02信息检索系统及其构成分析.ppt

* * * * * * * * * * * * * * * * * * * * Content Layouts * * * * Content Layouts * * * * * * * * * * * * * * * * * * * * * * * N-gram法 N-gram(N0)，是指由N个相邻字符组成的字符串序列。 对文本进行处理，可得到该文本所包含的长度为N的字符串集合。 对“数字图书馆”进行4-gram处理， 有 {数字，字图，图书，书馆} 对“information”进行4-gram处理，有{info, nfor, form, orma, rmat, mati, atio, tion} N-gram法 N-gram法是一种与语种无关的纯统计分析式的文本处理技术 这种方法通过对汉语文本中的N-gram指标的出现频率进行统计分析，无需词典和规则，可大大提高文本标引的处理速度和自动化水平 2.3 信息存储各功能模块分析 自动标引中的词频统计和加权方案 自动标引中的词语加权方案 绝对词频法 逆文档频率法 词区分值法 绝对词频法 假设：当某个作者要深入阐述或解释某一话题时，它常常会重复使用某些特定的词语 这种强调手法可以作为判断词重要性的一种标志。也就是说，把词在文档中的出现频次作为该词重要性的一种有效测度 绝对词频法 基本原理 在给定的一个由N篇文档组成的文档集合中，计算出每篇文档中每个不同的词的出现频次Freqik 把每个不同词在N篇文档中的出现频次相加，得到词k的集合频率Tfreqik 按集合频率递减次序排列这些词，并用试错法确定高频词和低频词的阈值 排除高频词和低频词，挑选余下的中频词作为标引词，并按照他们的Freqik来决定在相应文档中的权值 绝对词频法 主要特点：方法简单，容易实现，有一定的实用性。 缺点：仅使用中频词作为标引词，简单排除高频词和低频词，不仅可能会降低查全率和查准率，而且确定高频词和低频词的截止界也是很困难的。 逆文档频率法 假设：某词的重要性与它在特定文档中出现的频次成正比，与含有该词的文档数成反比, 其计算公式 IDFk=log(N/nk)+a 其中，N为文档集合中的文档总数，nk为含有词k的文档数量，a为参数，通常取1或0.5 进一步，结合词的绝对频率值Freqik可以形成词k在文献i中的权值计算公式 Weightik= Freqik *IDFk 逆文档频率法 主要特点： Weightik的计算综合考虑了词的绝对频率和逆文档频率，从局部和全局两方面计算其在特定文献中的重要性，不仅计算方法比较简单，加权效果也比较好。 词区分值法 词区分值：使用某个词做内容标识时，它所具有的区分不同内容文档的能力 假设：对一个文档集合D, 其中的每篇文档都用等长的文档向量表示，可以计算出任意两篇文档向量之间的相似度 若把集合D中的全部文档对的相似度都计算出来，就可以得到一个平均相似度AvgSim。 因此，对于某个文档集合来说，其平均相似度越大，检索效率就越低，反之，平均相似度越小，检索效率就越高 词区分值法 如果一个词作为标引词使用后，能使文档集合的AvgSim显著地减小，或者把它去掉后会使AvgSim的值明显增大，就说明该词的区分力好，是一个有效的标引词 如果一个词作为标引词会使AvgSim的值显著地增大，去掉后使AvgSim的值显著地减小，则说明该词的区分能力差，不适合做的标引词 词区分值法 词区分值的计算 DVk = AvgSimk — AvgSim 其中， DVk为词k的区分值， AvgSimk为去掉该词k之后的文档集合的平均相似度 特点：加权计算量比较大，曾在SMART系统中使用过 自动标引处理流程 2.3.3 数据库创建与维护 数据库创建与维护模块 主要任务是在“信息资源选择与采集”和“信息标引处理”模块工作的基础上，建立和维护可直接用于信息检索的数据库 主要内容包括： 数据录入或扫描 错误检查与校对 数据格式转换 文档更新维护 信息检索系统的逻辑结构 信息检索的基本原理：对信息资源集合与信息需求集合的匹配与选择 信息检索是一种有目的和组织化的信息存取活动 2.4 信息查询各功能模块分析 用户（检索）接口 人机交互模型主要基于以下两个基本假定 用户的信息需求是静态不变的 信息查询是一个对提问式不断修改并逐步获取理想检索结果的过程 用户与信息检索系统的一个交互的循环模型 2.4 信息查询各功能模块分析 一、用户（检索）接口模块的基本构成 1、用户模型 2、信息显示 3、交互语言 4