適讀人群 ：計算機專業師生和相關領域科研、技術人員。
信息檢索領域知名科學家扛鼎之作，斯坦福大學教材
重點展示搜索引擎核心技術以及機器學習和數值計算方法

什麼是排序SVM、XML、DNS和LSI？什麼是信息檢索中的垃圾信息、隱藏頁和門頁？MapReduce和其他一些並行運算方法是如何實現由兆字節到百萬兆字節的飛躍的？這些問題你都能從本書中找到答案。本書首次將構建Web搜索引擎的復雜過程以一種清晰的全景方式展現給讀者。——Peter Norvig，計算機科學家，Google研發總監

本書對信息檢索這個舉足輕重、發展迅猛的領域進行了全面、準確的介紹，是一本不可多得的教材。——Raymond Mooney，得克薩斯大學奧斯汀分校教授

本書選材獨特，對信息檢索的基礎知識和發展方向進行了生動描述。——Jon Kleinberg，康奈爾大學教授

本書是信息檢索的教材，旨在從計算機科學的視角提供一種現代的信息檢索方法。書中從基本概念講解網絡搜索以及文本分類和文本聚類等，對收集、索引和搜索文檔繫統的設計和實現的方方面面、評估繫統的方法、機器學習方法在文本收集中的應用等給出了*新的講解。

[美]克裡斯托夫·曼寧 （Christopher Manning） 計算機科學家，斯坦福大學教授，斯坦福大學人工智能實驗室主任，ACM會士、AAAI會士、ACL會士。目前的研究目標為計算機如何智能地處理、理解和生成人類語言資料。曼寧博士是深度學習在自然語言處理應用方面的先鋒人物，在樹遞歸神經網絡、語義分析、神經機器翻譯、深度語言理解等方面均有令業界矚目的研究成果。

[美]普拉巴卡爾·拉格萬（Prabhakar Raghavan）Google高級副總裁，目前負責谷歌的廣告與商業產品、基礎設施團隊。之前作為Google App和Google Cloud的副總裁，帶領團隊做出了突出業績。在加入Google前任職於Yahoo!，是Yahoo!實驗室的創建者和負責人。拉格萬博士畢業於加州大學伯克利分校，長期擔任斯坦福大學計算機科學繫顧問教授，主要研究方向是文本及Web數據挖掘、隨機算法等，是美國國家工程院院士、ACM會士、IEEE會士。

