精品文檔-下載后可編輯N層向量空間模型在Web信息檢索中的實現(xiàn)-技術(shù)方案

隨著互聯(lián)網(wǎng)和萬維網(wǎng)（WorldWideWeb）的快速繁榮發(fā)展，萬維網(wǎng)逐漸成為人們生活中不可或缺的一種信息獲取。萬維網(wǎng)給信息檢索技術(shù)帶來了極大的機遇和挑戰(zhàn)。經(jīng)過近十幾年的發(fā)展，信息檢索已經(jīng)由一個純粹的學(xué)術(shù)研究學(xué)科轉(zhuǎn)變成大多數(shù)人信息獲取的技術(shù)基礎(chǔ)。隨著Web2.0概念的普及和發(fā)展，萬維網(wǎng)不再僅僅是一個巨大的信息庫，更逐漸成為一個用戶參與和交流的平臺。Web2.0應(yīng)用網(wǎng)站的蓬勃發(fā)展將再次推動信息檢索技術(shù)的革新。在Web2.0時代，信息檢索技術(shù)主要有以下三方面的發(fā)展趨勢：1）更加靈活的個性化信息服務(wù)。隨著用戶的急劇增加，Web2.0網(wǎng)站迫切需要滿足用戶的個性化信息需求。然而，傳統(tǒng)的Web信息檢索技術(shù)并不擅長處理Web2.0應(yīng)用的復(fù)雜結(jié)構(gòu)數(shù)據(jù)。Web2.0需要更加靈活的個性化信息服務(wù)，如信息推薦系統(tǒng)。2）更加有效的多媒體數(shù)據(jù)檢索技術(shù)。隨著Web2.0的普及，用戶可以很方便地上傳和分享多媒體信息。多媒體數(shù)據(jù)的迅速增多使得多媒體信息檢索技術(shù)成為人們關(guān)注的焦點。

本文在傳統(tǒng)向量空間模型的基礎(chǔ)上提出一種新的檢索方法，將N層向量空間模型應(yīng)用在Web信息檢索上，使之能較好地適應(yīng)文檔集合的動態(tài)擴充。理論分析和實驗結(jié)果表明，此方法能夠進一步提高向量空間模型的性能，節(jié)省存儲空間，加快檢索速度，具有較高的精度和召回率。

1向量空間模型

1.1傳統(tǒng)向量空間模型

向量空間或稱線性空間，是現(xiàn)代數(shù)學(xué)中的一個基本概念，是線性代數(shù)研究的基本對象。向量空間是線性代數(shù)的主體，它是數(shù)學(xué)中基本又重要的概念，其概念是：設(shè)V為n維向量的集合，如果集合V非空，且集合V對于加法及乘數(shù)兩種運算封閉，那么就稱集合V為向量空間。其理論和方法已應(yīng)用到自然科學(xué)、工程技術(shù)及社會科學(xué)的諸多領(lǐng)域。向量空間的一個直觀模型是向量幾何，幾何上的向量及相關(guān)的運算即向量加法，標量乘法，以及對運算的一些限制如封閉性，結(jié)合律，已大致地描述了"向量空間"這個數(shù)學(xué)概念的直觀形象。

向量空間模型的出發(fā)點是：每篇文檔和查詢都包含一些用概念詞表達的、揭示其內(nèi)容的獨立屬性，而每個屬性都可以看成是概念空間的一個維數(shù)。因此，文檔和查詢就可以表示為這些屬性的集合，從而忽略了文本結(jié)構(gòu)中段落、句子及詞語之間的復(fù)雜關(guān)系。這樣，文檔和查詢可以分別用空間的一個點表示，并且文檔矢量與查詢矢量之間就存在空間上的不同距離，而這種距離關(guān)系在信息檢索中的意義就是文檔與查詢之間的相似度。所以，文檔與查詢之間的相似度可以用矢量間的距離來衡量。相似度的計算方法有很多種，本文采用余弦系數(shù)法，即用二個矢量之間的夾角的余弦來表示文檔與查詢間的相關(guān)度。夾角越大，距離越遠，余弦越小，相關(guān)度越小，反之相關(guān)度越大。下面介紹向量空間模型的量化方法。

tfij為特征項tj在文檔di中出現(xiàn)的頻率；dfj為在整個文檔集中，包含特征項tj的文檔數(shù)；idfj為反轉(zhuǎn)文檔頻數(shù)，其值為：

可見，傳統(tǒng)的向量空間模型是以文本特征項的頻率tf和反轉(zhuǎn)文檔頻率idf作為其量化基礎(chǔ)的。其乘積作為特征項的權(quán)重，再通過計算文檔與查詢之間的相似度即可判斷文檔與查詢是否相關(guān)。權(quán)重值大的特征項是那些在文檔中出現(xiàn)頻率足夠高，但在整個文檔集的其他文檔中出現(xiàn)頻率足夠少的詞語，也是對區(qū)別文檔有意義的詞語。

1.2N層向量空間模型

將一篇文檔從組織結(jié)構(gòu)上劃分為N層，基于每層的文本內(nèi)容建立相應(yīng)的特征項向量和權(quán)值。其中特征項抽取和權(quán)重計算等同傳統(tǒng)向量空間模型相同。這樣，對于文檔進行N層劃分得到的向量空間模型就成為N層向量空間模型。

