1 简介

为了今后能够更好地融入到工作环境，萌新决定从头学习一下Xapian库。本篇是Xapian系列第一篇，因为之前对IR方向不是很熟悉，所以打算先把官网的document翻译一下，在翻译的过程中夹带着把碰到的不懂的地方进行补充拓展。希望自己能够坚持下去(^_)。

以术语开头可以快速的掌握文档中的关键部分，也能够了解到整个IR系统中大家普遍使用的技术手段。由于一些词汇（如document、term等）在Xapian中具有更加丰富的含义，所以在这些词汇具有专有含义的地方，保留使用了英文。

本文原始文档来自于 https://xapian.org/docs/glossary.html

2 术语翻译

这篇词典文档定义了在使用Xapian的过程中可能遇到的术语。一些词汇是信息检索(Information Retrieval, 简称IR)领域中的标准术语，其他的词汇在Xapian项目的上下文环境中会有特殊的含义。

BM25
指Xapian中默认使用的权重方案。BM25一种对原始概率权重方案的改进方案，近期的TREC测试表明BM25是最好的概率权重方案。有时也被称为Okapi BM25，因为该方案首先被称为Okapi的IR系统实现。
（译注：TREC指The Text REtrieval Conference直译为文本检索会议）

Boolean Retrieval
检索一个documents集合，集合中的documents能够匹配一个布尔查询（如：由关系操作符连接的一组term，操作符包括AND，OR，AND_NOT）。在许多其他的检索系统中，这些documents不会根据相关性进行排序。在Xapian中，可以使用纯布尔查询（pure Boolean query，没有相关性排序），也可以使用布尔风格查询（Boolean style query），布尔风格查询会对检索到的documents进行过滤，然后使用带权值的打分公式进行排序。

Brass
Brass曾经是Xapian 1.2.x，1.3.0，1.3.1版本中“正在开发”的数据库类型。在Xapian1.3.2之后，被重命名为“glass”，因为我们决定将这些底层的名字按照字母表升序排列，使其更容易被理解，因为最近用到了“flint”，所以跳过‘d’‘e’‘f’，重命名为“glass”。

Chert
Chert是Xapian1.2.x版本中用到的稳定的数据库类型。在很多方面与flint类似，但往往会更快，且用到明显更少的硬盘空间。Chert具有高效、高可扩展的特点，支持增量的修改，并发方面支持单写多读。

Collection Frequency
一个term的collection frequency指的是其在数据库中出现的总次数。等同于该term在每个document中出现的次数之和。

Database
Xapian中的数据库与其他关系型数据库不同，存储了不只是被检索document的信息，这也反映了Xapian是一个信息检索系统，而不是信息存储系统。在某些场景下这些也可能被称为Indexes。1.4版本后端默认使用Glass，1.2使用Chert，1.0使用Flint，1.0之前使用Quartz。

Document ID
Xpaian数据库中，用来标记一个document的唯一正整数。

Document Data
Document Data是与每个document相关联的多种类型信息之一，具体内容可以被任意格式的数据填充，例如URL，文档名，或者文档的一段文本摘要。如果要用Omega来交互操作，应该包含name=value数据对，每行一个（近期的Omega版本支持每行一个field value，且可以在查询模板中为行号命名）。

Document
表示被检索的基本单位。它们往往是以文本形式出现的文档（如web页面，email信息，文本编辑软件的文档文件）。但也可以是某个文档中的片段，或者照片、视频、音乐、用户档案，或者你希望被检索的任意信息。

Edit distance
一种测量信息，在使用建议的拼写纠错方法时，表示从一个文本字符串转化到另一个字符串所需的编辑次数。为了计算一次编辑，Xapian使用的算法包括增、删、改一个字符，或者转置两个相邻字符。（译注：常见的面试算法题）

ESet(Expand Set)
直译为扩展集，表示一组排序过的terms，可以被用来扩展原始的查询。这些terms在相关和非相关的document中，具有统计上良好的区分度。（译注：个人理解这个意思是有这个集合之后不会影响原始查询的准确性，即不会检索到非相关的document）

Flint
Flint是Xapian 1.0.x版本中默认使用的数据库类型，1.2.x版本中被弃用，1.3.0版本中被移除。

Glass
Xapian 1.4默认使用的数据库类型。

Index
直译为索引。如果一个document可由一个term描述，那么可以称该term索引了这个document，在Xapian和其他IR系统中，也称该term为index。

Indexer
Indexer接受documents，并将它们进行处理，使其可以有效地被检索到，之后存储到database中。（译注：应该可以称之为索引器）

Information Need
表示用户在寻找的信息，通常用户会尝试将其描述为一个查询语句。

Information Retrieval(IR)
信息检索是“搜索的学科”，用来表示学术上与“搜索”相关的研究和话题。

MSet(Match Set)
匹配集（MSet）是由一个查询得到的结果documents列表，列表有序。该列表根据documents的权重进行排序，所以顶部的document具有最高的相关性概率。MSet中documents的数量可控，所以通常并不会包含所有匹配到的documents。