検索結果の品質向上

検索結果の品質向上守谷純之介（株）リクルートプロダクト統括本部プロダクト開発統括室データ推進室データプロダクトユニットデータプロダクトマネジメント１部検索エンジニアリング２グループ
© Recruit Co., Ltd., 2023. 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., 2023. 2 アジェンダ

目標 • プリミティブな検索エンジンを作ってみよう • どのようなデータ構造を採用すればいいの？ • どんな実装をすれば良いの？ • 分散システムの良いところ・悪いところを、作って理解しよう
• 検索品質の改善とは何か？理解しよう • どんなことが問題になるのか？ • そもそも品質って何なのか？ © Recruit Co., Ltd., 2023. 3

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., 2023. 4 Compiler が好きです。何の貢献もできないけど… 著者の Aho & Ullman は 2020年度チューニング賞受賞！！ https://awards.acm.org/about/2020-turing

自己紹介 © Recruit Co., Ltd., 2023. 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…

自己紹介 © Recruit Co., Ltd., 2023. 6 ChatGPT とおしゃべりしているのが、心休まる今日このごろ…
早く ChatGPT が老人介護してくれるようになりませんかね…

Bazz: 自動応答 Bot © Recruit Co., Ltd., 2023. 7 https://help.jalan.net/s/

Qass: 検索チームのシンプル API サービスを担当 © Recruit Co., Ltd., 2023. 8
サジェスト or オートコンプリート

https://atmarkit.itmedia.co.jp/ait/series/29245/

ちょっと変わった検索 Document かわいい美味しい和風 Document には書いていないけど…

ちょっと変わった検索 Document A Document を分差表現して… [0.23, 0.54,…] [0.22, 0.58,…] ユーザーの好み Document A Document B Document C

コサイン類似度 © Recruit Co., Ltd., 2023. 12 𝑠𝑖𝑚 𝑎, 𝑏
= cos 𝜃 = 𝑎 ∙ 𝑏 | 𝑎 | ∙ | 𝑏 | 𝑎 𝑏 𝜃 Document A ユーザーの好み

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., 2023. 13

今日は扱わない検索 © Recruit Co., Ltd., 2023. 14 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 https://a.co/d/6GWYMi7 https://amzn.asia/d/20TRTt5

今日扱う検索 ① © Recruit Co., Ltd., 2023. 15 Introduction to
Information Retrieval Modern Information Retrieval Information Retrieval: Implementing and Evaluating Search Engines IR＝情報検索 https://a.co/d/38BDNKx https://a.co/d/aSseRE9 https://a.co/d/37WAL89

今日扱う検索 ② © Recruit Co., Ltd., 2023. 16 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

今日扱う検索 ③ © Recruit Co., Ltd., 2023. 17 の index
の index ちょっとだけ

今日扱う検索！！ © Recruit Co., Ltd., 2023. 18 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

今日扱う検索！！ © Recruit Co., Ltd., 2023. 19 Elasticsearch server Apache
Solr 入門株式会社リクルートテクノロジーズ (監修)

© Recruit Co., Ltd., 2023. 20 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！！！！！

２つの検索の Pros & Cons © Recruit Co., Ltd., 2023. 21
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！！

転置インデックスでの２つのフェーズ © Recruit Co., Ltd., 2021. 23 Search & Indexing
Apache Book Car Dog … 10, 25 … 2, 57 … 15, 17 …98, 101

Indexing: 事前準備＝転置 index の作成 © Recruit Co., Ltd., 2023. 24
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

Search: AND 検索 © Recruit Co., Ltd., 2023. 25 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]

Search: OR 検索 © Recruit Co., Ltd., 2023. 26 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]

Search: マージは大変 © Recruit Co., Ltd., 2023. 27 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

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., 2023. 28 転置 index Linux カーネルリリース A A B B

転置 Index (Inverted Index) とは？まぁ… ただのハッシュテーブルw © Recruit Co.,
Ltd., 2023. 29 転置 index Linux カーネルリリース A A B B

目標 • プリミティブな検索エンジンを作ってみよう • どのようなデータ構造を採用すればいいの？ • どんな実装をすれば良いの？ • 分散システムの良いところ・悪いところを、作って理解しよう
• 検索品質を改善してみよう • どんな方法がとれるの？ • そもそも品質って何？ © Recruit Co., Ltd., 2023. 30

２つの検索戦略 © Recruit Co., Ltd., 2023. 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

TAAT (Term At A Time) における AND 検索 © Recruit
Co., Ltd., 2023. 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 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！！

