検索を実装してみよう © Recruit Co., Ltd., 2024. 147 # サーバーを複数立ち上げ

    (command というファイルに全部書いてあります!) $ ./fastapi run search_practice/p2/answer/server.py --port 9000 $ ./fastapi run search_practice/p2/answer/server.py --port 9001 $ ./fastapi run search_practice/p2/answer/server.py --port 9002 # あるサーバーから search を実行して、 # 各サーバーがリクエストを受け取り、 # これまでと結果が変わらないことを確認 # ブラウザ # and だとちょっと面白くないので、 # or でいっぱい term を足してみよう! http://0.0.0.0:9000/or?term=T:FFFD7,T:FFFD D,T:00AABB,T:00CCBB,T:CCBBDD,T:FFFFFF,T:8 8FF11,T:66CC77
  122. 分散検索: 概念(Elasticsearch の用語にて) • 各サーバーをノードと呼ぶ • 各ノードは複数のシャード(部分index)をもつ • シャードは以下を提供 •

    可用性(Availability) • 負荷分散(Load Balance) • ドキュメント単位でルーティング • どのシャードに格納するのかは、あなた次第! © Recruit Co., Ltd., 2024. 149 なんと!! Elasticsearch の基本的な機能が出来ちゃったぞ!!
  123. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 152
  124. © Recruit Co., Ltd., 2024. 153 転置インデックス 50,241件 10,320件 30,483件

    UNIX BSD mmap kernel Linux 520件 1 1 1 2 3 3 4 5 5 6 6 7 500,020件 T:00000 T:00001 T:00002 T:FFFFF 〜 MD5 or SHA-3 で出来なくもない!!
  125. TokenStream = Term(= 文字列 + フィールド)の stream + アトリビュー ト

    • https://github.com/apache/lucene/blob/main/lucene/core/src/java/org/apache/lucene/index/Term.java • https://github.com/apache/lucene/blob/main/lucene/core/src/java/org/apache/lucene/analysis/TokenStream.java これはどう作るの?! Lucene の世界では Tokenizer が分割をしてくれる! © Recruit Co., Ltd., 2024. 154 Lucene の世界の Term と Token
  126. • ClassicTokenizerFactory • EdgeNGramTokenizerFactory • HMMChineseTokenizerFactory • ICUTokenizerFactory • JapaneseTokenizerFactory

    • KeywordTokenizerFactory • LetterTokenizerFactory • LowerCaseTokenizerFactory • NGramTokenizerFactory • PathHierarchyTokenizerFactoryPatternTokenizerFactory • StandardTokenizerFactory • ThaiTokenizerFactory • UAX29URLEmailTokenizerFactory • UIMAAnnotationsTokenizerFactory • UIMATypeAwareAnnotationsTokenizerFactory • WhitespaceTokenizerFactory • WikipediaTokenizerFactory © Recruit Co., Ltd., 2024. 155 Lucene の Tokenizer
  127. • ClassicTokenizerFactory • EdgeNGramTokenizerFactory • HMMChineseTokenizerFactory • ICUTokenizerFactory • JapaneseTokenizerFactory

    • KeywordTokenizerFactory • LetterTokenizerFactory • LowerCaseTokenizerFactory • NGramTokenizerFactory • PathHierarchyTokenizerFactoryPatternTokenizerFactory • StandardTokenizerFactory • ThaiTokenizerFactory • UAX29URLEmailTokenizerFactory • UIMAAnnotationsTokenizerFactory • UIMATypeAwareAnnotationsTokenizerFactory • WhitespaceTokenizerFactory • WikipediaTokenizerFactory © Recruit Co., Ltd., 2024. 156 Lucene の Tokenizer
  128. • ClassicTokenizerFactory • EdgeNGramTokenizerFactory • HMMChineseTokenizerFactory • ICUTokenizerFactory • JapaneseTokenizerFactory

