कई लोकप्रिय टेक्स्ट रिट्रीवल इंडेक्सिंग तकनीकें हैं जैसे इनवर्टेड इंडेक्स और सिग्नेचर फाइल्स।
इनवर्टेड इंडेक्स
एक इनवर्टेड इंडेक्स एक इंडेक्स संरचना है जो दो हैश इंडेक्स या B+-ट्री इंडेक्स टेबल्स को बनाए रखता है: document_table और term_table, जहां document_table में डॉक्यूमेंट रिकॉर्ड्स का एक सेट होता है, प्रत्येक में दो फील्ड्स होते हैं: doc_id और posting_list, जहां posting_list उन विधियों की सूची है (या विधियों के पॉइंटर्स) जो डॉक्यूमेंट में दिखाई देते हैं, किसी प्रासंगिकता माप के अनुसार व्यवस्थित।
term_table में टर्म रिकॉर्ड्स का एक सेट शामिल होता है, प्रत्येक में दो फील्ड्स होते हैं: term_id और posting_list, जहां posting_list उन रिकॉर्ड पहचानकर्ताओं की सूची निर्दिष्ट करता है जिनमें टर्म होता है।
यह किसी दिए गए टर्म सेट से जुड़े सभी डॉक्यूमेंट्स को ढूंढ सकता है। इसका उपयोग दिए गए डॉक्यूमेंट सेट से जुड़े सभी टर्म्स को ढूंढने के लिए किया जाता है। उदाहरण के लिए, किसी दिए गए टर्म सेट से जुड़े सभी डॉक्यूमेंट्स को ढूंढने के लिए, हम पहले टर्म टेबल में प्रत्येक टर्म के लिए डॉक्यूमेंट पहचानकर्ताओं की सूची ढूंढ सकते हैं, और फिर उन्हें इंटरसेक्ट करके प्रासंगिक रिकॉर्ड्स का संग्रह प्राप्त कर सकते हैं।
इनवर्टेड इंडेक्स बाजार में व्यापक रूप से उपयोग किए जाते हैं। उन्हें निष्पादित करना सरल है। पोस्टिंग सूचियाँ काफी लंबी हो सकती हैं, जिससे स्टोरेज आवश्यकता काफी बड़ी हो जाती है। वे लागू करने में सरल हैं लेकिन सिनोनिमी (जहां दो बहुत अलग शब्दों का समान अर्थ हो सकता है) और पॉलीसिमी (जहां एक शब्द के कई अर्थ हो सकते हैं) को प्रबंधित करने में संतोषजनक नहीं हैं।
सिग्नेचर फाइल
एक सिग्नेचर फाइल एक फाइल है जो डेटाबेस में प्रत्येक रिकॉर्ड के लिए सिग्नेचर डेटा सहेजती है। प्रत्येक सिग्नेचर का एक स्थिर आकार होता है, b बिट्स जो टर्म्स को परिभाषित करते हैं। एक सरल एन्कोडिंग डिज़ाइन इस प्रकार है। एक रिकॉर्ड सिग्नेचर के प्रत्येक बिट को 0 पर शुरू किया जाता है।
यदि वह टर्म जिसे यह परिभाषित करता है रिकॉर्ड्स में दिखाई देता है तो एक बिट को 1 पर सेट किया जाता है। एक सिग्नेचर S1 दूसरे सिग्नेचर S2 से मेल खाता है यदि सिग्नेचर S2 में सेट प्रत्येक बिट S1 में भी सेट है। चूंकि आमतौर पर उपलब्ध बिट्स से अधिक टर्म्स होते हैं, कई टर्म्स को एक ही बिट में मैप किया जा सकता है।
ऐसे कई-से-एक मैपिंग खोज को महंगा बनाते हैं क्योंकि एक रिकॉर्ड जो क्वेरी के सिग्नेचर से मेल खाता है, उसमें क्वेरी के कीवर्ड्स का सेट आवश्यक रूप से शामिल नहीं होता है। रिकॉर्ड्स को पुनः प्राप्त, पार्स, स्टेम्ड और परीक्षण किया जाना चाहिए। पहले आवृत्ति विश्लेषण, स्टेमिंग, और स्टॉप वर्ड्स फ़िल्टरिंग को लागू करके, और फिर हैशिंग विधियों और सुपरइम्पोज्ड कोडिंग तकनीकों का उपयोग करके विधियों की सूची को बिट प्रतिनिधित्व में एन्कोड करके सुधार किए जा सकते हैं।
