[发明专利]一种基于es倒排索引的化学分子式检索方法

摘要

本发明公开了一种基于es倒排索引的化学分子式检索方法，本发明结合大数据平台对检索过程进行重新设计，首先通过对es数据库中的分子式进行分词得到的子结构建立倒排索引，并对es数据库中的分子式计算哈希表示；检索时对分子式进行分词得到子结构，并计算哈希表示，利用倒排索引得到子结构匹配的分子式集合，再与得到的分子式集合的哈希表示一一比较，得到输入分子式与分子式集合中每个分子式之间的相似度，按照应用需要输出检索结果。本发明的比较范围为分子式集合，而不是数据库中全部的分子式，减少了比较的次数，进一步加快了分子式的检索。

主权项

1.一种基于es倒排索引的化学分子式检索方法，其特征在于，包括以下步骤：步骤1：对es数据库中的分子式建立倒排索引和哈希表示，具体为：1.1对es数据库中的每个分子式进行分词，得到分子式的子结构集合，子结构集合包含2个以上用化学键相连的原子，或单个的除常用原子以外的原子；1.2去掉子结构集合中的相同子结构；1.3把分子式得到的一系列子结构哈希映射到一个由32位整数组成的数组上，得到分子式的哈希表示；分子式得到的一系列子结构作为分子式的索引，建立es数据库中所有分子式的倒排索引。步骤2：检索过程，具体为：2.1检索时对输入的分子式进行分词，得到分子式的子结构集合，计算分子式的哈希表示；2.2用子结构集合在倒排索引中查找匹配项，即查找包含子结构集合中任一子结构的分子式，得到es数据库中匹配的分子式集合T；2.3用输入分子式的哈希表示，与得到的分子式集合T对应的哈希表示一一比较，得到输入分子式与分子式集合T中每个分子式之间的相似度；2.4根据输入分子式与分子式集合T中每个分子式的相似度，按照应用需要，输出T中相似度大于阈值的分子式，或按照相似度从大到小排列，输出前n个最相似的分子式。