計算廣告實現入門-索引布林表示式

本文重點為介紹一個計算廣告的匹配演演算法，來自 Indexing Boolean Expression 。這種匹配演演算法可以匹配較為複雜的布林表示式。

儘量以說人話的方式解釋這種演演算法。

不涉及權重排序等規則。

概念

• 倒排索引：Inverted Index，反向索引，根據內容查詢檔案記錄

  • 如 document1: { a: [1,2] }，document2: { a:[1], b: [9] }
  • 建立倒排索引為 a.1: [document1, document2], a.2: [document1]，b.1: [document2]
  • 能快速找到到內容所在的檔案記錄
• 析取：Disjunctive，邏輯或
• 合取：Conjunctive，邏輯與，後文稱為 且

• 析取正規化：

  • （一個或多個且）的或被認為是一個 DNF
  • 如：(A)、(B) ∪ (C)、(D ∩ E) ∪ (F)

• 合取正規化：

  • （一個或多個析取）的且被認為是一個 CNF
  • 如：(A)、(B) ∩ (C)、(D ∪ E) ∩ (F)
  • 所有邏輯公式都可以轉換成合取正規化 CNF
• 斷言：在後續的描述中，我們將最小的邏輯單元稱為一個斷言，如 (a=1 ∩ b=2) ∪ c!=3 中的，a=1、b=2、c!=3

目標

既然所有的邏輯公式都可以轉為 CNF，那麼我們的目標就是實現一個可快速查詢目標所匹配的 CNF 布林表示式（boolean expressions）的演演算法。

DNF 演演算法

先來匹配 DNF 表示式

1. 首先有幾個匹配規則：

   • BE1：(a=1 且 b=2 且 c=1)
   • BE2：(a=2 且 b=3) 或 c=1
   • BE3: (a=1 且 b!=2) 或 c=1
   • BE4：(a=1 且 b!=3)
   • BE5：b!=2
2. 有一個目標 s1，其屬性為 a=1、b=3

3. 對所有的匹配規則中的斷言建立倒排索引

   • 索引：

     • a=1：[BE1、BE3]
     • a=2：[BE2]
     • b=2：[BE1、BE3、BE4]
     • b=3：[BE2]
     • c=1：[BE2、BE3]
     • c=2：[BE1]
   • 為什麼不建立索引 b!=2 呢？因為無法將目標的屬性轉化為非確切值進行索引命中

4. 索引處理：

   • 使用 s1 在第 3 步的倒排索引中匹配的話我們能找到所有包含 a=1 和 b=2 的匹配規則，結果肯定是不對的，需要進一步處理
   • 或拆分：在或關係中，只需要滿足其中一部分就可能滿足整個布林表示式，所以我們將 DNF 拆分成獨立的子句 C，判讀 C 是否匹配即可
   • 且拆分：在且關係的子句中，我們將需滿足的 = 的數量記為 k
   • 將所有上述資訊計入倒排索引中
   • 將 k 為 0 的子句寫入一個特殊的 z 索引中，以避免漏掉目標無對應屬性，而無法直接命中的只有一個不等於的子句規則

5. 倒排索引

   • a,1：

     • { C: 'BE1-C1', info: { p: '=', k: 3 }}
     • { C: 'BE3-C1', info: { p: '=', k: 1 }}
     • { C: 'BE4-C1', info: { p: '=', k: 1 }}

   • a,2：

     • { C：'BE2-C1', info: { p: '=', k: 2 }}

   • b,2：

     • { C: 'BE1-C1', info: { p: '=', k: 3 }}
     • { C: 'BE3-C1', info: { p: '!=', k: 1 }}
     • { C: 'BE4-C1', info: { p: '!=', k: 0 }}

   • b,3：

     • { C: 'BE2-C1', info: { p: '=', k: 2 }}
     • { C: 'BE4-C1', info: { p: '!=', k: 1 }}