    • KeywordTokenizerFactory • LetterTokenizerFactory • LowerCaseTokenizerFactory • NGramTokenizerFactory • PathHierarchyTokenizerFactoryPatternTokenizerFactory • StandardTokenizerFactory • ThaiTokenizerFactory • UAX29URLEmailTokenizerFactory • UIMAAnnotationsTokenizerFactory • UIMATypeAwareAnnotationsTokenizerFactory • WhitespaceTokenizerFactory • WikipediaTokenizerFactory © Recruit Co., Ltd., 2024. 157 Lucene の Tokenizer
  129. 英語の Tokenize は超簡単 “Elasticsearch is a distributed, RESTful search and

    analytics engine capable of solving a growing number of use cases.” WhitespaceTokenizer “Elasticsearch is a distributed, RESTful search and analytics engine capable of solving a growing number of use cases.” © Recruit Co., Ltd., 2024. 158
  130. • ClassicTokenizerFactory • EdgeNGramTokenizerFactory • HMMChineseTokenizerFactory • ICUTokenizerFactory • JapaneseTokenizerFactory

    • KeywordTokenizerFactory • LetterTokenizerFactory • LowerCaseTokenizerFactory • NGramTokenizerFactory • PathHierarchyTokenizerFactoryPatternTokenizerFactory • StandardTokenizerFactory • ThaiTokenizerFactory • UAX29URLEmailTokenizerFactory • UIMAAnnotationsTokenizerFactory • UIMATypeAwareAnnotationsTokenizerFactory • WhitespaceTokenizerFactory • WikipediaTokenizerFactory © Recruit Co., Ltd., 2024. 160 Lucene の Tokenizer
  131. Ngram Tokenizer 一定の長さの文字列単位で分割「敵に塩を送る」 • Unigram: 1文字単位 ⇒ 「敵」「に」「塩」「を」「送」「る」 • Bigram:

    2文字単位 ⇒「敵に」「に塩」「塩を」「を送」「送る」 • Trigram: 3文字単位 ⇒「敵に塩」「に塩を」「塩を送」「を送る」 Q: Bigram で「塩」を検索可能?! A: No… 検索できない ⇒ N-gram ならば 2-1gram © Recruit Co., Ltd., 2024. 161
  132. Ngram Tokenizer: 比較 Unigram vs Trigram 「敵に塩を」 • 長さ3以上の term

    ならできることに変わりはなし(「塩」は検索できない) • どんどん大きくなると、完全一致のようになり、検索とは何か? という問題になる(6-gramでは「敵に塩を送」さえ検索できない) • 速度には差がでる(Unigram より Trigram の方が速い) 4個のタームのマージ vs 2個のタームのマージ 「敵」「に」「塩」「を」vs 「敵に塩」「に塩を」 ※「に」「を」のPosting List などは非常に大きい(はず) © Recruit Co., Ltd., 2024. 162
  133. • ClassicTokenizerFactory • EdgeNGramTokenizerFactory • HMMChineseTokenizerFactory • ICUTokenizerFactory • JapaneseTokenizerFactory

    • KeywordTokenizerFactory • LetterTokenizerFactory • LowerCaseTokenizerFactory • NGramTokenizerFactory • PathHierarchyTokenizerFactoryPatternTokenizerFactory • StandardTokenizerFactory • ThaiTokenizerFactory • UAX29URLEmailTokenizerFactory • UIMAAnnotationsTokenizerFactory • UIMATypeAwareAnnotationsTokenizerFactory • WhitespaceTokenizerFactory • WikipediaTokenizerFactory © Recruit Co., Ltd., 2024. 163 Lucene の Tokenizer
  134. Japanese Tokenizer (Kuromoji) • 形態素解析エンジン • 辞書ベースで分割 • 「敵に塩を送った」 Surface

    form Part-of-Speech Base form Reading Pronunciati on 敵 名詞,一般,*,* 敵 テキ テキ に 助詞,格助詞,一般,* に 二 二 塩 名詞,一般,*,* 塩 シオ シオ を 助詞,格助詞,一般,* を ヲ ヲ 送っ 動詞,自立,*,* 送る オクッ オクッ た 助動詞,*,*,* た タ タ © Recruit Co., Ltd., 2024. 164
  135. Ngram vs 形態素解析 それぞれ、良いところと悪いところがある 解決策:両方をもつハイブリッド index 効果\手法 Ngram 形態素解析 取りこぼし:

