Ir-2026-spring

信息检索综合实践

李正华

• 学生：计23计科1班
• 助教：吕喆、梅睿桐
• QQ群: xx
• 时间：周四 6-9 节课 1-17 周
• 地点：理工楼238

上课基本要求

• 不能做的事情：打游戏、看课程无关视频、刷网页
• 认真读作业要求，按时交作业。csteaching
• 不能抄袭别人或网上的，自己做；不要把自己的作业给别人

课程建议

• 每个作业，截止时间后，把成绩发给大家，并用ppt给大家讲一下批作业发现的问题，题目分析
• 上课期间：请大家积极提问。遇到大家都无法理解的公共问题，我会补充讲解
• 非上课时间提问
  • 建议同学们在群里提问（包括但不限于代码的bug、不理解算法、作业资源和提交等），由其他同学帮助解答；
  • 群里的提问如果其他同学也无法回答，可以私信助教（吕喆：周三晚上7点到9点，梅睿桐：周四晚上7点到9点）；

计算成绩的规则和说明（待定）

• 核心要求：掌握最基本的概念、方法、算法
• 实验作业：70分
  • 一系列作业，每个作业 5-15分（形式检查为辅、平时考核为主）
    • 平时考核：考察课程相关的基础知识，看看作业是否是自己做的
  • 必须按照规定时间，按照规定格式要求，将实验报告+源代码，提交到网站（见下面）中
• 平时成绩：30分
  • 不能迟到、早退，特殊情况必须请假，并带辅导员签字的假条；
  • 签到表：除了姓名，还要写一下进展

提交作业说明

• 作业网址：本学期开始的实验布置、提交与批改等不再使用csteaching平台，统一改用工程认证管理系统。请各位老师通过工程认证管理系统（网址http://42.244.43.76:8000/）开展实验布置、批改等相关工作，并烦请同步通知班级学生在该系统完成实验提交。
• 作业迟交了则最终成绩会按一定比例缩减
• 以.zip压缩包形式提交，需包含以下内容
  • 源代码：代码不要都团在一起，请用空行对代码进行分隔，并简单注释代码块的功能
  • readme.txt文件：说明如何运行你的程序，需要什么环境，如windows或linux，python版本如python3.5
  • 实验报告（pdf文件，请把word转为pdf）
    • 请按照实验模版文件:ir-2022-spring-report.doc，认真填写个人信息、实验题目、实验内容等
    • 不要大段粘贴代码，最多可以粘贴核心的一小段代码，粘贴大段代码会扣分
    • 写清楚自己的解决思路，尤其是遇到的难点和如何解决
    • 建议可以画流程图或者写伪代码。
    • 解决思路的流程图中是以文字为主还是以代码为主？报告中不要直接放代码。文字为主，不在于写得长，而在于写清楚，表明你确实做了、想了。
    • 问：流程图可以改成自然语言描述或者是伪代码吗？答：流程图也可以画的很high-level的。大家自由发挥。也可以画到纸上然后拍照截图。模块化思维 大问题分解小问题 。
    • 将程序运行结果截图，没有运行结果会扣分，中间的输出结果/文件可以截图一部分
• 提交前自我检查
  • 是否有包含readme.txt文件解释如何编译执行你的程序。 如没有该文件，将减分。
  • 是否认真完成实验报告
  • 是否可以按照readme.txt正确编译和运行程序
  • 是否包含别人的代码，抄袭和被抄袭的都是0分
  • 期末可能会用软件做自动抄袭检查
  • 等这学期最后几周，我们可能统一对所有的作业做自动查重，到时候也会查出一些问题。 请大家一定要自己做，编程能力差一点，就做得简单一点，能力强，就做得好一点。但是一定要自己做。
• 提交作业命名规则
  • 压缩包（姓名学号.zip）
    • 实验报告（姓名学号.pdf）

实验报告word模板

• 文件:ir-2022-spring-report.doc

具体内容（含作业：平时：30 分；实验：70 分）

作业	成绩比例	评分要点
分字	5%	按字节读取并判断高位
单词计数	5%	无
最大匹配分词	10%	算法和评价正确实现
网页正文抽取	10%	按要求完成两个任务
倒排索引	15%	高效创建倒排文件
布尔查询	10%	inter和union的复杂度为O(n)，复杂查询用堆栈判断优先级
网页相关性排序	15%	基于向量空间模型VSM、tf-idf权重
爬虫和某机构主页检索系统	15%	实现爬虫，系统架构设计良好，说明文档详细，UI完整
基于深度学习的检索系统	15%	Contriever：重现部分实验结果；自己实现评价指标；在上一个作业中的爬虫和检索系统的基础上，自己设计、标注 10 个 query，对比向量空间模型VSM 和Contriever 的效果，给出评价结果。建议：VSM 给 100 个结果，然后 Contriever 重排序，然后人工标注，具体如何标注更合理，自己考虑好。

