Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Über Routenplanung und Suchmaschinen Holger Bast Max-Planck-Institut für Informatik Saarbrücken, Germany Vorlesung zur Lehrerweiterbildung in Informatik.

Ähnliche Präsentationen


Präsentation zum Thema: "Über Routenplanung und Suchmaschinen Holger Bast Max-Planck-Institut für Informatik Saarbrücken, Germany Vorlesung zur Lehrerweiterbildung in Informatik."—  Präsentation transkript:

1 Über Routenplanung und Suchmaschinen Holger Bast Max-Planck-Institut für Informatik Saarbrücken, Germany Vorlesung zur Lehrerweiterbildung in Informatik Schloss Dagstuhl, 14. Dezember 2007

2 Meine Gruppe am MPI Informatik Alexandru Chitea Debapriyo Majumdar Marjan Celikik Ingmar Weber Henning Peters Daniel Fischer Ivan Popov Markus Tetzlaff Bis vor kurzem – 2 Doktoranden, 5 Diplomanden, 2 Hilfskräfte Gabriel Manolache

3 Kooperationspartner aus den letzten 3 Jahren Kooperationen innerhalb des MPII

4 Überblick Teil 1: Routenplanung –Grundlagen: Dijkstras Algorithmus –kurze Pause –Fortgeschrittenere Verfahren Pause Teil 2: Suchmaschinen –wir bauen eine Suchmaschine –kurze Pause –CompleteSearch genug Zeit für Diskussionen und Fragen!

5 Teil 1: Routenplanung Grundlegendes –Dijkstras Algorithmus (10 min) –Korrektheitsbeweis (10 min) –Bidirektionaler Dijkstra (5 min) –Warum nicht ausreichend (5 min) Techniken zur Beschleunigung –A* + Landmarks (10 min) –Straßenschilder (10 min) –Highway Hierarchies (10 min) –Transitknoten Routing (10 min) Pause!

6 Das Kürzeste Wege Problem Gegeben ein Netzwerk –Knoten und (gewichtete) Kanten Berechne den kürzesten Weg –zwischen zwei Knoten s und t (point to point, P2P) –von einem Knoten s aus zu allen anderen (single source shortest path, SSSP) –zwischen allen Knotenpaaren (all-pairs shortest path, APSP)

7 Dijkstras Algorithmus Absolut grundlegend –kein Navigationsgerät und keine Maps Applikation, bei der nicht in irgendeiner Phase dieser Algorithmus verwendet wird –löst das single-source shortest-path (SSSP) Problem –point-to-point (P2P) Problem nicht einfacher Erfinder –Edsger Dijkstra, 1930 – 2002 Demo –http://www.unf.edu/~wkloster/foundations/DijkstraApplet/Dijks traApplet.htmhttp://www.unf.edu/~wkloster/foundations/DijkstraApplet/Dijks traApplet.htm

8 Dijkstras Algorithmus Pseudo Code 1 for each node u 2dist[u]: = infinity 3 dist[s] := 0 4 PQ = all nodes 5 while PQ is not empty 6u := node from PQ with smallest dist[u] (get and remove it) 7 for each neighbor v of u 8 d := dist[u] + cost(u,v) 9 if d < dist[v] 10 dist[v] := d die einzige nicht-triviale Operation

9 Dijkstras Algorithmus Korrektheit s t u v Definiere –dist(s,u) = Kosten des kürzesten Weges von s nach u Angenommen dist[t] d(s,t) 1.sei u der erste Knoten von s aus mit dieser Eigenschaft 2.sei v der Knoten davor, somit dist[v] = d(s,v) d(s,u) < dist[u] 3.dann ist v vor u bearbeitet worden (in Zeile 6) 4.dann ist dist[u] dist[v] + cost(v,u) = d(s,u) Betrachte ein Ziel t und den kürzesten Weg dorthin Widerspruch zu 1.