    「目黒」で「中目黒」は hit? Good! = hit Bad… = No hit レレバンシー: 「京都」で「東京都」が hit? Bad… = hit Good! = No hit Index サイズ Bad… = 大 Good! = 小 © Recruit Co., Ltd., 2024. 165
  136. Sudachi(形態素解析機) 最近は「sudachi」が人気 © Recruit Co., Ltd., 2024. 166 https://github.com/WorksApplications/Sudachi •

    A: 医薬/品/安全/管理/責任/者 • B:医薬品/安全/管理/責任者 • C:医薬品安全管理責任者
  137. • ClassicTokenizerFactory • EdgeNGramTokenizerFactory • HMMChineseTokenizerFactory • ICUTokenizerFactory • JapaneseTokenizerFactory

    • KeywordTokenizerFactory • LetterTokenizerFactory • LowerCaseTokenizerFactory • NGramTokenizerFactory • PathHierarchyTokenizerFactoryPatternTokenizerFactory • StandardTokenizerFactory • ThaiTokenizerFactory • UAX29URLEmailTokenizerFactory • UIMAAnnotationsTokenizerFactory • UIMATypeAwareAnnotationsTokenizerFactory • WhitespaceTokenizerFactory • WikipediaTokenizerFactory © Recruit Co., Ltd., 2024. 167 Lucene の Tokenizer
  138. • ClassicTokenizerFactory • EdgeNGramTokenizerFactory • HMMChineseTokenizerFactory • ICUTokenizerFactory • JapaneseTokenizerFactory

    • KeywordTokenizerFactory • LetterTokenizerFactory • LowerCaseTokenizerFactory • NGramTokenizerFactory • PathHierarchyTokenizerFactoryPatternTokenizerFactory • StandardTokenizerFactory • ThaiTokenizerFactory • UAX29URLEmailTokenizerFactory • UIMAAnnotationsTokenizerFactory • UIMATypeAwareAnnotationsTokenizerFactory • WhitespaceTokenizerFactory • WikipediaTokenizerFactory © Recruit Co., Ltd., 2024. 169 Lucene の Tokenizer 「京都」で「東京都」
  139. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 171
  140. Precision and Recall © Recruit Co., Ltd., 2024. 173 適合率と再現率

    一般的な二値分類の評価一緒 パッーと流してOK
  141. 理想の検索結果 C 実際の検索結果 B A 再現率= C A 適合率= B

    A © Recruit Co., Ltd., 2024. 175 適合率と再現率
  142. F-measure の値が大きければ、バランスのとれた良い結果 F-measure = 適合率 ( 1 + 再現率 1

    ) 2 © Recruit Co., Ltd., 2024. 182 F-measure:適合率と再現率のバランス
  143. 理想の検索結果 C 実際の検索結果 B A © Recruit Co., Ltd., 2024.

    184 実際の結果と理想の結果を全部?
  144. { "_score" : 656.68774, "_source" : { "nikki_kuromoji" : "雪の目黒",

    "nikki_ngram" : "雪の目黒“ } }, { "_score" : 23.361103, "_source" : { "nikki_kuromoji" : "雨の中目黒", "nikki_ngram" : "雨の中目黒“ } } © Recruit Co., Ltd., 2024. 191 「Elasticsearch は何か出しているよ?」
  145. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 192
  146. TF-IDF and Okapi BM25b • 何なの? – アルゴリズム • 入力は?