   • c,1：

     • { C: 'BE1-C1', info: { p: '=', k: 3 }}
     • { C: 'BE2-C2', info: { p: '=', k: 1 }}
     • { C：'BE3-C2', info: { p: '=', k: 1 }

   • c,2:

     • { C: 'BE1-C2', info: { p: '=', k: 1 }}

   • z: z 非真實存在，所以我們不記錄子句資訊

     • { C：'BE5', info: { p: '=', k: 0 }}

6. 剪枝：

   • 對於只有兩個屬性的目標，最多隻能滿足兩個等於條件
   • 所以以 s1: a=1、b=3 為例所以可以將 k > 2 的直接排除掉
   • 再進行 a,1、b,3 的查詢得出新的倒排索引

7. 索引命中：z 預設為命中的

   • a,1：

     • { C: 'BE3-C1', info: { p: '=', k: 1 }}
     • { C: 'BE4-C1', info: { p: '=', k: 1 }}

   • b,3：

     • { C: 'BE2-C1', info: { p: '=', k: 2 }}
     • { C: 'BE4-C1', info: { p: '!=', k: 1 }}

   • z:

     • { C: 'BE5', info: { p: '=', k: 0 }}

8. 子句判斷：以子句分組判斷子句是否匹配

   • BE2-C1：

     • 命中：{ p: '=', k: 2 }
     • 判斷：需滿足 2 個等於，子句內僅有一項，不符合

   • BE3-C1：

     • 命中：{ p: '=', k: 1 }
     • 判斷：需滿足 1 個等於，子句內有一項，符合

   • BE4-C1：

     • 命中：{ p: '=', k: 1 }、{ p: '!=', k: 1 }
     • 判斷：需滿足 1 個等於，分組內有多於一項，但是命中了一項不等於，導致子句整體判斷為假，不符合

   • BE5：

     • 命中：{ p: '=', k: 0 }
     • 判斷：需滿足 0 個（未出現不等於，這也是 z 的作用）等於，分組內為一項，符合

9. 結果：

   1. BE5 的 第一個子句 C1 匹配
   2. true 或 ? 恆為 true
   3. 最終匹配了布林表示式 BE5

10. 總結：

    • DNF 的 CNF 子句之間是或的關係，只需要滿足一個 CNF 子句即可
    • 子句的斷言間是且的關係，需要看是否滿足所有斷言。同時，目標屬性少於斷言數量 k 可直接排除（演演算法最佳化）
    • 斷言為不等於時，需要一個特殊的 k=0 的倒排索引來命中不等於斷言

CNF

1. 首先有幾個匹配規則：

   • BE1：(a=1 或 b=2) 且 (c=1 或 e!=2)
   • BE2：(a=2 或 b=3) 且 (c=1 或 d=2)
   • BE3: (a=2 或 b!=2) 且 (c=1 或 d!=2)
   • BE4：(a=2 或 b=3) 且 (c!=1 或 d!=2)
   • BE5：(a=1 或 e!=2)
2. 有一個目標 s2，其屬性是：a=2、d=2

3. 對所有的匹配規則中的斷言建立倒排索引

   • 索引：

     • a=1：[BE1、BE5]
     • a=2：[BE2、BE3、BE4]
     • b=2：[BE1、BE3]
     • b=3: [BE2、BE4]
     • c=1：[BE1、BE2、BE3、BE4]
     • d=2：[BE2、BE3、BE4]
     • e=2：[BE1、BE5]

4. 索引處理

   • 以上索引依然不能直接匹配目標
   • 在 CNF 中，其 DNF 子句之間是且的關係，需要命中所有的 DNF 子句 C
   • DNF 的演演算法我們已經知道了，可以基於 DNF 進行匹配，再進行一次合併判斷（類似於 DNF 演演算法中命中的數量是否等於 k）
   • 於是需要記錄以下資訊，即 DNF 子句 C 是 CNF 的第幾部分，同時對每個子句的命中進行判斷
   • 構造一個 CNF 的真值計數器，為陣列，其長度為 DNF 子句的數量，其每項的值為表示否定的斷言的數量
   • 對於 BE3，其計數器為[-1,-1]，對於 BE4，其計數器為[0,-2]
   • 同樣我們將所有子句都包含不等於的 CNF 的也計入特殊的 z 索引，以避免目標缺少屬性而無法匹配的情況