本文針對Web信息檢索進行考慮，由于Web頁面的特殊格式，要求一篇文檔少是由指向該文檔的鏈接、文檔標題和文檔正文三部分組成。而這三部分的內(nèi)容對于這篇文檔的表達能力是不同的。鏈接的文字是吸引別人點擊文檔進行閱讀的通道，所以鏈接的內(nèi)容表達文檔的能力強，其次是標題，正文的內(nèi)容表達文檔的能力弱。

因此，將N層向量空間模型應(yīng)用在Web信息檢索時，可將一篇Web文檔按照指向文檔的鏈接、標題和正文劃分成3層（若Web頁面中有metakeyword等標記的關(guān)鍵字部分，則可劃分為4層向量空間模型。）。

2應(yīng)用N層向量空間模型進行Web信息檢索

2.1文本向量表示形式的改進

向量空間模型在建完索引以后，要根據(jù)每一個特征項求其對于每一篇文檔和查詢的權(quán)重值。其計算量非常大，并且每一篇文檔和查詢的向量表示式為，其中大多數(shù)項都為零，所以導(dǎo)致了數(shù)據(jù)稀疏現(xiàn)象。另外由于Web頁面的超鏈性（hyperlink），頁面上顯示的信息有很多是和本頁內(nèi)容無關(guān)的，例如別的頁面的鏈接、版權(quán)信息、欄目導(dǎo)航等，在每個頁面上都有重復(fù)出現(xiàn)，這干擾了相似度計算。為解決這些問題，首先引入停用詞表，例如文檔中很多不能說明文檔內(nèi)容的語法詞，還有虛詞、感嘆詞、連詞等或各個文檔共有的詞，所有這些詞作為描述文檔的向量效率是非常低的。因此可以考慮降維處理，把它們作為停用詞，不計算其權(quán)重；其次，采用壓縮矩陣的辦法來解決數(shù)據(jù)稀疏問題，定義文檔和查詢的向量表示形式為：……，（ti,ωdi），……,其中ti為第i個特征項，ωdi為其對應(yīng)的權(quán)重值且ωdi≠0.這樣既減少了計算量，又加快了計算速度，同時節(jié)省了存儲空間。

2.2特征項頻率統(tǒng)計的改進

在統(tǒng)計每個區(qū)域的特征項頻率得到tfij后，要乘以一個反映其重要程度的比例系數(shù)來加以修正和調(diào)整，則特征項tj在文檔di中出現(xiàn)的頻率為：

其中：tfiji為第i個區(qū)域的頻率（i為1、2、3時分別對應(yīng)鏈接區(qū)域、標題區(qū)域、正文區(qū)域），α＞β＞γ≥1為比例系數(shù)。同樣，在文檔同一區(qū)域中，不同的特征項所表達文檔內(nèi)容的能力也是有差別的。例如同在正文區(qū)域的不同的特征項所代表文檔的內(nèi)容就有可能不同。在計算特征項頻率tfij時再乘以一個比例因子log2(M/mi)，其中M為該特征項在本文檔中共出現(xiàn)的次數(shù)，mi為該特征項在文檔第i次出現(xiàn)的次數(shù)。這樣，特征項tj在文檔di中出現(xiàn)的頻率調(diào)整為：

2.3傳統(tǒng)向量空間模型與N層向量空間模型的算法復(fù)雜度比較

表1為傳統(tǒng)向量空間模型與N層向量空間模型的算法復(fù)雜度比較結(jié)果。

3實驗設(shè)置

（1）信息檢索實驗系統(tǒng)。信息檢索實驗系統(tǒng)選用了Smart系統(tǒng)。SMArt系統(tǒng)是基于向量空間檢索模型實現(xiàn)的信息檢索系統(tǒng)。在本實驗中，為便于實現(xiàn)對向量空間模型算法的修改，使用的是經(jīng)過修改的Smart信息檢索系統(tǒng)。

（2）測試集。測試集分為文檔和查詢（query）二部分：文檔部分采用新浪網(wǎng)站（）的新聞部分Web版（32,145篇）。查詢部分使用新浪網(wǎng)站的新聞討論標題，共50個。

（3）評價方法。本系統(tǒng)使用精度和召回率來評價。精度是檢索出來的相關(guān)文檔數(shù)和檢索出來的總文檔數(shù)的比值；召回率是檢索出來的相關(guān)文檔數(shù)和總的相關(guān)文檔數(shù)的比值。通常，召回率越高，精度越低；反之精度越高，召回率越低。所以有說服力的是11個點的平均精度。世界上權(quán)威的文本檢索評測會議TREC（TextRetrievalConference）的評測依據(jù)就是這個值。本系統(tǒng)將只提供這個值。

4實驗結(jié)果

這里對傳統(tǒng)的向量空間模型算法和改進后的向量空間算法進行了比較，并統(tǒng)計了對應(yīng)于每一條查詢的11個點處的平均精度值。其結(jié)果如表2所示。

因為平均精度值僅僅是11個點處的精度值的平均值，為了進一步說明問題，圖1給出了這幾次檢索的精度-召回率曲線