    – 文章の集合 • 出力は? – 各文章の各単語にスコアを付与 • スコアは何を表すの? – 各文章の各単語の重要度 © Recruit Co., Ltd., 2024. 194
  147. TF-IDF and Okapi BM25b • 何なの? – アルゴリズム • 入力は?

    – 文章の集合 • 出力は? – 各文章の各単語にスコアを付与 • スコアは何を表すの? – 各文章の各単語の重要度 Linux: 0.3 Windows:0.1 ぶり: 4.2 Linux: 1.3 Windows:2.3 まぐろ: 3.8 Linux: 5.4 FreeBSD:10.3 大根: 2.1 © Recruit Co., Ltd., 2024. 195
  148. © Recruit Co., Ltd., 2024. 199 【脱線】逆にすることができる!!! 検索クエリー①: たらこ+1万円以上 Document

    A 検索クエリー②: 辛子明太子+20万円以上 検索クエリー③: 甘口明太子+1000円以下 ⇒ クエリー を保存
  149. 2つの文章での「Linux」 Linux Linux(リナックス、 他の読みは後述)は、 UnixライクなOSカー ネルである)。 OS オペレーティングシステム(英語: Operating System、

    OS、オーエス)と は、コンピュータのオペレーション (操作・運用・運転)のために、ソ フトウェアの中でも基本的、中核的 位置づけのシステムソフトウェアで ある。通常、OSメーカーが組み上げ たコンピュータプログラムの集合と して、作成され提供されている。 … フリーなOSは、Linux、FreeBSD… … どちらの文章が「Linux」に関して重要度が高いか?! = 価値が高いか?! < 直感的 ? 定量的 © Recruit Co., Ltd., 2024. 200
  150. TF-IDF • TF=Term Frequency=Termの頻度 あるドキュメントの中で、どれだけその Term が出現したか? ⇒ いっぱい出てくる単語は重要だ •

    IDF:IDF=Inverse Document Frequency=逆文章頻度 ある Term が全体の中でどれほどレアか? ⇒ レアな単語は重要だ • TF-IDF = TF×IDF あるドキュメント D の中の、Term T がどれほど重要か?は、 (TF: D の中での T の頻出度)×(IDF: T の全体でのレア度) © Recruit Co., Ltd., 2024. 202
  151. TF-IDF:TF=Term Frequency=Termの頻度 Linux Linux(リナックス、 他の読みは後述)は、 UnixライクなOSカー ネルである)。 Linux: 2 リナックス:

    1 読み: 1 Unix: 1 一つの文章に現れる Term の出現回数 沢山出現すれば それだけ重要 © Recruit Co., Ltd., 2024. 203
  152. TF-IDF:IDF=Inverse Document Frequency=逆文章頻度 • Linux • である IDF = log

    Term T が現れる文章数 総文章数 • 野菜 • である • 野菜 • がある • Linux • がある • 肉 • である IDF(Linux) = log 2 5 = 0.39 IDF(である) = log 3 5 = 0.22 > 定量的 Linux である © Recruit Co., Ltd., 2024. 204
  153. TF-IDF:IDF=Inverse Document Frequency=逆文章頻度 • 逆である意味は?! – 現れるドキュメントが、多ければ多いほど、重要度を下げたい (逆比例:「である」等は小、「しめ鯖」等は大) • log

    を取る意味は?! – 非常に大きな総文章数の場合のためのノーマライズ (ノーマラナイズしないとTFの意味がなくなる) © Recruit Co., Ltd., 2024. 205 IDF = log Term T が現れる文章数 総文章数
  154. TF-IDF あるドキュメント D の中の、 Term T がどれほど重要か?は、 (TF: D の中での

    T の頻出度) × (IDF: 文章全体での T のレア度) © Recruit Co., Ltd., 2024. 206
  155. TF-IDFの注意(良いところ) あるドキュメント D に対して Term が異なれば、TF-IDFも異なる しめ鯖 ⇒ 0.8492 Linux