5. 基於以上資訊我們建立：

   • 倒排索引：

     • a,1：

       • { C: 'BE1-C1', info: { p: '=' }}
       • { C: 'BE5-C1', info: { p: '=' }}

     • a,2：

       • { C: 'BE2-C1', info: { p: '=' }}
       • { C: 'BE3-C1', info: { p: '=' }}
       • { C: 'BE4-C1', info: { p: '=' }}

     • b,2：

       • { C: 'BE1-C1', info: { p: '=' }}
       • { C: 'BE3-C1', info: { p: '!=' }}

     • a,3：

       • { C: 'BE2-C1', info: { p: '=' }}
       • { C: 'BE4-C1', info: { p: '=' }}

     • c,1：

       • { C: 'BE1-C2', info: { p: '=' }}
       • { C: 'BE2-C2', info: { p: '=' }}
       • { C: 'BE3-C2', info: { p: '=' }}
       • { C: 'BE4-C2', info: { p: '!=' }}

     • d,2：

       • { C: 'BE2-C2', info: { p: '=' }}
       • { C: 'BE3-C2', info: { p: '!=' }}
       • { C: 'BE4-C2', info: { p: '!=' }}

     • e,2：

       • { C: 'BE1-C2', info: { p: '!=' }}
       • { C: 'BE5-C1', info: { p: '!=' }}

     • z：

       • { C: 'BE5', info: { p: '!=' }}

   • 真值計數器：

     • BE1：[0,-1]
     • BE2：[0,0]
     • BE3：[-1,-1]
     • BE4：[0,-2]

6. 索引命中：s2，其屬性是：a=2、d=2

   • a,2：

     • { C: 'BE2-C1', info: { p: '=' }}
     • { C: 'BE3-C1', info: { p: '=' }}
     • { C: 'BE4-C1', info: { p: '=' }}

   • d,2：

     • { C: 'BE2-C2', info: { p: '=' }}
     • { C: 'BE3-C2', info: { p: '!=' }}
     • { C: 'BE4-C2', info: { p: '!=' }}

   • z：

     • { C: 'BE5', info: { p: '!=' }}

7. 計數器計算：

   • BE2-C1 中命中 BE2 第 1 部分，判斷為 =，BE2 計數器，第 1 位改為 1：[1,1]
   • BE2-C2 中命中 BE2 第 2 部分，判斷為 =，BE2 計數器，第 2 位改為 1：[1,1]
   • BE3-C1 中命中 BE3 第 1 部分，判斷為 =，BE1 計數器，第 1 位改為 1：[1,-1]
   • BE3-C2 中命中 BE2 第 2 部分，判斷為 !=，BE2 計數器，第 1 位加 1：[1,0]
   • BE4-C1 中命中 BE4 第 1 部分，判斷為 =，BE2 計數器，第 2 位改為 1：[1,-2]
   • BE4-C2 中命中 BE2 第 2 部分，判斷為 !=，BE2 計數器，第 2 位加 1：[1,-1]
   • z命中，即缺屬性命中不等於判斷，即 BE5 命中

8. 結果：

   • 計數器：

     • BE1：[0,-1]
     • BE2：[1,1]
     • BE3：[1,0]
     • BE4：[1,-1]
     • z: BE5
   • 含有 0 計數的，不匹配，所以結果為 BE2、BE4、BE5