10 Zeile 6 –die Operation heißt delete-min –wird genau einmal für jeden der n Knoten ausgeführt Zeilen 8 – 10 –die Operation in Zeile 10 heißt decrease-key –wird höchstens einmal für jede der m Kanten ausgeführt Insgesamt also –n * cost(delete-min) + m * cost(decrease-key) –trivial: cost(delete-min) ~ n und cost(decrease-key) ~ 1 –geht auch: cost(delete-min) ~ 1 und cost(decrease-key) ~ log n –Laufzeit dann ~ n + m * log n Dijkstras Algorithmus Laufzeit

11 Straßengraphen … … sind auch Netzwerke –Knoten = Kreuzungen –Kanten = Straßen –Kantengewichte = Reisezeiten Typische Straßengraphen –USA: 24 Millionen Knoten, 58 Millionen Kanten –Westeuropa: 18 Millionen Knoten, 42 Millionen Kanten –Deutschland: 4 Millionen Knoten, 11 Millionen Kanten Mit Dijkstras Algorithmus –durchschnittliche Zeit für zufällig gewähltes Start und Ziel: mehrere Sekunden auf ganz USA oder Europa Wie kann man das beschleunigen?

12 Bidirektionaler Dijkstra Dijkstra kann man sich auch so vorstellen –bei Entfernung d –werden d 2 Knoten besucht Bidirektionaler Dijkstra –bei Entfernung d –werden 2 * (d/2) 2 = d 2 /2 Knoten besucht Gewinn nur grob ein Faktor 2

13 Der A* (A-Stern) Algorithmus Für ziel-orientiertere Suche (auf einen Knoten t hin) –Annahme: für jeden Knoten u ein Wert h[u] der schätzt wie weit es von dort zum Ziel ist –Bedingung: h[u] unterschätzt die Entfernung zum Ziel Algorithmus –wie Dijkstra, aber Reihenfolge der Knoten (Zeile 6) nicht gemäß dist[u] sondern gemäß dist[u] + h[u] –wenn all h[u] = 0 gerade Dijkstra Algorithmus

14 A* Algorithmus Korrektheit Selbe Idee wie bei Dijkstra s t u v Aber aufpassen –Übungsaufgabe …

15 A* Algorithmus wie schätzen? Einfacher Schätzer: –Luftlinie zum Ziel mit Autobahngeschwindigkeit –nicht sehr effektiv Landmarks –ca. 20 strategisch wichtige Punkte auf der Karte –für jeden solchen Punkt L untere Schranke max(d(s,L) – d(t,L), d(t,L) – d(s,L)) [Bild malen!] –von 1 Sekunde 1 Millisekunde (auf dem Straßengraphen der USA der Westeuropas) Erfinder – Andrew Goldberg, Microsoft Research

16 Highway Hierarchies Idee: Auf langen Reisen fährt man (meistens) –erst auf die nächste Hauptstraße –dann auf Bundesstraßen –dann auf Autobahnen –und in der Nähe des Ziels dasselbe anders herum Algorithmus (High-Level) –berechne eine Hierarchie von wichtigeren und wichtigeren Straßen, mit der Garantie dass die Strategie oben immer zum optimalen Weg führt –von 10 Millisekunden 1 Millisekunde Erfinder –Peter Sanders (lange MPI Informatik, jetzt U. Karlsruhe) –Dominik Schultes (Doktorand von P. Sanders)

17 Transitknoten Sehr einfache Grundidee –wenn man weit weg fährt, verlässt man seine nähere Umgebung durch einen von relativ wenigen Verkehrsknotenpunkten –versuche diese Knotenpunkte (= Transitknoten) vorzuberechnen –und alle paarweisen Distanzen zwischen ihnen Das mit Abstand schnellste Verfahren –von 1 Millisekunde 10 Mikrosekunden (für das Straßennetzwerk der USA oder Westeuropas) Erfinder –Holger Bast & Stefan Funke, MPI Informatik

18 Transitknoten Vorberechnung Vorberechnung weniger Transitknoten –mit der Eigenschaft, dass jeder kürzeste Pfad über eine gewisse Mindestdistanz durch einen Transitknoten geht Vorberechnung der nächsten Transitknoten für jeden Knoten –mit der Eigenschaft, dass jeder kürzeste Pfad über eine gewisse Mindestdistanz von diesem Knoten aus durch ein dieser nächsten Transitknoten geht Vorberechnung aller Distanzen –zwischen allen Paaren von Transitknoten und von jedem Knoten zu seinen nächsten Transitknoten ð Suchanfrage = wenige table lookups !