    ⇒ 0.0234 月刊 Linux 2018/04/24 号 今月の月刊 Linux では、 カーネルの特集を… …ところでしめ鯖は美味 しいですね。僕も… © Recruit Co., Ltd., 2024. 207
  156. BM25: TF-IDFが不都合な場合 Linux Linux(リナックス、 他の読みは後述)は、 UnixライクなOS カーネルである)。 Linux Linux Linux

    Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux … TF(Linux) = 14,352 TF(Linux) =2 > これは不都合 注)IDFはどちらも一緒 © Recruit Co., Ltd., 2024. 209
  157. BM25: TF-IDFが不都合な場合 Linux Linux(リナックス、 他の読みは後述)は、 UnixライクなOS カーネルである)。 Linux Linux Linux

    Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux Linux … TF(Linux) = 14,352 TF(Linux) =2 > これは不都合 注)IDFはどちらも一緒 © Recruit Co., Ltd., 2024. 210 単語数! 14,352 > 23
  158. BM25の定義 ・TF = 単語(Linux)の出現数 ・IDF = 単語レア度(Linuxのレア度) ・DL = ドキュメントの単語数(23)

    ・avgDL = 全てのドキュメントの単語数の平均 (=320) ・2つのパラメータk1, b k1 は 2 が最も最適と言われている b は 0.75 が最も最適と言われている BM25(Linux) = TF × IDF × TF+k1 ×(1-b+b× ) k1 + 1 avgDL DL © Recruit Co., Ltd., 2024. 211 Linux Linux(リナックス、 他の読みは後述)は、 UnixライクなOS カーネルである)。
  159. BM25の意味 BM25(Linux) = TF × IDF × TF+k1 ×(1-b+b× )

    k1 + 1 avgDL DL 単語を沢山もつ場合は 一つの単語の価値を減点↓ 単語を沢山もつ場合は減点だが それが平均に対して小さければ 加点↑ ・TF = 単語の出現数 ・IDF = 単語レア度 ・DL = ドキュメントの単語数 ・avgDL = 全てのドキュメントの単語数の平均 © Recruit Co., Ltd., 2024. 212 単に単語を沢山もつ場合は 減点↓
  160. BM25 and TF-IDF Linux はフリー のOSカーネル であり、… FreeBSDは Unix系のオー プンソースの…

    今年のじゃがい もはとても不作 だった。 日本ではこの時 期のブリを特に 「寒ブリ」と • Linux: 23 • OS: 11 • カーネル: 17 • は: 0.331 • あり: 3.65 • の: 0.003 • です: 0.0001 • は: 0.000053 • の: 0.023 • FreeBSD: 65 • OS: 9 • カーネル: 5 • じゃがいも: 42 • 不作: 58 • 今年: 2 • だった:0.003 • は: 0.00428 • の: 0.00084 • 寒ブリ: 90 • 日本: 3 • 時期: 1.8 • 特に: 0.2 • の: 0.00189 レアではないワードはスコア小 特徴的 Term はスコア大 © Recruit Co., Ltd., 2024. 213
  161. { "_score" : 656.68774, "_source" : { "nikki_kuromoji" : "雪の目黒",

    "nikki_ngram" : "雪の目黒“ } }, { "_score" : 23.361103, "_source" : { "nikki_kuromoji" : "雨の中目黒", "nikki_ngram" : "雨の中目黒“ } } © Recruit Co., Ltd., 2024. 218 「Elasticsearch は何か出しているよ?」⇒ Okapi BM25b
  162. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 222
  163. そんなあなたへ nDCG • nDCG (= normalized Discounted Cumulative Gain) •