TAAT (Term At A Time) における OR 検索 © Recruit
Co., Ltd., 2023. 35 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…

DAAT (Document At A Time) の基本 © Recruit Co., Ltd.,
2023. 37 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

DAAT (Document At A Time) における AND 検索 © Recruit
Co., Ltd., 2023. 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 = []

Co., Ltd., 2023. 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]

Co., Ltd., 2023. 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]

Co., Ltd., 2023. 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 • 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]

DAAT (Document At A Time) における OR 検索 © Recruit
Co., Ltd., 2023. 42 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…

TAAT vs DAAT © Recruit Co., Ltd., 2023. 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 • 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

TAAT vs DAAT © Recruit Co., Ltd., 2023. 44 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_so lr_8/slides/3325/SchindlerLucene8Slides.pdf • https://mocobeta.github.io/slides-html/search-tech-talk-1/search-tech-talk-1.html 今でも効率的なアルゴリズムの研究が続いている

実装することなんてあるの？ © Recruit Co., Ltd., 2023. 46 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

Lucene © Recruit Co., Ltd., 2023. 47 • 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

Lucene がベースにしているアーキテクチャを知ろう！ © Recruit Co., Ltd., 2023. 48 Data Structure?
Where and How?

Where and How?

一般的な index のデータ構造 © Recruit Co., Ltd., 2023. 50 •
B木（B-tree） • B+木（B+-tree） • B*木（B*-tree） • Skip-List

Posting List (Skip List) © Recruit Co., Ltd., 2023. 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

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

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！?

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

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

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 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

Lucene の Posting List (Skip List) © Recruit Co., Ltd.,
2023. 60 • https://gitbox.apache.org/repos/asf?p=lucene.git;a=blob;f=lucene/core/src/java/org/apache/lucene/codecs/MultiLevelSkipListWriter.java • https://gitbox.apache.org/repos/asf?p=lucene.git;a=blob;f=lucene/core/src/java/org/apache/lucene/codecs/MultiLevelSkipListReader.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

Lucene の Posting List (Skip List) © Recruit Co., Ltd.,
2023. 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

一般的な index のデータ構造 © Recruit Co., Ltd., 2023. 62 •
B木（B-tree） • B+木（B+-tree） • B*木（B*-tree） • Skip-List

B+木 © Recruit Co., Ltd., 2023. 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？

ブロックデバイス © Recruit Co., Ltd., 2023. 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

Where and How?

ブロックデバイス？メモリーの間違いでは？ © Recruit Co., Ltd., 2023. 66

無邪気にメモリーには置けない… © Recruit Co., Ltd., 2022. 67 揮発

他にもすることがある！Search のマージは大変 © Recruit Co., Ltd., 2023. 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

それではどうするのか？ © Recruit Co., Ltd., 2023. 69

Practice① © Recruit Co., Ltd., 2023. 70 👉

Practice①: 課題のゴール © Recruit Co., Ltd., 2023. 71 • 転置インデックスの構造を知る
• Indexing と Search のフェーズが分離されていることを知る • 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る • 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知る課題のゴール

Practice①: 準備 © Recruit Co., Ltd., 2023. 72 • Python
3 系ならば Good • Python 2 系でも OK • 環境を汚さないようにするには、 pyenv がお勧め • (実務では、Dev Container 等なのでご安心を！) Python の実行環境課題の参考資料をダウンロード • moriya-search-2023-practice.tgz をダウンロード • かなり raw level な python のプログラム！（実業務では、こんな raw level なプログラムと環境ではないので、ご安心を） ※1 ※1 こちらの資料では、参考資料を省略させて頂きます。課題の内容と資料のみから、ご想像頂ければと思います。

Practice①: 【課題】転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 73 • 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

Practice①: 【戦略】転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 74 • 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

Practice①: 【仕様】転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 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

Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 76 参考資料の解説① •
課題の解説プログラム (全部 python版) • p0_dict_index.py • p0_dict_search.py • 回答例！！ (まずは見ないで頑張ろう！) • p1_answer_file_index.py • p1_answer_file_search.py • 楽するための課題共通ライブラリ • posting_list.py • search.py • term.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

Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2022. 77 参考資料の解説② •
「課題が分からん！」という人（多分、皆さんそうかも…）は以下を参考に • p0_dict_index.py • p0_dict_search.py • p0_dic_* 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 • 「Python の辞書ファイル」はそのまま「Python のオブジェクトをファイルに保存」で OK (pickle 版流用でOK) • 以下は、その実装の一例（回答！！）: • p1_answer_file_index.py • p1_answer_file_search.py 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

Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 78 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.py • Posting List に対して、AND と OR 検索を提供するクラス • ものすごく端折ってあり、set を使って楽しています • TAAT を仮定しています • TAAT と DAAT に興味があった人は、DAAT を実装するのも OK (Level5)

Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 79 参考資料の解説③ •
課題解説プログラムの実行方法 # 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) $ ./p0_dict_index.py # 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） $ ./p0_dict_search.py

Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 80 参考資料の解説④ 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）

Practice①: 【資料】転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 81 参考資料の解説⑤ •
p1_answer_file_index.py で採用したデータ構造 (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

Practice①: 転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 82 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 〜 1. p0_dict_index.py を実行してみる 2. p0_dict_search.py を実行してみる 3. p1_file_index.py を実装してみる • 2つのファイルの転地インデックスを実装: • index_offset.dat: (Python 辞書ファイル) • index_posting_list.dat (Posting List ファイル) 4. p1_file_search.py を実装してみる 16^5 index_offset.dat index_posting_list.dat

Practice①: 【レベル】転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 83 課題のレベル •
Level0: p0_dict_index.py と p0_dict_search.py を実行して中身をみて、「課題が何なのか？」だけでも知る • Level1: 疲れたので、p1_answer_file_index.py と p1_answer_file_search.py を実行だけしてみる • Level2: p1_file_index.py と p1_file_search.py を作ってみる（完成しなくても OK） • Level3: 保存される Posting List のフォーマットが見にくいので、変えてみる • Level4: 自力で p1_file_index.py と p1_file_search.py を作る • Level5: TAAT ではなく、DAAT で検索を書き換える（search.py を変更。オススメしません）

Practice①: 【参考】転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 84 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 で見つけ出し、readline で OK！

Practice①: 【参考】転置インデックスを実装してみよう © Recruit Co., Ltd., 2023. 85 Python のプロファイラーや
time コマンドでの比較 $ python -m cProfile -s cumtime p0_dict_search.py $ python -m cProfile -s cumtime p1_file_search.py $ time ./p0_dict_search.py $ time ./p1_file_search.py

Practice① © Recruit Co., Ltd., 2023. 86 👉 • 転置インデックスの「作成フェーズ」と「検索フェーズ」
• dict_* に比べて file_* が遅いことを実感できましたか？！ • Load の時間も気になりましたか？！

実際はどうなの？ © Recruit Co., Ltd., 2023. 88

Where and How?

mmap © Recruit Co., Ltd., 2023. 90

mmap © Recruit Co., Ltd., 2023. 91 • 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

mmap © Recruit Co., Ltd., 2023. 92 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

Elasticsearch の推奨設定 © Recruit Co., Ltd., 2023. 93 “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.” 【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）

Lucene の index 格納 © Recruit Co., Ltd., 2023. 94
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

Indeed の独自実装: util-mmap © Recruit Co., Ltd., 2023. 95 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

おまけ: それでも Disk からデータは引き出す © Recruit Co., Ltd., 2023. 96
• 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

おまけ: 圧縮のトレードオフ © Recruit Co., Ltd., 2023. 97 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！

Luceneで利用できる圧縮方式 © Recruit Co., Ltd., 2023. 98 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

Practice② © Recruit Co., Ltd., 2023. 99 👉

Practice②: 転置インデックスを mmap で実装してみよう © Recruit Co., Ltd., 2023. 100
• 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

要求される仕様 • 扱う index は Practice①と同じ • 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 • 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&n ew=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 • Posting List を mmap で実装しよう Index Process Process Process

参考資料の解説① • p1_file_index.py と p1_file_search.py とかなり似通った作りになります。 • update 機能は別途切り出して p2_mmap_update.py 等を作成（同名ファイルがあるので注意！） • 新たに http サーバーを作りますが、面倒ならば、p2_mmap_server.py をご参考に • p2_mmap_server.py で各リクエストに対して、以下が動くイメージ: • p2_mmap_index.py • p2_mmap_search.py • p2_mmap_update.py

参考資料の解説② • 課題のゴールは以下の作成: 1. p2_mmap_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！) • p1_file_index.py で出力したファイルで OK。 • index_offset.dat • index_posting_list.dat 2. p2_mmap_search.py 3. p2_mmap_update.py 4. p2_mmap_server.py

