全文検索 完全に理解した

2020年6月25日にEasy Easyというエンジニアのコミュニティが主催したオンラインLTイベントにおいて、全文検索の仕組みの概要についてお話した際の資料です。

LTの動画（スライド画面＋音声）はこちらです。
https://youtu.be/65bTJESP65s?t=1971

Transcript

1. 全文検索 完全に理解した n-gram？転置インデックス？ はいはい、知ってる知ってる @segavvy 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 1
2. このお話のゴール 全文検索 の仕組みが なんとなくわかる …… よろしければ 自然言語処理 にも興味をもっていただく 3章に分けて お話します 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 2
3. 第1章 全文検索とは そもそも「全文」ってなんだ？ 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 3
4. 全文とは？ ぜん ぶん 【全文】 文章の始めから終わりまで（三省堂 大辞林 第三版） 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 4 全文検索とは？ 文章の始めから終わりまでを 検索すること フルテキスト検索、full-text search
5. 文章の検索は普通にできる • アプリの検索機能 テキストエディタ、Microsoft Office、統合開発環境、etc. • コマンド Linux の grep 、Windows の find 、etc. • プログラミング言語 str.indexOf()、str.Contains()、strstr() 、etc. • データベース SELECT * FROM user WHERE bio LIKE “%GAFA勤務%"; 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 5
6. ただし データが大量にあると苦しい 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 6 • PCの中やファイルサーバーのファイルを検索しても なかなか結果が返ってこない • プログラムで 巨大なログファイルを検索したいけど 検索以前に 読み込みが遅くて困る • SQLのLikeで 中間一致検索すると インデックスを作ってても遅い
7. 全文検索が速いサービスもたくさんある Google、Yahoo!、Bing などのネット検索 Twitter の検索 Dropbox、Evernote、box などの検索 etc. 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 7 「全文検索 専用の仕組み」が動いている！ 第2章へつづく
8. （休憩）自己紹介 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 8 @segavvy IT企業で企画・マーケを担当している元エンジニア C|C#|VBA|Python|全文検索|自然言語処理|機械学習| 企画|マーケ|ドラクエ好き|嫁さんはディズニー教| 写真は丸まってたペンギン セガビ
9. 第2章 全文検索の仕組み 大量のテキストデータを 高速に検索する仕組み 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 9
10. 百科事典の索引 索引 【あ】 あご 3巻 13 足 4巻 239 頭 2巻 192 【い】 胃 2巻 28 【う】 腕 4巻 32 うなじ 2巻 129 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 10 百科事典は 索引を見れば 目的の巻とページが すぐわかる 「足」については 4巻の239ページ！ 全文検索するための索引を あらかじめ作っておく！
11. ネット検索の例 言葉 言葉の出現場所 完全 ページA（5、15文字目） ページF（... 理解 ページA（8、18文字目） ページG（… する ページA（3、20文字目） ページB（… 人達 ページA（12文字目） ページD（… 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 11 索引 データ インターネット サイトのデータ 全文検索プログラム 検索の利用者 各サイトから データを収集 索引に載せる 言葉の抽出 “理解”で ネットを検索 ページAとGが 見つかりました! 索引データのイメージ 事前の索引作成の流れ 検索時の流れ
12. 索引に載せる言葉は どう選ぶのか？ 索引にない言葉では 検索できない 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 12 どんな条件でも検索できるように 索引を作る必要がある 代表的な 2つの方法を ご紹介 ◦ ”理解” は検索できる × “Talk” は索引にないので 検索できない 言葉 単語の出現場所 完全 サイトA（5、15文字目） サイトF（... 理解 サイトA（8、18文字目） サイトG（… する サイトA（3、20文字目） サイトB（… 人達 サイトA（12文字目） サイトD（…
13. 索引の作成時 1.用語辞書（品詞や原形）を使い分解 2.助詞などの不要なものを除去 3.変化しているものを 原形へ戻す 索引の抽出方法 ①日本語解析 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 13 完全に理解した人達 完全 理解 する 人達 検索時 検索条件の文字に対して 同様の処理を実施してから 索引を調べる 索引を見て これらが すべてあるものを探す 完全 に 理解 し た 人達 完全 理解 し 人達 完全に理解 完全 理解
14. 完全に理解した人達 完全に理解した人達 完全に理解した人達 完全に理解した人達 完全に理解した人達 完全に理解した人達 完全に理解した人達 完全に理解した人達 索引の抽出方法 ②単純に切り刻む 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 14 完全に理解した人達 検索時 検索条件の文字に対して 同じ文字数で切り出す 最後の半端は前の文字で 文字数を合わせる※ 索引を見て これらが すべてあるものを探す 索引の作成時 1文字ずつ ずらしながら 固定の文字数で 切り出していく 完全に理解 完全 に理 理解 ※ 切り出し 文字数が2の場合