    直訳すると「正規化された効果減少の累積報酬」 • ランキングの精度評価指標 • ランキングを行うシステムの評価に利用できるので、 特に、検索だけがターゲットではない。 例)レコメンドシステム、広告システム • nDCG も理想のランキングとの乖離具合を数値化 © Recruit Co., Ltd., 2024. 223
  164. nDCG の仲間達 • nDCG • Precision@k • mAP (Mean Average

    Precision) • MMR (Maximal Marginal Relevance) © Recruit Co., Ltd., 2024. 224
  165. nDCG:実際のカスタマーの行動 クエリー「からし明太子」 ① 辛子明太子 ゴールデンサイズ ② 明太子!【送料無料】てんこ盛り ③ からし明太子高菜80g×2パック ④【送料無料】極上

    辛子明太子 1kg ⑤ パスタソース 逸品 からし明太子 クリック 購入 クリック 購入 クリック 購入 クリック 購入 クリック 購入 © Recruit Co., Ltd., 2024. 228
  166. 表示された クリックされた CTR と CVR PV (Page View): 表示された回数 CTR

    = 表示された回数 クリックされた回数 (Click Through Rate) © Recruit Co., Ltd., 2024. 232
  167. 表示された クリックされた 購入された CTR と CVR PV (Page View): 表示された回数

    CTR = 表示された回数 クリックされた回数 (Click Through Rate) CVR = 表示された回数 購入された回数 (Conversion Rate) ※何を Conversion と考えるか?はサービス次第 © Recruit Co., Ltd., 2024. 233
  168. nDCG:実際のカスタマーの行動 クエリー「からし明太子」 ① 辛子明太子 ゴールデンサイズ ② 明太子!【送料無料】てんこ盛り ③ からし明太子高菜80g×2パック ④【送料無料】極上

    辛子明太子 1kg ⑤ パスタソース 逸品 からし明太子 クリック 購入 クリック 購入 クリック 購入 クリック 購入 クリック 購入 © Recruit Co., Ltd., 2024. 234
  169. nDCG:実際のカスタマーの行動 クエリー「からし明太子」 ① 辛子明太子 ゴールデンサイズ ② 明太子!【送料無料】てんこ盛り ③ からし明太子高菜80g×2パック ④【送料無料】極上

    辛子明太子 1kg ⑤ パスタソース 逸品 からし明太子 クリック 購入 クリック 購入 クリック 購入 クリック 購入 クリック 購入 2位なのに 頑張っている 4位なのに断トツ?! 1位なのに普通かな ③と④は上下反転?! © Recruit Co., Ltd., 2024. 237
  170. nDCG:実際の結果 クエリー「からし明太子」 ① 辛子明太子 ゴールデンサイズ ② 明太子!【送料無料】てんこ盛り ③ からし明太子高菜80g×2パック ④【送料無料】極上

    辛子明太子 1kg ⑤ パスタソース 逸品 からし明太子 クリック 購入 クリック 購入 クリック 購入 クリック 購入 クリック 購入 © Recruit Co., Ltd., 2024. 238
  171. nDCG:理想の結果 クエリー「からし明太子」 ① 辛子明太子 ゴールデンサイズ ② 明太子!【送料無料】てんこ盛り ③ からし明太子高菜80g×2パック ④【送料無料】極上

    辛子明太子 1kg ⑤ パスタソース 逸品 からし明太子 クリック 購入 クリック 購入 クリック 購入 クリック 購入 クリック 購入 © Recruit Co., Ltd., 2024. 239
  172. nDCG:理想の結果 クエリー「からし明太子」 ① 辛子明太子 ゴールデンサイズ ② 明太子!【送料無料】てんこ盛り ③ からし明太子高菜80g×2パック ④【送料無料】極上

    辛子明太子 1kg ⑤ パスタソース 逸品 からし明太子 クリック 購入 クリック 購入 クリック 購入 クリック 購入 クリック 購入 元々1位だったアド バンテージを考慮 していない © Recruit Co., Ltd., 2024. 240
  173. nDCG:スコア ① 辛子明太子 ゴールデンサイズ ② 明太子!【送料無料】てんこ盛り ③ からし明太子高菜80g×2パック ④【送料無料】極上 辛子明太子