19 Pause

20 Teil 2: Suchmaschinen Wir bauen eine Suchmaschine (live) –Crawling (5 min) –Parsing (10 min) –Invertierung (5 min) –Suchanfragen (10 min) –Web interface (5 min) Die CompleteSearch Suchmaschine –Prinzip am Beispiel erklären (10 min) –was man damit alles machen kann (20 min) –Datenstrukturen + Experimente (10 min) Pause!

21 Webseiten herunterladen (Crawling) Eingabe –eine Liste von URLs Ausgabe –HTML Dateien, eine für jede der URLs Implementierung –wir benutzen einfach curl (oder wget )

22 Zerlegung in Worte (Parsing) Eingabe –die HTML Dokumente aus dem Crawling Ausgabe –eine Textdatei index.words mit Zeilen der Form WortDokumentennummer dies15 ist15 ein15 satz15 –eine Textdatei index.docs mit Zeilen der Form DokumentennummerURL 15http://www.dagstuhl.de/abc 16http://www.dagstuhl.de/xyz

23 Invertierung Eingabe –die (Wort, Dokumentennummer) Paare nach Dokumentennummer sortiert Ausgabe –dieselben Paare nach Worten sortiert (und innerhalb desselben Wortes nach Dokumentennummer) –damit bekommen wir so etwas wie den Index am Ende eines Buches, aber für jedes Wort –ein sogenannter Volltextindex

24 Suchanfragen (Queries) Eingabe –eine Liste von Worten (durch Leerzeichen getrennt) Ausgabe –die Liste aller Dokumente, die alle diese Worte enthalten Implementierung –für jedes Wort holen wir uns die vorberechnete Liste aller Nummern von Dokumenten, die es enthalten –dann berechnen wir die Schnittmenge aller dieser Listen –Komplexität = linear in der Größe der Liste viel kleiner als die Dokumentenmenge insgesamt!

25 Ein einfacher Web-Server Eingabe –eine URL im Broswer, z.B. –veranlasst dass eine Verbindung mit dem Rechner search.mpi-inf.mpg.de aufgebaut wird und folgende Zeichenkette an den Port 8080 geschickt wird (default ist Port 80) GET /xyz HTTP/1.1 Ausgabe –das Programm, dass auf search.mpi-inf.mpg.de läuft und auf Port 8080 lauscht, schickt etwas zurück –typischerweise eine HTML Datei –die dann im Browser angezeigt wird

26 CompleteSearch Geschichte –entwickelt am Max-Planck-Institut für Informatik –über die letzten drei Jahre –unter meiner Leitung –mehrere Diplom- und Doktorarbeiten –zahlreiche Veröffentlichungen & Vorträge –voll einsatzfähige Suchmaschine Zahlreiche Demonstratoren –http://search.mpi-inf.mpg.dehttp://search.mpi-inf.mpg.de

27 Anwendung 1: Autovervollständigung Nach jedem Tastendruck … –… zeige die besten Vervollständigungen des zuletzt eingegebenen Wortes, sowie die besten Treffer dafür –z.B., für die Suchanfrage user interface joy zeige joystick joysticks etc. und entsprechende Treffer

28 Anwendung 2: Fehlerkorrektur Wie vorher, aber zeige zusätzlich … –… Varianten bez. Schreibweise der Vervollständigungen die zu einem Treffer führen –z.B. soll für die Suchanfrage probabilistic algorithm auch ein Dokument mit probalistic aigorithm als Treffer gelten Realisierung –angenommen, aigorithm kommt als Fehlschreibung von algorithm vor, dann für jedes Vorkommen von aigorithm im Index aigorithm Doc. 17 füge ebenso hinzu algorithm::aigorithm Doc. 17