参考資料の解説② • p2_answer_mmap_server.py の使い方 # サーバー立ち上げ（port 番号指定） $ ./p2_answer_mmap_server.py 8000 & # サーバー停止 $ fg （して、Ctrl-C） # ブラウザで確認 • http://localhost:8000/and?term=T:FFFD7,T:FFFDD • http://localhost:8000/or?term=T:FFFD7,T:FFFDD • http://localhost:8000/update?term=T:FFFD7&old=D:097&new=D:098

課題のレベル • Level0: p2_answer_mmap_server.py を実行して中身をみて、「課題が何なのか？」だけでも知る • Level1: 疲れたので、p2_mmap_server.py で遊ぶ • Level2: 複数サーバーを立ち上げて、共通メモリの動作を学ぶ • Level3: p2_mmap_index.py と p2_mmap_search.py を作る • Level4: サーバーを自力で作る • Level5: 全部自力で作る # サーバーを複数立ち上げ $ ./p2_answer_mmap_server.py 8000 & $ ./p2_answer_mmap_server.py 8001 & $ ./p2_answer_mmap_server.py 8002 & # あるサーバーから update を実行して、 # 他のサーバーので検索結果が変化するのを確認

Practice② © Recruit Co., Ltd., 2023. 106 👉 • dic_*
と file_* 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？！

Where and How?

「マルチプロセスというか、そもそも1台に置けないのですけど…」 © Recruit Co., Ltd., 2023. 109

Solr や Elasticsearch は何を提供してくれているの？ © Recruit Co., Ltd., 2023. 110
• 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

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., 2023. 112

分散検索: indexing UNIX mmap Linux UNIX mmap Linux UNIX mmap
Linux © Recruit Co., Ltd., 2023. 113

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., 2023. 114

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., 2023. 115

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 116 © Recruit Co., Ltd., 2023.

• 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） 117 A Shard C Shard B Shard C Shard A Shard B Shard ✗ © Recruit Co., Ltd., 2023.

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 118 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., 2023.

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 119 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., 2023.

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！ 120 A Shard C Shard B Shard C Shard A Shard B Shard © Recruit Co., Ltd., 2023.

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., 2023. 121 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

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 122 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., 2023.

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 3 123 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., 2023.

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] 124 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., 2023.

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] 125 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., 2023.

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 126 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., 2023.

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。 127 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., 2023.

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… 128 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., 2023.

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 100 129 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., 2023.

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 100 130 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 © Recruit Co., Ltd., 2023. 【重要】もちろんキャッシュが使えて、最重要！

Practice③ © Recruit Co., Ltd., 2023. 132 👉

Practice③: 分散検索を実装してみよう © Recruit Co., Ltd., 2023. 133 • 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 /_and?term=AAAAA ③ local 検索 ③ local 検索 ② 分散検索 /_and?term=BBBBB

Practice③: 分散検索を実装してみよう © Recruit Co., Ltd., 2023. 134 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 • 分散させずに、ローカルで解決する検索は • /_and?term=AAAAA,BBBBBで AND 検索 • /_or?term=AAAA,BBBBBで OR 検索 • 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 • 分散検索時には、各ノードで一つの term に対する処理（単に Posting List を返すだけの処理）だけ行えば OK（_and でも _or でもどちらを使っても構わない） • term に従ってサーバーを固定してみる Index ① Request /and?term=AAAAA,BBBBB ② 分散検索 /_and?term=AAAAA ③ local 検索 ③ local 検索 ② 分散検索 /_and?term=BBBBB

Practice③: 分散検索を実装してみよう © Recruit Co., Ltd., 2023. 135 参考資料の解説① •
p2_mmap_server.py と p2_mmap_search.py を改造すれば OK • /_and と /_or は p2_mmap_server.py の AND 処理と OR 処理と同じ • 今回のサーバーは ThreadingHTTPServer を使わないと詰まってしまう（何故か？は調べてみて下さい） • NODE は固定で OK NODES = [ ‘localhost:8000’, ‘localhost:8001’, ‘localhost:8002’, ] ※ 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_mmap_server.py の変更点: • _and と _or はこれまでの and と or • /and と /or を新たに追加 • p2_mmap_server.py の変更点: • 新たに分散検索を行う search と同じ機能（候補の Posting List のリストを取得）を実装

Practice③: 分散検索を実装してみよう © Recruit Co., Ltd., 2023. 136 課題のレベル •
Level0: p3_answer_dist_server.py を実行して中身をみて、「課題が何なのか？」だけでも知る • Level1: 疲れたので、 p3_answer_dist_server.py で遊ぶ • Level2: ログが分かりにくいので、分かりやすくする • Level3: p3_dist_server.py を作る • Level4: p3_dist_search.pyを作る • Level5: 1台サーバーを落としても、動作するように変更する • Level6: 各サーバーへのリクエストを非同期で投げる • Level∞: サーバー単位でインデックスを分割してみようこれであなたのサーバーも Elasticsearch!!