    1kg ⑤ パスタソース 逸品 からし明太子 クリック 購入 クリック 購入 クリック 購入 クリック 購入 クリック 購入 S1=150 S2=110 S3=45 S5=60 S4=250 1. 各順位の結果はスコアをもっている (例: クリック数+購入数×100) © Recruit Co., Ltd., 2024. 242
  174. nDCG:Top 5 のスコア ① 辛子明太子 ゴールデンサイズ ② 明太子!【送料無料】てんこ盛り ③ からし明太子高菜80g×2パック

    ④【送料無料】極上 辛子明太子 1kg ⑤ パスタソース 逸品 からし明太子 クリック 購入 クリック 購入 クリック 購入 クリック 購入 クリック 購入 S1=150 S2=110 S3=45 S5=60 S4=250 2. 各順位に応じて、ペナルティ を与え、全体のスコアを計算 DCG5= S1 + + + … log2 S2 log3 S3 © Recruit Co., Ltd., 2024. 243
  175. nDCG:理想の結果のDCG=iDCG (ideal DCG) ① 辛子明太子 ゴールデンサイズ ② 明太子!【送料無料】てんこ盛り ③ からし明太子高菜80g×2パック

    ④【送料無料】極上 辛子明太子 1kg ⑤ パスタソース 逸品 からし明太子 クリック 購入 クリック 購入 クリック 購入 クリック 購入 クリック 購入 3. スコア順の DCG を求める = iDCG ⇒ DCG が MAX DCG5= S4 + + + … log2 S1 log3 S2 S4=250 S1=150 S2=110 S3=45 S5=60 © Recruit Co., Ltd., 2024. 244
  176. nDCG:ちょっと改善してみる ① 辛子明太子 ゴールデンサイズ ② 明太子!【送料無料】てんこ盛り ③ からし明太子高菜80g×2パック ④【送料無料】極上 辛子明太子

    1kg ⑤ パスタソース 逸品 からし明太子 クリック 購入 クリック 購入 クリック 購入 クリック 購入 クリック 購入 © Recruit Co., Ltd., 2024. 247
  177. nDCG:ちょっと改善してみる ① 辛子明太子 ゴールデンサイズ ② 明太子!【送料無料】てんこ盛り ③ からし明太子高菜80g×2パック ④【送料無料】極上 辛子明太子

    1kg ⑤ パスタソース 逸品 からし明太子 クリック 購入 クリック 購入 クリック 購入 クリック 購入 クリック 購入 © Recruit Co., Ltd., 2024. 248
  178. nDCG = 518.78 489.23 = 0.94 © Recruit Co., Ltd.,

    2024. 249 理想の結果の94%
  179. 実際の改善では? • 「ドキュメントは新しい方が良さそうだ」 ⇒ 登録日時を考慮 • 「このクエリーのときにはこういう価格帯が良さそうだ」 ⇒ 価格帯を考慮 •

    「あまり見られていなドキュメントにも可能性があるのでは?」 ⇒ 公平性を考慮 • 「ユーザーの評価も含めるべきではないか?」 ⇒ ユーザー評価を考慮 © Recruit Co., Ltd., 2024. 254 既成概念や過去の成功体験はありまり役荷立たない ⇒ A/B テストの繰り返し
  180. 注意点!! • 「ドキュメントは新しい方が良さそうだ」 ⇒ 登録日時を考慮 • 「このクエリーのときにはこういう価格帯が良さそうだ」 ⇒ 価格帯を考慮 •