信息检索课程介绍

• PPT下载
• 2022春视频和图片：
  • 低画质：课程介绍
  • 高画质：课程介绍-part1、 课程介绍-part2
  • 图片：图

• 和2022年课程的区别：增加了基于深度学习的检索的内容，删除词性标注相关内容

信息检索系统介绍

• 2022春视频：信息检索系统介绍

具体作业

作业1：分字（C++语言）

• 2022春视频和图片：
  • 低画质：作业1
  • 高画质：作业1-part1、 作业1-part2
  • 图片：图1、 图2
• UTF-8数据：文件:Sentence.txt
• UFT-8编码规则：【2003 年发布的RFC 3629标准中，已经废除了 5-6 个字节，所以只用考虑 1-4 个字节的情况。感谢曹诗伟同学指出错误。】

1字节 0xxxxxxx
2字节 110xxxxx 10xxxxxx
3字节 1110xxxx 10xxxxxx 10xxxxxx
4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 

作业2：单词计数

• 课件 PPT下载
• 2022春视频：
  • 低画质：作业2
  • 高画质：作业2
• 数据 txt下载

作业3：最大匹配分词

• 作业提交时间截止时间：第4周下课之前提交
• 课件：前向最大匹配 PDF文件--文件:Word-seg-max-match.pdf；PPT文件--文件:Word-seg-max-match.zip
• 2022春视频和图片：
  • 低画质：作业3
  • 高画质：作业3
  • 图片：图

• 数据下载：
  • 字典：文件:Dict.txt
  • 待分词：文件:Sentence.txt
  • 正确答案（人工标注的，你的模型的预测结果要和这个文件进行对比，从而得到P/R/F值）：文件:Answer.txt；
  • 正向最大匹配分词模型的预测结果（如果你的程序写对了，那么应该和这个结果一模一样）：文件:Out.txt

*正确实验结果
**正确识别的词数：20263
**识别出的总体个数：20397
**测试集中的总体个数：20454
**正确率：0.99343
**召回率：0.99066
**F值：0.99204 

作业4：网页正文抽取

• 作业提交时间截止时间：第 6 周下课前提交
• 2022春视频： 作业4
• 课件（请严格按照课件要求完成作业）：
  • 文件:ir-2022-spring-web-page-content-extraction.ppt
  • 文件:ir-2022-spring-web-page-content-extraction.pdf
• 数据
  • 1.html和2.html 文件:ir-2022-spring-example-html.zip
  • data-1k：1000个html文件 文件:ir-2022-spring-all-html.zip （如果文件出现乱码，请到qq群里下载）

作业5：倒排索引

• 作业提交时间截止时间：第8周下课前提交
• 课件：
  • 仅供参考，与本次作业要求无关：文件:ir-2022-spring-inverted-index-simplified.ppt
• 2022春视频和图片：
  • 视频：作业5
  • 图片：图
• 数据
  • 停用词表：github网址 苏大本地下载
  • 结巴词典：github网址 苏大本地下载
  • 结巴词典文件每一行有3列，为：单词、词频、词性，只需要使用第一列的单词即可，使用small进行调试，提交作业用big

作业6：布尔查询

• 作业提交时间截止时间：第 10 周下课前提交
• 2022春视频和图片：
  • 视频：作业6
  • 图片：图
• 作业提交说明：
  • 附件中给出本次作业使用的倒排索引文件（可以在作业5的基础上进行优化），不需要提供构建倒排索引的代码，但在实验报告中给出倒排索引文件的说明，参考侯皓文同学
  • 交集、并集操作用inter()、union()这两个函数单独封装
  • 对4个语句 'A', 'B', 'A AND B', 'A OR B' （A、B为自定义的查询词） 分别进行一次查询，每次的查询结果单独保存到一个txt文件中，以查询语句作为文件名（如 'A AND B.txt'`）
  • 结果展示部分，文件按名字字母序排序：指字符序（用内置的sort即可），先用pinyin包转成拼音再排序也可以，不要自行改变文件名（如 阿大.txt -> 34.txt）
  • 实现更复杂的查询，如：'A AND B OR C' 可以加分
  • 查询词的加重（用#标记）不做强制要求，但做了加分

