題-1_100_100.jpg)
基本信息
- 項(xiàng)目名稱：
- 基于BAM的用戶查詢與網(wǎng)頁匹配的研究
- 小類：
- 信息技術(shù)
- 簡介：
- 提出一個新匹配的策略使用更加精確和現(xiàn)實(shí)的概念以提高過去的基于關(guān)鍵詞的匹配策略。根據(jù)從各個網(wǎng)頁中提取語義概念為每個網(wǎng)頁建立1個概念格子。這樣概念格由雙向聯(lián)想記憶存儲器進(jìn)行編碼以區(qū)別于過去復(fù)雜概念格建立算法。然后提取這些形式概念中與查詢的關(guān)鍵詞相關(guān)的對象與屬性進(jìn)行匹配操作。
- 詳細(xì)介紹：
- 提出一個新匹配的策略使用更加精確和現(xiàn)實(shí)的概念以提高過去的基于關(guān)鍵詞的匹配策略。根據(jù)從各個網(wǎng)頁中提取語義概念為每個網(wǎng)頁建立1個概念格子。這樣概念格由雙向聯(lián)想記憶存儲器進(jìn)行編碼以區(qū)別于過去復(fù)雜概念格建立算法。然后提取這些形式概念中與查詢的關(guān)鍵詞相關(guān)的對象與屬性進(jìn)行匹配操作。在新的匹配模型中，使用的形式概念與自然語義概念相似，并且這些概念被作為文本和網(wǎng)頁表示的基本元素。匹配模型不僅具有理解自然語言文本的能力而且具有學(xué)習(xí)的能力。其中各個概念權(quán)重是可變的，這個模型可以根據(jù)用戶反饋更新文本的表示，還可以通過學(xué)習(xí)得到一組有用的概念來幫助檢索。模型中采用的學(xué)習(xí)策略可以使相關(guān)網(wǎng)頁的相似性得以加強(qiáng)，不相關(guān)網(wǎng)頁的相似性得以削弱。實(shí)驗(yàn)證明，這個新的匹配模型可以使信息檢索的召回率和準(zhǔn)確率得以提高。
作品專業(yè)信息
撰寫目的和基本思路
- 作品撰寫的目的是提高網(wǎng)頁匹配速度?；舅悸肥翘岢鲆粋€新的匹配策略，使用更加精確和現(xiàn)實(shí)的概念以提高過去基于關(guān)鍵詞的匹配策略。
科學(xué)性、先進(jìn)性及獨(dú)特之處
- 提出了一個新的匹配策略，在新的匹配模型中，使用的形式概念與自然語義概念相似，并且這些概念被作為文本和網(wǎng)頁表示的基本元素。匹配模型不僅具有理解自然語言文本的能力而且具有學(xué)習(xí)的能力。其中各個概念權(quán)重是可變的。這個模型可以根據(jù)用戶反饋更新文本的表示，還可以通過學(xué)習(xí)得到一組有用的概念來幫助檢索。
應(yīng)用價值和現(xiàn)實(shí)意義
- 可以顯著的提高搜索性能，提高了準(zhǔn)確率和召回率
學(xué)術(shù)論文摘要
- 提出一個新匹配的策略使用更加精確和現(xiàn)實(shí)的概念以提高過去的基于關(guān)鍵詞的匹配策略主。根據(jù)從各個網(wǎng)頁中提取語義概念為每個網(wǎng)頁建立1個概念格子。這樣概念格由雙向聯(lián)想記憶存儲器進(jìn)行編碼以區(qū)別于過去復(fù)雜概念格建立算法。然后提取這些形式概念中與查詢的關(guān)鍵詞相關(guān)的對象與屬性進(jìn)行匹配操作。
獲獎情況
- 無
鑒定結(jié)果
- 無
參考文獻(xiàn)
- [1]KOSKO B.Bidrectional Associative Memory [J].IEEE Transactions of Systems,Man and Cybernetics,1988,18(1):49-60. [2]WILLE R.Restructuring Lattice Theory:An Approach Based on Hierarchies of Concepts [J].Ordered Sets,1982,32:445-470. [3] BěLOHLáVEK R.Respresentation of Concept Lattices by Bidirectional Associative Memories [J].Neural Computation,2000,12(10):2 279-2 290. [4]GODIN R,GECSEI J,PICHET C.Design of Browsing Interface for Information Retrieval [J].Proc SIGIR,1989,89:32-39.
同類課題研究水平概述
- (l)向量模型:1975年由Salton等提出。向量模型中文檔被看成一組獨(dú)立的n維詞條向量，對每個詞條分量都賦予一個權(quán)值，文檔和用戶查詢的匹配問題可以轉(zhuǎn)化為向量空間匹配問題，用兩個向量的夾角余弦表示文檔和用戶查詢的匹配程度。 (2)布爾模型:1980年由Booksteinll提出。布爾模型是一種簡單的匹配模型，如果用戶提交的查詢詞條在文檔中出現(xiàn)就賦予Ture值，反之賦予False值，用and，or，not等邏輯運(yùn)算符將查詢詞條連成一個邏輯表達(dá)式。布爾模型的檢索速度快，并且易于實(shí)現(xiàn)，幾乎所有的商業(yè)搜索引擎都支持該模型。但是該模型要求過于嚴(yán)格，漏檢比較嚴(yán)重，而且沒有考慮到關(guān)鍵字的權(quán)重問題，使得檢索結(jié)果不夠令人滿意。 (3)潛在語義索引模型:1990年由Deerwester提出。它利用特征詢與文檔對象之間的內(nèi)在關(guān)系形成信息的語義結(jié)構(gòu)，來反映數(shù)據(jù)間最主要的聯(lián)系模式，忽略了個體文檔對詞語的不同使用風(fēng)格。 (4)概率模型:概率模型考慮了詞條和文檔之間的統(tǒng)計(jì)概率。根據(jù)先前檢索過程中得到的相關(guān)性先驗(yàn)信息，計(jì)算文檔集合中每篇文檔成為相關(guān)文檔的概率，然后根據(jù)統(tǒng)計(jì)決策理論決定輸出標(biāo)準(zhǔn)來確定哪些文檔可以輸出。 (5)基于命題邏輯的模型:它將文檔和查詢當(dāng)成一個命題公式，用邏輯推導(dǎo)的方法計(jì)算二者的相關(guān)性。此外還有神經(jīng)網(wǎng)絡(luò)模型:它將每個關(guān)鍵詞作為輸入神經(jīng)元，每篇文檔作為輸出神經(jīng)元，通過查詢激活相應(yīng)的輸入神經(jīng)元，來獲得輸出信號，即相關(guān)文檔。神經(jīng)網(wǎng)絡(luò)模型具有學(xué)習(xí)能力，考慮了關(guān)鍵詞之間的相關(guān)性。但是在實(shí)際的信息檢索系統(tǒng)中很少應(yīng)用，因?yàn)閷?shí)際中需要太多的神經(jīng)元表示數(shù)據(jù)庫中的文檔和關(guān)鍵詞，并且會因此產(chǎn)生大量的計(jì)算。