29 Anwendung 3: Ähnliche Worte Wie vorher, aber zeige zusätzlich … –… Worte die sinngemäß dasselbe bedeuten wie ein der Vervollständigungen –z.B., für die Anfrage russia metal betrachte auch Dokumente mit russia aluminium Implementation –für beispielsweise jedes Vorkommen von aluminium im Index aluminium Doc. 17 füge hinzu (pro Vorkommen) s:67:aluminium Doc. 17 sowie (einmal für alle Dokumente) s:aluminium:67 Doc. 00

30 Anwendung 4: Facettensuche Wie vorher, aber zeige zusätzlich … –… eine Statistik bezüglich diverser Kategorien (wie oft welche Kategorie vorkommt) –z.B. für die Anfrage algorithm zeige (prominente) Autoren von Artikeln die dieses Wort enthalten Realisierung –z.B. für einen Artikel von Roswitha Bardohl, der in der Zeitschrift Theoretical Computer Science in 2007 erschienen ist, füge hinzu author:Roswitha_Bardohl Dok. 17 venue:TCS Dok. 17 year:2007Dok. 17 –sowie auch (zur Vervollständigung von Kategoriennamen) roswitha:author:Roswitha_Bardohl Dok. 17 bardohl:author:Roswitha_BardohlDok. 17 etc.

31 Anwendung 5: Semantische Suche Wie vorher, aber zeige zusätzlich … –… semantische Vervollständigungen –z.B. für die Suchanfrage audience pope politician zeige individuelle Politiker (nicht das Wort politician) die zusammen mit den Worten audience pope vorkommen Realisierung –man kann nicht einfach für jedes Vorkommen einer Entität alle Kategorien hinzufügen, zu denen diese Entität gehört, z.B. Angela Merkel ist politician, german, female, human being, organism, chancellor, adult, member of parliament, … –Lösung: trickreiche Kombination mit sogenannten joins und es gibt noch mehr Anwendungen …

32 D98 E B A S D98 E B A S D78 K L S D78 K L S D53 J D E A D53 J D E A Formulierung des Kernproblems D2 B F A D2 B F A D4 K L K A B D4 K L K A B D9 E E R D9 E E R D27 K L D F D27 K L D F D92 P U D E M D92 P U D E M D43 D Q D43 D Q D32 I L S D H D32 I L S D H D1 A O E W H D1 A O E W H D88 P A E G Q D88 P A E G Q D3 Q D A D3 Q D A D17 B W U K A D17 B W U K A D74 J W Q D74 J W Q D13 A O E W H D13 A O E W H D13 D17 D88 … C D E F G Daten gegeben als –Dokumente mit Worten –Dokumente haben Ids (D1, D2, …) –Worte haben Ids (A, B, C, …) Suchanfrage –sortierte Liste von Dok. Ids –Intervall von Wort Ids Treffer für traffic Worte die mit inter beginnen

33 Daten gegeben als –Dokumente mit Worten –Dokumente haben Ids (D1, D2, …) –Worte haben Ids (A, B, C, …) Suchanfrage –sortierte Liste von Dok. Ids –Intervall von Wort Ids Antwort –alle passenden Wort-in-Dok. Paare –mit Scores D13 E … D88 E … … D98 E B A S D98 E B A S D78 K L S D78 K L S D53 J D E A D53 J D E A D2 B F A D2 B F A D4 K L K A B D4 K L K A B D9 E E R D9 E E R D27 K L D F D27 K L D F D92 P U D E M D92 P U D E M D43 D Q D43 D Q D32 I L S D H D32 I L S D H D1 A O E W H D1 A O E W H D88 P A E G Q D88 P A E G Q D3 Q D A D3 Q D A D17 B W U K A D17 B W U K A D74 J W Q D74 J W Q D13 A O E W H D13 A O E W H D88 P A E G Q D88 P A E G Q D17 B W U K A D17 B W U K A D13 A O E W H D13 A O E W H D13 D17 D88 … C D E F G D88 G Formulierung des Kernproblems kontext-sensitive Präfixsuche Treffer für traffic Worte die mit inter beginnen

