src/relevance.c

   1 /* This file is part of Pazpar2.
   2    Copyright (C) 2006-2009 Index Data
   3
   4 Pazpar2 is free software; you can redistribute it and/or modify it under
   5 the terms of the GNU General Public License as published by the Free
   6 Software Foundation; either version 2, or (at your option) any later
   7 version.
   8
   9 Pazpar2 is distributed in the hope that it will be useful, but WITHOUT ANY
  10 WARRANTY; without even the implied warranty of MERCHANTABILITY or
  11 FITNESS FOR A PARTICULAR PURPOSE.  See the GNU General Public License
  12 for more details.
  13
  14 You should have received a copy of the GNU General Public License
  15 along with this program; if not, write to the Free Software
  16 Foundation, Inc., 51 Franklin St, Fifth Floor, Boston, MA  02110-1301  USA
  17
  18 */
  19
  20 #if HAVE_CONFIG_H
  21 #include <config.h>
  22 #endif
  23
  24 #include <assert.h>
  25 #include <math.h>
  26 #include <stdlib.h>
  27
  28 #include "relevance.h"
  29 #include "pazpar2.h"
  30
  31 struct relevance
  32 {
  33     int *doc_frequency_vec;
  34     int vec_len;
  35     struct word_entry *entries;
  36     pp2_charset_t pct;
  37     NMEM nmem;
  38 };
  39
  40
  41 struct word_entry {
  42     const char *norm_str;
  43     int termno;
  44     struct word_entry *next;
  45 };
  46
  47 static void add_word_entry(NMEM nmem,
  48                            struct word_entry **entries,
  49                            const char *norm_str,
  50                            int term_no)
  51 {
  52     struct word_entry *ne = nmem_malloc(nmem, sizeof(*ne));
  53     ne->norm_str = nmem_strdup(nmem, norm_str);
  54     ne->termno = term_no;
  55
  56     ne->next = *entries;
  57     *entries = ne;
  58 }
  59
  60
  61 int word_entry_match(struct word_entry *entries, const char *norm_str)
  62 {
  63     for (; entries; entries = entries->next)
  64     {
  65         if (!strcmp(norm_str, entries->norm_str))
  66             return entries->termno;
  67     }
  68     return 0;
  69 }
  70
  71 static struct word_entry *build_word_entries(pp2_charset_t pct, NMEM nmem,
  72                                              const char **terms)
  73 {
  74     int termno = 1; /* >0 signals THERE is an entry */
  75     struct word_entry *entries = 0;
  76     const char **p = terms;
  77
  78     for (; *p; p++)
  79     {
  80         pp2_relevance_token_t prt = pp2_relevance_tokenize(pct, *p);
  81         const char *norm_str;
  82
  83         while ((norm_str = pp2_relevance_token_next(prt)))
  84             add_word_entry(nmem, &entries, norm_str, termno);
  85
  86         pp2_relevance_token_destroy(prt);
  87
  88         termno++;
  89     }
  90     return entries;
  91 }
  92
  93 void relevance_countwords(struct relevance *r, struct record_cluster *cluster,
  94                           const char *words, int multiplier, const char *name)
  95 {
  96     pp2_relevance_token_t prt = pp2_relevance_tokenize(r->pct, words);
  97     int *mult = cluster->term_frequency_vec_tmp;
  98     const char *norm_str;
  99     int i, length = 0;
 100
 101     for (i = 1; i < r->vec_len; i++)
 102         mult[i] = 0;
 103
 104     while ((norm_str = pp2_relevance_token_next(prt)))
 105     {
 106         int res = word_entry_match(r->entries, norm_str);
 107         if (res)
 108         {
 109             assert(res < r->vec_len);
 110             mult[res] += multiplier;
 111         }
 112         length++;
 113     }
 114
 115     for (i = 1; i < r->vec_len; i++)
 116     {
 117         cluster->term_frequency_vecf[i] += (double) mult[i] / length;
 118         cluster->term_frequency_vec[i] += mult[i];
 119     }
 120
 121     cluster->term_frequency_vec[0] += length;
 122     pp2_relevance_token_destroy(prt);
 123 }
 124
 125 struct relevance *relevance_create(pp2_charset_t pct,
 126                                    NMEM nmem, const char **terms)
 127 {
 128     struct relevance *res = nmem_malloc(nmem, sizeof(struct relevance));
 129     const char **p;
 130     int i;
 131
 132     for (p = terms, i = 0; *p; p++, i++)
 133         ;
 134     res->vec_len = ++i;
 135     res->doc_frequency_vec = nmem_malloc(nmem, res->vec_len * sizeof(int));
 136     memset(res->doc_frequency_vec, 0, res->vec_len * sizeof(int));
 137     res->nmem = nmem;
 138     res->entries = build_word_entries(pct, nmem, terms);
 139     res->pct = pct;
 140     return res;
 141 }
 142
 143 void relevance_newrec(struct relevance *r, struct record_cluster *rec)
 144 {
 145     if (!rec->term_frequency_vec)
 146     {
 147         int i;
 148
 149         // term frequency [1,..] . [0] is total length of all fields
 150         rec->term_frequency_vec =
 151             nmem_malloc(r->nmem,
 152                         r->vec_len * sizeof(*rec->term_frequency_vec));
 153         for (i = 0; i < r->vec_len; i++)
 154             rec->term_frequency_vec[i] = 0;
 155
 156         // term frequency divided by length of field [1,...]