15. ②単純に切り刻む：言葉の途中が該当 東京都府中市 は 東京 京都 都府 府中 中市 に分解 “京都” や “中市” で検索されてしまう 索引抽出の課題 ①日本語解析：解析ミス Honda Cars 東京都 は Honda Cars 東京 都 に分解 “京都” で検索できない “東京” で検索されてしまう 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 15 解析部分を調整したり 後処理で不要なものを除いたり 両方の方式を組み合わせたり etc. 正しくは ひがしきょうと Honda Cars 東京都
16. 表記のゆれに対応する仕組み 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 16 ゆれを統一する表や 同義語辞書などを用意して処理 1 全半角 ＡＢＣ = ABC アイウ = ｱｲｳ 2 大小文字 ＡＢＣ = ａｂｃ ABC = abc 3 ひらがな・カタカナ りんご = リンゴ みかん = ミカン 4 数字 123 = 一二三 = 百二十三 = ⅠⅡⅢ 5 異体字・新旧字体 高 = 髙 斉 = 齊 辺 = 邊 6 送り仮名 引っ越し = 引越し = 引越 7 同義語 アメリカ = 米国 = 合衆国 = USA 8 記号 ー = ｰ = - = － = ― = ‐
17. 第2章のまとめ 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 17 全文検索の仕組み 専門用語 1 事前に索引を作ること・その索引 インデキシング・インデックス 2 索引データ（言葉と出現位置の対応表） 転置インデックス、転置ファイル 3 索引作成のために 対象のデータを集めること クローリング、クロールする 4 日本語の解析処理により 言葉を切り出すこと 形態素解析、分かち書き 5 検索で不要な 助詞などの言葉を 索引から除くこと ストップワードの除去 6 文章を一定の文字数で単純に切り刻む方式 n-gram（エヌ・グラム） 7 文章の分割ミスなどにより 検索に該当しないこと 検索もれ 8 文章の分割ミスなどにより 間違って該当したデータ 検索ノイズ 9 表記ゆれを統一したり 辞書を使って対応する処理 単語の正規化、辞書展開
18. （休憩）全文検索アプリのご紹介 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 18 某弊社で Windows PC 内の ファイルを全文検索するアプリを 無償配布中 全文検索に ご興味がありましたら ぜひお試しください！ https://www.info-brdg.co.jp/savvy/desktop-search/index.html デスクトップ検索SAVVY
19. 第3章 ヒトはなぜ全文検索するのか 全文検索の先にあるもの 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 19
20. 実は 全文検索したかった訳ではない 役立つ情報が 欲しい！ 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 20 そのために 全文検索する いかに 条件に合う結果を 返せるか いかに 役に立つ情報を 返せるか 昔 今
21. 全文検索で 役立つ情報を返す工夫 1. カテゴライズ・自動分類 見つけやすいように 情報を自動で分類する 2. スコアリング・ランキング 検索結果の中で 役立ちそうな情報を 優先して返す 3. レコメンド 検索結果に限らず 役立ちそうな情報を返す etc. 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 21
22. 情報だけでは 満足しなくなってきた 見つかった情報の 分析もして欲しい 情報を解釈して 判断までして欲しい 質問するから 答えを教えて欲しい 持っている情報から 役立つ何かを取り出して etc. 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 22 狙いはその先！
23. これからは 検索対象の理解が必要 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 23 全文検索の対象である 自然言語（人が使う言葉） は 複雑すぎて コンピューターでは 処理しにくかった AI（機械学習・ディープラーニング）の進歩で 高度な 自然言語処理 の実用化が進んでいます 文章の理解、要約、翻訳、対話、作文、etc.
24. 第3章のまとめ ヒトは 全文検索 よりも その先の 答え を求め始めています もし 全文検索 を勉強してみようかなと 思われた方が いらっしゃいましたら 「自然言語処理」から始めることをお勧めします 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 24
25. おわりに 全文検索 の仕組みが なんとなくわかる そして 自然言語処理 にも興味をもっていただく これがゴールでした このお話が 全文検索 や 自然言語処理 に 興味を持っていただく きっかけになれば幸いです ありがとうございました 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 25
26. 参考文献・参考サイト • 全文検索 - フリー百科事典『ウィキペディア（Wikipedia）』（最終閲覧日：2020/6/20） https://ja.wikipedia.org/wiki/%E5%85%A8%E6%96%87%E6%A4%9C%E7%B4%A2 • 転置インデックス - フリー百科事典『ウィキペディア（Wikipedia）』（最終閲覧日：2020/6/20） https://ja.wikipedia.org/wiki/%E8%BB%A2%E7%BD%AE%E3%82%A4%E3%83%B3%E3%83%87%E3%83%83 %E3%82%AF%E3%82%B9 • 自然言語処理 - フリー百科事典『ウィキペディア（Wikipedia）』（最終閲覧日：2020/6/20） https://ja.wikipedia.org/wiki/%E8%87%AA%E7%84%B6%E8%A8%80%E8%AA%9E%E5%87%A6%E7%90%86 • かわいいフリー素材集『いらすとや』 https://www.irasutoya.com/ 2020 segavvy 2020/6/25 完全に理解した人達の完全に理解したTalk #6 26