34 Lösung über invertierte Listen Zum Beispiel, traffic inter* gegeben die Dokumente: D13, D17, D88, … (Treffer für traffic) und der Wortbereich: C D E F G (Ids für inter*) Iteriere über alle Worte aus dem gegebenen Bereich C (interaction) D8, D23, D291,... D (interesting) D24, D36, D165,... E (interface) D13, D24, D88,... F (interior) D56, D129, D251,... G (internet) D3, D15, D88,... Schneide jede Liste mit der gegebenen und vereinige alle Schnitte D13 D88D88… E EG… typischerweise sehr viele Listen! Ziel: schneller ohne mehr Platz zu verbrauchen im worst case quadratische Komplexität

35 Einschub Die invertierten Listen sind, trotz quadratischer worst- case Komplexität, in der Praxis schwer zu schlagen –sehr einfacher Code –Listen sehr gut komprimierbar –perfekte Zugriffslokalität Anzahl der Operationen ist ein trügerisches Maß –100 disk seeks benötigen ca. eine halbe Sekunde –in der Zeit können 200 MB Daten gelesen werden (falls komprimiert gespeichert) –Hauptspeicher: 100 nichtlokale Zugriffe 10 KB am Stück Daten

36 Neu: Halb-Invertierte Listen Listen von Dokument-Wort Paaren (sortiert nach Dok. Id) A-D: DACABACADAABCACA flache Partitionierung Alternative: hierarchisch –z.B. eine Liste für A-D, eine Liste für E-H, etc. Eigenschaften –einfach + perfekte Lokalität + sehr gut komprimierbar(!) Suchanfragen –bei geeigneter Partitionierung, immer genau eine Liste –extrem schnell: Ø 0.1 Sekunde / Anfrage für TREC Terabyte (426 GB Rohdaten, 25 Millionen Dokumente)

37 Halb-Invertierte Listen: Komprimierung Dok. Ids Differenzen und Wort Ids Häufigkeitsränge DACABACADAABCACA rd 1 st 2 nd 1 st 4 th 1 st 2 nd 1 st 3 rd 1 st 4 th 2 nd 1 st 2 nd 1 st Kodiere alle Zahlen universell: x log 2 x Bits st (A) 0 2 nd (C) 10 3 rd (D) th (B) Was schließlich gespeichert wird

38 Ergebnis Platzverbrauch HOMEOPATHY 44,015 Dok. 263,817 Worte mit Positionen WIKIPEDIA 2,866,503 Dok. 6,700,119 Worte mit Positionen TREC.GOV 25,204,013 Dok. 25,263,176 Worte ohne Positionen Orig.größe452 MB 7.4 GB426 GB VOLL-INV 13 MB0.48 GB 4.6 GB HALB-INV 14 MB0.51 GB 4.9 GB perfekte Übereinstimmung von Theorie und Praxis Definition –empirische Entropie einer Datenstruktur = optimale Anzahl Bits die zur Kodierung benötigt werden Theorem –empirische Entropie von HALB-INV mit Blockgröße εn ist 1+ε mal die empirische Entropie von VOLL-INV Experimente (mit konkretem Kodierungsverfahren)

39

40 Zusammenfassung: CompleteSearch Output –Publikationen in verschiedenen Communities SIGIR (IR), CIDR (DB), SPIRE (Theory), GWEM (KI), … –zahlreiche öffentliche Installationen DBLP –Industriekontakte Entscheidend waren –Identifizierung und Formulierung des Präfixsuchproblems –Wahl der Analyseparameter: Lokalität, Komprimierung, etc. (und zum Beispiel hier nicht: Anzahl der Operationen) –generell: Wissen in vielen relevanten Gebieten


Herunterladen ppt "Über Routenplanung und Suchmaschinen Holger Bast Max-Planck-Institut für Informatik Saarbrücken, Germany Vorlesung zur Lehrerweiterbildung in Informatik."

Ähnliche Präsentationen


Google-Anzeigen