    「あまり見られていなドキュメントにも可能性があるのでは?」 ⇒ 公平性を考慮 • 「ユーザーの評価も含めるべきではないか?」 ⇒ ユーザー評価を考慮 © Recruit Co., Ltd., 2024. 255 既存のスコアを計算できないケースに注意!!
  181. © Recruit Co., Ltd., 2024. 256 現実的で実際的な検索結果の評価 • メジャークエリー(ロングテールだったとしても…)の nDCG

    • 積分して全体の7割でもカバー出来れば大捕物 • 悪いクエリーのカテゴライズ • 例 • 新規ドキュメントの比重 (十分インプレッションされているか?) • 特定の内容に偏りがないか (あるドメインばかりの結果で埋め尽くされる) • 地域系のクエリーが悪い (例: 東京、大阪) • 特定の属性に関するクエリーが悪い (例: 色、規格)
  182. 実際の改善では? • 「ドキュメントは新しい方が良さそうだ」 ⇒ 登録日時を考慮 • 「このクエリーのときにはこういう価格帯が良さそうだ」 ⇒ 価格帯を考慮 •

    「あまり見られていなドキュメントにも可能性があるのでは?」 ⇒ 公平性を考慮 • 「ユーザーの評価も含めるべきではないか?」 ⇒ ユーザー評価を考慮 © Recruit Co., Ltd., 2024. 258 既成概念や過去の成功体験はありまり役荷立たない ⇒ A/B テストの繰り返し
  183. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? © Recruit Co., Ltd., 2024. 260
  184. アジェンダ • 検索とは何か? • 転置インデックスとは何か? • 転置インデックスを実装するには? • 分散検索とは何か? •

    Term とは何か? • 良い検索結果とは何か? • 検索結果のスコアとは何か? • 良いランキングとは何か? • 良いランキングを作るとは何か? • おまけ: RAG © Recruit Co., Ltd., 2024. 262
  185. RAG とは? • RAG (Retrieval Augmented Generation) ⇒ 日本語では「検索拡張生成」 •

    一体何を拡張するの? ⇒「検索拡張生成(RAG)とは、テキスト生成をプライベートデータソースまたは 独自のデータソースからの情報で補完する技術のことです。 」(検索拡張生成 (RAG)とは? ) • 何に使うの?! ⇒ 質問に対する回答、コンテンツを生成、セマンティクス検索 例: クエリー「はんだ付けの手順」※ 文字列検索ではない! • 何でそんなにもてはやされているの?! ⇒ 新規の学習をするのではなく(例: 社内情報=社員以外不要、最新情報、そもそも 学習していない情報)、検索結果を生成AIに渡し、回答を生成させる © Recruit Co., Ltd., 2024. 263
  186. LLM (Large Language Model) の問題点を RAG が解決する?! • LLM の問題点とは?!

    ⇒ 幻覚(ハルシネーション)を引き起こす ⇒ 知識更新が遅い ⇒ 回答の透明性の欠如 • 幻覚(ハルシネーション= hallucinations) とは? ⇒ AI が勝手に回答を作りだす • 知識更新が遅い(slow knowledge updates)?! ⇒ そもそも、学習していない • 回答の透明性の欠如 (lack of transparency)?! ⇒「ほんまかいな?!」の検証 © Recruit Co., Ltd., 2024. 264
  187. © Recruit Co., Ltd., 2024. 265 RAG:より良い参考ページ • Elastic: •

    検索拡張生成(RAG)とは? • Amazon (AWS): • RAG とは何ですか? • Google (Google Cloud): • Your RAGs powered by Google Search technology, part 1 • Your RAGs powered by Google Search technology, part 2 • Arxiv.org: • Retrieval-Augmented Generation for Large Language Models: A Survey
  188. © Recruit Co., Ltd., 2024. 266 RAG のコア • Retriever

    ⇒ 関連する情報の取得 (検索: LLM に供給するデータの精度) • Generator ⇒ Retriever から受け取ったデータから、自然で流暢な自然文を生成 • Augmentation ⇒ 統合:Retriever と Generator の情報を統合