GPU方法做倒排压缩和交集计算

之前一直想读这篇，今天读了一下，颇有收获:

1.对文档按相似term聚类之后,delta较小，能够提高压缩率(similarity graph)

1.GPU一般能够有几百个核，有shared memory和global memory,shared memory相当于寄存器的速度,global memory速度较慢

2.有序数组上的搜索算法除了binary search还有interplation search(插值搜索),平均复杂度是O(loglogn),但memory access是binary search的三倍，一般不使用

3.一般到排链基本都符合线性增长趋势,能够相应直线的点。取范围查找能够降低binary search的范围，提升效率(LR Algorithm)

4.或使用hash表,将一定范围内的docId放在一个bucket中，哈希函数简单、哈希表在shared memory中，尽管有些内存的overhead,但效率很高，快于LR(HS Algorithm)

5.由于一般倒排表是线性增长的,使用Linear Regression Compression,能够非常好压缩(但压缩比仅仅有二点几,不知道和group variant比怎么样),可是具有不保存delta的优势。在GPU上能够直接应用binary search,仅仅是每次须要浮点数计算.

Efficent Parallel Lists Intersection and Index Compression Algorithms using Graphics Processing Units:

http://www.vldb.org/pvldb/vol4/p470-ao.pdf