Practice③: 分散検索を実装してみよう © Recruit Co., Ltd., 2023. 137 # サーバーを複数立ち上げ
$ ./p3_answer_dist_server.py 8000 & $ ./p3_answer_dist_server.py 8001 & $ ./p3_answer_dist_server.py 8002 & # 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 # ブラウザで確認 • http://localhost:8000/and?term=T:FFFD7,T:FFFDD • http://localhost:8000/or?term=T:FFFD7,T:FFFDD • http://localhost:8000/update?term=T:FFFD7&old=D:097&new=D:098

Practice③ © Recruit Co., Ltd., 2023. 138 👉 • 分散処理を作れた感じがつかめましたか？
• Merge の処理がヘビーになる感じがつかめましたか？

ちゃんと話していないこと © Recruit Co., Ltd., 2023. 139

Term （転置インデックスのキー） © Recruit Co., Ltd., 2023. 140

© Recruit Co., Ltd., 2023. 142 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！！

TokenStream = Term（＝文字列＋フィールド）の stream ＋アトリビュート
• https://gitbox.apache.org/repos/asf?p=lucene.git;a=blob;f=lucene/core/src/java/org/apache/lucene/index/Term.java • https://gitbox.apache.org/repos/asf?p=lucene.git;a=blob;f=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., 2023. 143 Lucene の世界の Term と Token

• ClassicTokenizerFactory • EdgeNGramTokenizerFactory • HMMChineseTokenizerFactory • ICUTokenizerFactory • JapaneseTokenizerFactory
• KeywordTokenizerFactory • LetterTokenizerFactory • LowerCaseTokenizerFactory • NGramTokenizerFactory • PathHierarchyTokenizerFactoryPatternTokenizerFactory • StandardTokenizerFactory • ThaiTokenizerFactory • UAX29URLEmailTokenizerFactory • UIMAAnnotationsTokenizerFactory • UIMATypeAwareAnnotationsTokenizerFactory • WhitespaceTokenizerFactory • WikipediaTokenizerFactory © Recruit Co., Ltd., 2023. 144 Lucene の Tokenizer

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., 2023. 148

日本語の Tokenize は… “Elasticsearchは、様々なユースケースを解決する、分散型RESTful 検索/分析エンジンです。” ？ “Elasticsearchは、様々なユースケースを解決する、分散型RESTful 検索/分析エンジンです。” 単純には分割できない？
？ © Recruit Co., Ltd., 2023. 149

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., 2023. 151

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., 2023. 152

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., 2023. 154

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., 2023. 155

Sudachi（形態素解析機）最近は「sudachi」が人気 © Recruit Co., Ltd., 2023. 156 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

Unicode のノーマライズこれは、検索に限らずどこでも使う！！（一般的なプログラミング言語全てで提供。ICU、ありがとう！） • ＡＢＣ ⇒ ABC • ﾄｳｷｮｳ
⇒ トウキョウ • ㌀ ⇒ アパート • ㈱ ⇒ 株式会社 © Recruit Co., Ltd., 2023. 158

• KeywordTokenizerFactory • LetterTokenizerFactory • LowerCaseTokenizerFactory • NGramTokenizerFactory • PathHierarchyTokenizerFactoryPatternTokenizerFactory • StandardTokenizerFactory • ThaiTokenizerFactory • UAX29URLEmailTokenizerFactory • UIMAAnnotationsTokenizerFactory • UIMATypeAwareAnnotationsTokenizerFactory • WhitespaceTokenizerFactory • WikipediaTokenizerFactory © Recruit Co., Ltd., 2023. 159 Lucene の Tokenizer 「京都」で「東京都」

© Recruit Co., Ltd., 2022. 160 Lucene の Tokenizer 「京都」
で「東京都」

「安い順」は良いけど、「適当に良い感じで」って… 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
162 © Recruit Co., Ltd., 2023.