 157         rec->term_frequency_vecf =
 158             nmem_malloc(r->nmem,
 159                         r->vec_len * sizeof(*rec->term_frequency_vecf));
 160         for (i = 0; i < r->vec_len; i++)
 161             rec->term_frequency_vecf[i] = 0.0;
 162
 163         // for relevance_countwords (so we don't have to xmalloc/xfree)
 164         rec->term_frequency_vec_tmp =
 165             nmem_malloc(r->nmem,
 166                         r->vec_len * sizeof(*rec->term_frequency_vec_tmp));
 167     }
 168 }
 169
 170
 171 void relevance_donerecord(struct relevance *r, struct record_cluster *cluster)
 172 {
 173     int i;
 174
 175     for (i = 1; i < r->vec_len; i++)
 176         if (cluster->term_frequency_vec[i] > 0)
 177             r->doc_frequency_vec[i]++;
 178
 179     r->doc_frequency_vec[0]++;
 180 }
 181
 182 // Prepare for a relevance-sorted read
 183 void relevance_prepare_read(struct relevance *rel, struct reclist *reclist)
 184 {
 185     int i;
 186     float *idfvec = xmalloc(rel->vec_len * sizeof(float));
 187
 188     reclist_rewind(reclist);
 189     // Calculate document frequency vector for each term.
 190     for (i = 1; i < rel->vec_len; i++)
 191     {
 192         if (!rel->doc_frequency_vec[i])
 193             idfvec[i] = 0;
 194         else
 195         {
 196             // This conditional may be terribly wrong
 197             // It was there to address the situation where vec[0] == vec[i]
 198             // which leads to idfvec[i] == 0... not sure about this
 199             // Traditional TF-IDF may assume that a word that occurs in every
 200             // record is irrelevant, but this is actually something we will
 201             // see a lot
 202             if ((idfvec[i] = log((float) rel->doc_frequency_vec[0] /
 203                             rel->doc_frequency_vec[i])) < 0.0000001)
 204                 idfvec[i] = 1;
 205         }
 206     }
 207     // Calculate relevance for each document
 208
 209     while (1)
 210     {
 211         int t;
 212         int relevance = 0;
 213         struct record_cluster *rec = reclist_read_record(reclist);
 214         if (!rec)
 215             break;
 216         for (t = 1; t < rel->vec_len; t++)
 217         {
 218             float termfreq;
 219 #if 1
 220             termfreq = (float) rec->term_frequency_vecf[t];
 221 #else
 222             if (rec->term_frequency_vec[0])
 223             {
 224                 termfreq = (float)
 225                     rec->term_frequency_vec[t] / rec->term_frequency_vec[0] ;
 226             }
 227             else
 228                 termfreq = 0.0;
 229 #endif
 230             relevance += 100000 * (termfreq * idfvec[t] + 0.0000005);
 231         }
 232         rec->relevance = relevance;
 233     }
 234     reclist_rewind(reclist);
 235     xfree(idfvec);
 236 }
 237
 238 /*
 239  * Local variables:
 240  * c-basic-offset: 4
 241  * c-file-style: "Stroustrup"
 242  * indent-tabs-mode: nil
 243  * End:
 244  * vim: shiftwidth=4 tabstop=8 expandtab
 245  */
 246