Lucene的复杂性'；s搜索

如果我编写了一个使用Lucene执行搜索的算法，我如何陈述它的计算复杂性？我知道Lucene使用tf*idf评分，但我不知道它是如何实现的。我发现tf*idf具有以下复杂性：

O(|D|+|T|) 

其中D是文件集，T是所有术语集

然而，我需要有人谁可以检查这是正确的，并解释我为什么

---

谢谢

Lucene基本上使用了一个带有

tf idf

方案的

向量空间模型

（VSM）。因此，在标准设置中，我们有：

• 每个文档都表示为向量的文档集合
• 文本查询也表示为向量

我们确定在查询

q

中向量空间得分最高的集合的

K

文档。通常，我们按分数降序查找这些K top文档；例如，许多搜索引擎使用K=10来检索和排序十个最佳结果的第一页

计算向量空间分数的基本算法是：

浮动分数[N]=0
初始化长度[N]
对于每个查询项t
计算w（t，q）并获取t的过账列表（存储在索引中）
对于过帐列表中的每对d，tf（t，d）
do分数[d]+=wf（t，d）X w（t，q）（点积）
读取数组长度[d]
每d
do得分[d]=得分[d]/长度[d]
返回得分的前K个分量[]

在哪里

• 数组

  Length

  保存每个

  N

  文档，而数组

  得分

  保存每个文档的得分

• tf

  是文档中某个术语的术语频率

• w（t，q）

  是针对给定术语提交的查询的权重。请注意，查询被视为一个

  单词包

  ，可以考虑权重向量（就好像它是另一个文档一样）

• wf（d，q）

  是查询和文档的对数项权重

如本文所述：，向量点积为

O（n）

。这里的维度是词汇表中的术语数量：

T

，其中

T

是术语集

因此，该算法的时间复杂度为：

O(|Q|· |D| · |T|) = O(|D| · |T|) 

我们认为q是固定的，其中<代码> q>代码>是查询中的一组单词（平均大小很低，平均查询有2到3个项），<代码> d>代码>是所有文档的集合。 然而，对于搜索，这些集合是有界的，索引不会经常增长。因此，使用VSM的搜索速度非常快（当

T

和

D

较大时，搜索速度非常慢，必须找到替代方法）

D

是所有文档的集合

在VSM之前（老实说，也就是说）调用布尔检索。因此，我们可以说

d

只匹配文档（几乎可以。在最好的情况下）。 由于

Scores

是在堆上构建的优先级队列（至少在doc-at-time方案中），因此将每个

d

放入takes

log（K）

。 因此，我们可以将其估计为

O（d·log（K））

，这里我省略

T

，因为预期查询很短。（否则，你就有麻烦了）

---

旧答案，但我想知道在搜索查询中使用通配符是否会改变复杂性？用不同的方式处理它们吗？回答得很好！有没有关于这方面的书或学术参考？