作业7：基于向量空间模型（VSM）和tf-idf权重的网页相关性排序

• 作业提交时间截止时间：第 12 周之前提交
  • 视频：作业7
  • 图片：图片1 图片2
• 作业要求：
  • 如果无法理解向量空间模型，可以选择做tf-idf作业，但最多只给50分
  • 实现基于向量空间模型的网页相关性排序
  • 给定一个查询Q：可以是手动用空格分好词的"李正华 招收 学生"；也可以是未分词的"李正华招收学生"，之后用最大匹配分词分好词 -> "李正华 招收 学生"
  • 注释：一个给定分词的查询Q实际上等价于布尔查询OR："李正华 招收 学生" <=> "李正华 OR 招收 OR 学生"
• 作业提交说明：
  • 附件中给出本任务所使用的倒排索引文件
  • 在实验报告中说明对于余弦相似度计算中的：di[k]、q[k]、|di|、|q|是如何处理或存储的
  • 附件中给出一个查询Q的结果，保存为文本文件"Q.txt"中，格式为：

 文档名1（余弦相似度Sim） # Sim值可不除以|q|的值，一个例子： 阿鲁巴岛.txt(0.64)
 句子1
 句子2
 ...
 文档名2（余弦相似度Sim）
 句子1
 句子2
 ...
 ......

作业8：爬虫和某机构主页检索系统（综合项目）

• 作业提交时间截止时间：第14 周下课之前提交
  • 视频：作业8
  • PPT：PPT
• 任务一：用爬虫模块尽量完整地爬下来一个机构对应的所有静态网页（html或htm后缀），保存到磁盘中：
  • 苏大、苏大计算机学院（规模小一点）都可以
  • orphan网页不用考虑
• 任务二：基于爬取的网页，做一个完整的检索系统（以后可以考虑不断完善、定时更新）：
  • 1. 网页正文提取模块（同作业4的实战部分一致）
  • 2. 处理网页正文的分句、分词模块（可以用作业3的最大匹配分词，也可以用第三方的分词器，如jieba）
  • 3. 倒排索引模块：基于处理好的网页正文，建立倒排索引文件（同作业5一致）
  • 4. 网页排序模块：实现网页相关性排序（同作业7一致）
  • 5. 查询模块：提供查询接口，用户输入查询词后显示网页名（暂定为网页的title），和包含查询词的句子，查询词进行highlight处理（如#查询词#）。查询接口可以用命令行实现，提供前端UI界面（Web或Application都可以）会获得加分。

注意：把网页源文件（html文件）保存好，避免重复爬。例如优化了网页正文提取模块、或突然想用一个更好的分词器

• 作业提交说明：
  • 源代码：任务一和任务二的所有代码都要提交，每个模块（共6个，在上方已用红色标出）在readme中指明在哪个python文件中实现的
  • 处理好的网页数据（可选）：原始网页，提取出并分好句、分好词的网页正文，若网页数据特别大的话可以不要
  • 在实验报告中将三项统计信息放到表格中：网页（文档）数、句子数、单词数
  • 倒排索引文件（必备）
  • 说明文档：(每个模块的)实现的功能，如何使用，接口等，内容不限

作业9：深度学习方法&检索结果的评价

• 作业提交时间截止时间：第16 周下课之前提交
• 要求
  • 账号环境，跑推理代码，重现完成部分实验。
    • 具体要跑哪些实验，请看文档最后的表格：具体文档
  • 自己实现评价指标，自己的评价指标的结果，和contriever 的结果一致。
  • VSM和 Contriever 的对比

 针对自己实现的“苏大计算机官网搜索引擎”，去对比VSM和Contriever的效果。
     自己设计10个难度不同的 query，然后 VSM 返回 50 个结果，把这 50 个结果随机打乱顺序（这一步很重要），然后人工做一个标注（给一个排序）【如果觉得 10 个 query 太多，5 个也行】
     Contriever对 50 个结果重排序
     比较两种方法的结果：NDCG@5      NDCG@10       NDCG@20等
     如果有能力、有时间，可以分析下：什么样的query，VSM 做得好；什么样的 query，Contriever 做得好。 

• • 实验报告体现出自己做了什么、遇到的困难及如何解决。

• 参考资料
  • 上面的文档
  • 微信公众号”语析LAGroup“中 contriever 论文解读
  • contriever 原文

时间表

3.5 第1周
3.12 第2周

xxx
3.25 第5周
4.1 第6周
4.29 第10周
5.6 第11周
5.27 第14周
6.3 第15周
6.17 第17周

1	08:00-08:45
2	08:50-09:35
3	09:55-10:40
4	10:45-11:30
5	11:35-12:20
6	14:00-14:45
7	14:50-15:35 【休息5分钟，+15分钟】
8	15:55-16:40 
9	16:45-17:30 【17:15】   


考虑来2-3 次考试。
闭卷考试，比较正式的那种。在机房里就行。然后拍照留存？

2次考试的方案：
倒排搞完 考一次
最后一次 


3次考试的方案：
最大匹配分词搞完，考一次
布尔查询搞完 考一次
最后一次 

上机课9 个作业，实验报告，主要是形式审查，占比比较低。要根据考试的成绩，然后加权得到每一次作业的成绩。
最后，9 个作业再按照一定比例，得到实验成绩。