[德]欣裡希·舒策（Hinrich Schütze） 德國慕尼黑大學信息與語言處理中心主任，計算語言學家，斯坦福大學博士。曾在美國硅谷工作多年。

王斌 博士，小米公司AI實驗室NLP方向首席科學家，前中國科學院信息工程研究所研究員、博導，中國科學院大學教授。

李鵬 博士，中國科學院信息工程研究所高級工程師，碩士生導師。

第 1章 布爾檢索 ． 1
1．1 一個信息檢索的例子 2
1．2 構建倒排索引的初體驗 ． 5
1．3 布爾查詢的處理 8
1．4 對基本布爾操作的擴展及有序檢索 11
1．5 參考文獻及補充讀物 ． 13
第 2章 詞項詞典及倒排記錄表 14
2．1 文檔分析及編碼轉換 ． 14
2．1．1 字符序列的生成 ． 14
2．1．2 文檔單位的選擇 ． 16
2．2 詞項集合的確定 16
2．2．1 詞條化 16
2．2．2 去除停用詞 19
2．2．3 詞項歸一化 ． 20
2．2．4 詞干還原和詞形歸並 ． 23
2．3 基於跳表的倒排記錄表快速合並算法 26
2．4 含位置信息的倒排記錄表及短語查詢 28
2．4．詞索引 ． 28
2．4．2 位置信息索引 ． 29
2．4．3 混合索引機制 ． 31
2．5 參考文獻及補充讀物 ． 32
第 3章 詞典及容錯式檢索 ． 34
3．1 詞典搜索的數據結構 34
3．2 通配符查詢 ． 36
3．2．1 一般的通配符查詢 ． 37
3．2．2 支持通配符查詢的k-gram索引 ． 38
3．3 拼寫校正 39
3．3．1 拼寫校正的實現 ． 39
3．3．2 拼寫校正的方法 40
3．3．3 編輯距離 40
3．3．4 拼寫校正中的 k-gram索引 42
3．3．5 上下文敏感的拼寫校正 ． 43
3．4 基於發音的校正技術 44
3．5 參考文獻及補充讀物 ． 45
第 4章 索引構建 ． 46
4．1 硬件基礎 46
4．2 基於塊的排序索引方法 ． 47
4．3 內存式單遍掃描索引構建方法 ． 50
4．4 分布式索引構建方法 ． 51
4．5 動態索引構建方法 ． 54
4．6 其他索引類型 56
4．7 參考文獻及補充讀物 ． 57
第 5章 索引壓縮 ． 59
5．1 信息檢索中詞項的統計特性 ． 59
5．1．1 Heaps定律：詞項數目的估計 61
5．1．2 Zipf定律：對詞項的分布建模 ． 62
5．2 詞典壓縮 63
5．2．1 將詞典看成單一字符串的 壓縮方法 63
5．2．2 按塊存儲 64
5．3 倒排記錄表的壓縮 ． 66
5．3．1 可變字節碼 ． 67
5．3．2 γ編碼 68
5．4 參考文獻及補充讀物 74
第 6章 文檔評分、詞項權重計算及 向量空間模型 76
6．1 參數化索引及域索引 76
6．1．1 域加權評分 78
6．1．2 權重學習 79
6．1．3 最優權重g 的計算 80
6．2 詞項頻率及權重計算 ． 81
6．2．1 逆文檔頻率 ． 81
6．2．2 tf-idf 權重計算 82
6．3 向量空間模型 83
6．3．1 內積 83
6．3．2 查詢向量 86
6．3．3 向量相似度計算 ． 87
6．4 其他tf-idf 權重計算方法 ． 88
6．4．1 tf的亞線性尺度變換方法 ． 88
6．4．2 基於最大值的tf歸一化 ． 88
6．4．3 文檔權重和查詢權重機制 89
6．4．4 文檔長度的回轉歸一化 ． 89
6．5 參考文獻及補充讀物 92
第 7章 一個完整搜索繫統中的評分計算 93
7．1 快速評分及排序 ． 93
7．1．1 非精確返回前K篇文檔的方法 ． 94
7．1．2 索引去除技術 ． 94
7．1．3 勝者表 ． 95
7．1．4 靜態得分和排序 ． 95
7．1．5 影響度排序 96
7．1．6 簇剪枝方法 ． 97
7．2 信息檢索繫統的組成 98
7．2．1 層次型索引 98
7．2．2 查詢詞項的鄰近性 ． 98
7．2．3 查詢分析及文檔評分函數的 設計 ． 99
7．2．4 搜索繫統的組成 ． 100
7．3 向量空間模型對各種查詢操作的支持 101
7．3．1 布爾查詢 101
7．3．2 通配符查詢 ． 102
7．3．3 短語查詢 102
7．4 參考文獻及補充讀物 ． 102
第 8章 信息檢索的評價 ． 103
8．1 信息檢索繫統的評價 ． 103
8．2 標準測試集 ． 104
8．3 無序檢索結果集合的評價 ． 105
8．4 有序檢索結果的評價方法 ． 108
8．5 相關性判定 ． 112
8．6 更廣的視角看評價：繫統質量及用戶效用 ． 115
8．6．1 繫統相關問題 ． 115
8．6．2 用戶效用 115
8．6．3 對已有繫統的改進 ． 116
8．7 結果片段 ． 116
8．8 參考文獻及補充讀物 ． 118
第 9章 相關反饋及查詢擴展 120
9．1 相關反饋及偽相關反饋 ． 120
9．1．1 Rocchio相關反饋算法 ． 122
9．1．2 基於概率的相關反饋方法 125
9．1．3 相關反饋的作用時機 125
9．1．4 Web上的相關反饋 ． 126
9．1．5 相關反饋策略的評價 127
9．1．6 偽相關反饋 ． 127
9．1．7 間接相關反饋 ． 128
9．1．8 小結 128
9．2 查詢重構的全局方法 ． 128
9．2．1 查詢重構的詞彙表工具 128
9．2．2 查詢擴展 129
9．2．3 同義詞詞典的自動構建 130
9．3 參考文獻及補充讀物 ． 131
第 10章 XML檢索 133
10．1 XML的基本概念 134
10．2 XML檢索中的挑戰性問題 ． 137
10．3 基於向量空間模型的XML檢索 ． 140
