基于圖的文檔檢索技術(shù)研究.pdf

1、隨著計(jì)算機(jī)技術(shù)和互聯(lián)網(wǎng)的發(fā)展，信息檢索已經(jīng)成為日常生產(chǎn)生活中不可缺少的一部分，更受到學(xué)術(shù)界的高度關(guān)注。近年來(lái)，圖數(shù)據(jù)的使用方興未艾，互聯(lián)網(wǎng)的發(fā)展伴隨著大數(shù)據(jù)的增長(zhǎng)，使得越來(lái)越多的應(yīng)用產(chǎn)生圖數(shù)據(jù)。圖數(shù)據(jù)的研究近年來(lái)也炙手可熱。
　　文檔檢索的主要任務(wù)是計(jì)算用戶輸入的查詢?cè)~和文檔的相似度，并將文檔依照相似度排序返回給用戶。向量空間模型是信息檢索領(lǐng)域中的基本模型，也是文檔檢索領(lǐng)域中最常用的模型。當(dāng)今很多廣受歡迎的文檔檢索系統(tǒng)依舊以向量空

2、間模型為核心。由于向量空間模型在檢索中將詞項(xiàng)視作獨(dú)立無(wú)關(guān)的，割裂了詞項(xiàng)之間的關(guān)系。而實(shí)際的文本中，詞項(xiàng)與詞項(xiàng)之間通常都有相關(guān)性。這就導(dǎo)致了以向量空間模型為核心的文檔檢索系統(tǒng)會(huì)存在如下的情況:計(jì)算出與查詢?cè)~相似度很高的文檔，其內(nèi)容的意思與查詢?cè)~關(guān)聯(lián)性不夠高，甚至意思完全相反。而近年來(lái)圖數(shù)據(jù)得到廣泛應(yīng)用，很重要的原因就是圖能直觀地表示節(jié)點(diǎn)與邊之間的關(guān)系。
　　基于以上問(wèn)題，本文提出了基于圖的文檔檢索方法。將查詢?cè)~和文檔用圖進(jìn)行表示。通

3、過(guò)計(jì)算查詢圖和文檔圖之間的相似度來(lái)得到查詢?cè)~和文檔之間相似度的方法，對(duì)查詢?cè)~和文檔的相似程度進(jìn)行定量化計(jì)算。首先，本文利用自然語(yǔ)言處理中的依存分析和詞性標(biāo)注的研究成果，提出基于依存分析的文本表示圖模型，將查詢?cè)~和文檔文本表示成圖?？紤]到圖計(jì)算的開(kāi)銷問(wèn)題，本文提出文檔語(yǔ)義單元的概念，并以文檔語(yǔ)義單元為粒度構(gòu)建圖，這樣不同于以往信息檢索中將查詢與文檔視為對(duì)等的實(shí)體，本文提出的方法是將查詢?cè)~和文檔放在不對(duì)等的層面上;其次，本文基于圖論的相關(guān)知

4、識(shí)，提出基于廣義最大公共子圖的圖相似度計(jì)算算法，由此可得到查詢圖模型和文本圖模型的相似度;再次，使用上一步得到查詢和文檔各個(gè)語(yǔ)義單元的相似度數(shù)據(jù)，考慮到文檔中不同位置的語(yǔ)義單元的重要程度可能不同，本文提出文檔評(píng)分方法，計(jì)算查詢和文檔之間的相似度并以此作為排序和返回結(jié)果的依據(jù)。最后，分別利用中文和英文兩個(gè)文檔集，通過(guò)分析不同文檔評(píng)分方法下算法的結(jié)果質(zhì)量的表現(xiàn)以及和現(xiàn)有的方法與技術(shù)的結(jié)果進(jìn)行對(duì)比，實(shí)驗(yàn)表明，本文提出的方法能得到質(zhì)量更高的文檔