9. 總結：

   • CNF 為且關係的子句，需要滿足所有 DNF 子句，所以我們
   • 根據子句建立 CNF 否命中的計數器，如 BE3: (a=2 或 b!=2) 且 (c=1 或 d!=2) 真值計數器為 [-1,-1]，長度為子句長度，每項為子句中 != 的數量，每有 n 個記為 -n

   • 將斷言在第幾個子句和斷言符號計入倒排索引資訊

     • 使用目標匹配所有倒排索引
     • 根據資訊判斷修改真值計數器
   • 命中第 n 個子句，且斷言符號為 =，則將真值第 n 個位置置為 1，（表示這個 DNF 子句滿足要求，或關係滿足一個即可）
   • 命中第 n 個子句，且斷言符號為 !=，則將真值第 n 個位置加 1，（表示這個 DNF 子句預設滿足要求的 != 已經失效）

範圍斷言

• 範圍斷言：

  • 我們已經知道如何命中 = 和 !=，對於 >、< 這種範圍該怎麼辦？將值轉為確切的值即可

  • 如匹配規則：time > 2028-10

    • 轉化為 time = 2028-10、2028-11、2028-12、2029、2030、2040、2050...2100、2200...
    • 當然，不減少精度也可以，但是過多的值可能會是倒排索引數量爆炸
    • 當目標屬性 time: 2029-01 來命中時，轉化為 2029-01、2029、2020、2010、2000、1000 即可依靠 2029 命中
    • 即原始格式的值用來命中 = 斷言，小精度的值用來快速命中範圍斷言

  • 極限：我們肯定不能無限的轉化，根據實際情況對屬性轉化設定一個上下限即可

    • 年齡：上限 120、下限 0
    • 較為實時的時間屬性：在轉化和命中時取當前時間加減幾年或即可滿足需要
  • 當然也可以基於以上 CNF 的演演算法自己實現範圍查詢的邏輯

• 存在：

  • 如果對屬性是否存在也有匹配要求，即可在轉化時轉化為特殊值即可

  • 如匹配規則：a 存在 且 b 不存在

    • 轉化為：a=XXXNOTNULL、b=XXXNULL
    • 命中時，目標屬性為 a=3，則轉化為 a=3、XXXNOTNULL，b=XXXNULL 即可

實踐

以 ElasticSearch 為例，說明如何將匹配規則存入和如何匹配目標

• 匹配規則 BE1： (a == 1 || a == 2 || b = 3) && c!=1
• 目標：{ a: 1, b:2 }

• 倒排索引

  • 構造 ElasticSearch 的匹配規則檔案為：

    // 檔案1，在查詢時 [1,2] 滿足一個即可，所以可以將同一子句中 a 的兩個值合併在一起
    {
      BE: 'BE1',
      a: [1,2],
      info: {
        C: 1,
        d: '=',
        trueList: [0, -1]
      },
    }
    // 檔案2
    {
      BE: 'BE1',
      b: 3,
      info: {
        C: 1,
        d: '=',
        trueList: [0, -1]
      }
    }
    // 檔案3
    {
      BE: 'BE1',
      c: 1,
      info: {
        C: 2,
        d: '!=',
        trueList: [0, -1]
      }
    }
    // 也可以將匹配規則的真值計數器 trueList 存在別的地方

  • 可以設定使得 ElasticSearch 不索引 info 和 BE 欄位

• 構造目標查詢語句：

  {
    "query": {
      "bool": {
        "should": [
          {
            term: {
              a: 1
            }
          },
          {
            term: {
              b: 2
            }
          }
        ]
      }
    }
  }

• 查詢結果：

  // 只命中了 a
  {
    BE: 'BE1',
    a: [1,2],
    info: {
      C: 1,
      d: '=',
      trueList: [0, -1]
    },
  }

• 真值計算：斷言符號為 =，第一位改為[1,-1]
• 結果：命中 BE1

參考

• Indexing Boolean Expression
• Indexing Boolean Expression 的工程實現
• 基於布林表示式的廣告索引設計