10．4 XML檢索的評價 144
10．5 XML檢索：以文本為中心與以數據為中心的對比 ． 146
10．6 參考文獻及補充讀物 ． 148
第 11 章 概率檢索模型 150
11．1 概率論基礎知識 ． 150
11．2 概率排序原理 151
11．2．1 1 0風險的情況 151
11．2．2 基於檢索代價的概率排序 原理 152
11．3 二值獨立模型 152
11．3．1 排序函數的推導 ． 153
11．3．2 理論上的概率估計方法 155
11．3．3 實際中的概率估計方法 156
11．3．4 基於概率的相關反饋方法 157
11．4 概率模型的相關評論及擴展 158
11．4．1 概率模型的評論 ． 158
11．4．2 詞項之間的樹型依賴 159
11．4．3 Okapi BM25：一個非二值的 模型 160
11．4．4 IR中的貝葉斯網絡 方法 161
11．5 參考文獻及補充讀物 ． 162
第 12章 基於語言建模的信息檢索模型 163
12．1 語言模型 ． 163
12．1．1 有窮自動機和語言模型 163
12．1．2 語言模型的種類 ． 165
12．1．3 詞的多項式分布 ． 166
12．2 查詢似然模型 ． 167
12．2．1 IR中的查詢似然模型 167
12．2．2 查詢生成概率的估計 167
12．2．3 Ponte和Croft進行的實驗 169
12．3 語言建模的方法與其他檢索方法的 比較 ． 171
12．4 擴展的LM方法 172
12．5 參考文獻及補充讀物 ． 173
第 13章 文本分類及樸素貝葉斯方法 175
13．1 文本分類問題 ． 177
13．2 樸素貝葉斯文本分類 ． 178
13．3 伯努利模型 ． 182
13．4 NB的性質 183
13．5 特征選擇 ． 188
13．5．1 互信息 ． 188
13．5．2 2 統計量 ． 191
13．5．3 基於頻率的特征選擇方法 192
13．5．4 多類問題的特征選擇方法 193
13．5．5 不同特征選擇方法的比較 193
13．6 文本分類的評價 ． 194
13．7 參考文獻及補充讀物 ． 199
第 14章 基於向量空間模型的文本 分類 200
14．1 文檔表示及向量空間中的關聯度計算 ． 201
14．2 Rocchio分類方法 ． 202
14．3 k近鄰分類器 205
14．4 線性及非線性分類器 ． 209
14．5 多類問題的分類 ． 212
14．6 偏差—方差折中準則 ． 214
14．7 參考文獻及補充讀物 ． 219
第 15章 支持向量機及文檔機器學習方法 221
15．1 二類線性可分條件下的支持向量機 221
15．2 支持向量機的擴展 ． 226
15．2．1 軟間隔分類 ． 226
15．2．2 多類情況下的支持向量機 228
15．2．3 非線性支持向量機 228
15．2．4 實驗結果 ． 230
15．3 有關文本文檔分類的考慮 ． 231
15．3．1 分類器類型的選擇 232
15．3．2 分類器效果的提高 233
15．4 ad hoc檢索中的機器學習方法 ． 236
15．4．1 基於機器學習評分的簡單 例子 ． 236
15．4．2 基於機器學習的檢索結果 排序 ． 238
15．5 參考文獻及補充讀物 ． 239
第 16章 扁平聚類 ． 241
16．1 信息檢索中的聚類應用 ． 242
16．2 問題描述 244
16．3 聚類算法的評價 ． 246
16．4 K-均值算法 248
16．5 基於模型的聚類 ． 254
16．6 參考文獻及補充讀物 ． 258
第 17章 層次聚類 ． 260
17．1 凝聚式層次聚類 ． 260
17．2 單連接及全連接聚類算法 ． 263
17．3 組平均凝聚式聚類 ． 268
17．4 質心聚類 269
17．5 層次凝聚式聚類的最優性 ． 270
17．6 分裂式聚類 272
17．7 簇標簽生成 273
17．8 實施中的注意事項 ． 274
17．9 參考文獻及補充讀物 ． 275
第 18章 矩陣分解及隱性語義索引 277
18．1 線性代數基礎 277
18．2 詞項—文檔矩陣及SVD ． 280
18．3 低秩逼近 282
18．4 LSI 284
18．5 參考文獻及補充讀物 ． 288
第 19章 Web搜索基礎 289
19．1 背景和歷史 ． 289
19．2 Web的特性 290
19．2．1 Web圖 291
19．2．2 作弊網頁 293
19．3 廣告經濟模型 ． 294
19．4 搜索用戶體驗 ． 296
19．5 索引規模及其估計 297
19．6 近似重復及搭疊 300
19．7 參考文獻及補充讀物 ． 303
第 20章 Web采集及索引 ． 304
20．1 概述 ． 304
20．1．1 采集器必須提供的 功能特點 304
20．1．2 采集器應該提供的功能特點 304
20．2 采集 ． 305
20．2．1 采集器架構 ． 305
20．2．2 DNS解析 ． 308
20．2．3 待采集URL池 ． 309
20．3 分布式索引 311
20．4 連接服務器 312
20．5 參考文獻及補充讀物 ． 314
第 21章 鏈接分析 ． 316
21．1 Web圖 316
21．2 PageRank． 318
21．2．1 馬爾科夫鏈 ． 318
21．2．2 PageRank的計算 ． 320
21．2．3 面向主題的PageRank 322
21．3 Hub網頁及Authority網頁 325
21．4 參考文獻及補充讀物． 329
參考文獻 331
索引 ． 356