Precision and Recall © Recruit Co., Ltd., 2023. 163 適合率と再現率
理想と現実

適合率と再現率 Precision and Recall 検索結果が適合性：現実における理想の割合再現性：理想における現実の割合 © Recruit Co.,
Ltd., 2023. 164

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., 2023. 165 適合率と再現率

意味：どれほど正確か？＝正確性＝ノイズを含まない比率実際の検索結果（B）に理想の結果（A）が含まれている割合理想の検索結果 C 実際の検索結果 B A © Recruit Co.,
Ltd., 2023. 166 再現率＝ C A 適合率＝ B A 適合率

意味：どれほど網羅しているか？網羅性＝取りこぼしが少ない比率理想の検索結果（C）の内、実際の検索結果として取得できた（A）割合理想の検索結果 C 実際の検索結果 B A © Recruit Co.,
Ltd., 2023. 167 再現率＝ C A 適合率＝ B A 再現率

• 適合率：正確性＝ノイズを含まない比率 • 再現率：網羅性＝取りこぼしが少ない比率理想の検索結果 C 実際の検索結果 B A 再現率＝
C A 適合率＝ B A 適合率と再現率 © Recruit Co., Ltd., 2023.

なんでも正しい1件しか返却しない！ ⇒ 最高 • 適合率を上げれば、再現率は下がり、、 • 再現率を上げれば、適合率が下がる。理想の検索結果 C 実際の検索結果
B A © Recruit Co., Ltd., 2023. 169 再現率＝ C 1 ＝1 適合率＝ B A 極端な適合率

• 適合率を上げれば、再現率は下がり、 • 再現率を上げれば、適合率が下がる。なんでも全件返却する！ ⇒ 最高理想の検索結果 C A
B 実際の検索結果 © Recruit Co., Ltd., 2022. 170 ＝1 再現率＝ C A 適合率＝ B A 極端な再現率

• そもそも「理想の検索結果」とは？ • 機械的に作ることが可能ならば、それを検索結果してしまえば良い • 実際に10万件の結果がある場合、評価可能？！ • メジャーなクエリー1万件ある場合、評価が必要な件数は10億件 • 検索にヒットしなかった結果も評価しないといけない…
• 全部で100万件あり、10万件ヒットしたとしても、残りの90万件も「理想の検索結果」か否かを評価… © Recruit Co., Ltd., 2023. 175 適合率と再現率の検索での非現実性

• クエリー「目黒」で、検索結果に「中目黒」を含めるべきか否か？！ • なかなか分からない • クエリー「京都」で、検索結果に「東京都」を含めるべきか？！ • 含めるべきではない（だろう） • 答えはあるのか？
• 多分、一般的な解はない • どうすればいいのか？ © Recruit Co., Ltd., 2023. 179 検索結果の一般的な評価？

{ "_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., 2022. 181 「Elasticsearch は何か出しているよ？」

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., 2023. 184

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., 2023. 185

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., 2023. 187

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., 2023. 189

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., 2023. 190

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., 2023. 191

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., 2023. 192 IDF ＝ log Term T が現れる文章数総文章数

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., 2023. 194

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., 2023. 196

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., 2022. 197 単語数！ 14,352 ＞ 23

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., 2023. 198 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）。

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., 2023. 199 単に単語を沢山もつ場合は減点↓

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., 2023. 200

• クエリー「目黒」で、検索結果に「中目黒」を含めるべきか否か？！ • なかなか分からない • クエリー「京都」で、検索結果に「東京都」を含めるべきか？！ • 含めるべきではない（だろう） • 答えはあるのか？
• 多分、一般的な解はない • どうすればいいのか？ © Recruit Co., Ltd., 2023. 202 検索結果の一般的な評価？

{ "_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., 2023. 204 「Elasticsearch は何か出しているよ？」⇒ Okapi BM25b

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., 2023. 209

nDCG の仲間達 • nDCG • Precision@k • mAP (Mean Average
Precision) • MMR (Maximal Marginal Relevance) © Recruit Co., Ltd., 2023. 210

nDCG：実際の検索結果クエリー「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 © Recruit Co., Ltd., 2023. 213

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., 2023. 214

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., 2023. 218

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., 2023. 219

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., 2023. 222

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

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

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., 2023. 225

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., 2023. 227

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., 2023. 228

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., 2023. 229

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., 2023. 232

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., 2023. 233

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い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., 2023. 239 既成概念や過去の成功体験はあまり役に立たない ⇒ A/B テストの繰り返し

検索結果の品質向上

検索結果の品質向上

More Decks by Recruit

Other Decks in Technology

Featured

Transcript