基于聚類的XML文檔檢索反饋機(jī)制研究.pdf

1、搜索引擎能利用用戶提交的少量的關(guān)鍵詞為用戶檢索到他們需要的文件，這為人們使用網(wǎng)絡(luò)資源提供了極大的方便。然而現(xiàn)有的搜索引擎的檢索效果仍不能完全滿足用戶的需求。現(xiàn)有搜索引擎的普遍存在的一個(gè)問(wèn)題是，檢索的準(zhǔn)確率和穩(wěn)定性不高。檢索的準(zhǔn)確性和穩(wěn)定性除了與搜索引擎本身所采用的技術(shù)有關(guān)之外，與用戶提出的查詢的優(yōu)劣同樣密切相關(guān)。然而對(duì)于大多數(shù)非專業(yè)用戶來(lái)說(shuō)，對(duì)檢索的對(duì)象文檔并不了解，無(wú)法保證每次都能提出能完整表達(dá)自己意圖的查詢。為了改善用戶查詢的質(zhì)量，

2、從根本上提高檢索的質(zhì)量，人們提出反饋技術(shù)。本文主要研究如何在XML上使用聚類改進(jìn)偽反饋的效果。
　　 XML文檔具有結(jié)構(gòu)性的特點(diǎn)，在XML文檔的聚類等操作中應(yīng)該考慮這些結(jié)構(gòu)信息對(duì)反饋效果的影響。本文所做的主要工作有：
　　 首先，本文介紹了幾種現(xiàn)有的反饋技術(shù)，并將其各自的優(yōu)缺點(diǎn)進(jìn)行了分析與比較。另外，本文還對(duì)這幾種反饋技術(shù)的國(guó)內(nèi)外的研究現(xiàn)狀進(jìn)行了整理綜述。
　　 其次，本文在分析XML特點(diǎn)之后，針對(duì)XML文檔設(shè)計(jì)

3、了一種面向偽反饋的文檔數(shù)據(jù)描述模型?？紤]到XML內(nèi)容與結(jié)構(gòu)相結(jié)合的特點(diǎn)，該模型對(duì)XML文檔進(jìn)行標(biāo)簽路徑、標(biāo)簽特征和關(guān)鍵詞三個(gè)方面的信息進(jìn)行描述，將XML的內(nèi)容與結(jié)構(gòu)信息完全包含在該模型中，為之后的聚類以及查詢擴(kuò)展詞的提取提供了基礎(chǔ)。
　　 再次，本文在上述模型下，完成了XML初始檢索結(jié)果的聚類工作。本文采用的聚類算法是對(duì)經(jīng)典的K-means算法的改進(jìn)，使用最大最小原則改變了k-means算法需要確定聚類結(jié)果簇的個(gè)數(shù)的規(guī)則，實(shí)現(xiàn)了

4、程序自動(dòng)確定簇個(gè)數(shù)。為了使得聚類的時(shí)間代價(jià)盡量的低，文中還討論了聚類初始點(diǎn)的確定，通過(guò)選擇最佳的聚類初始點(diǎn)來(lái)減少聚類迭代的次數(shù)。
　　 接著，本文討論了在聚類結(jié)果上如何進(jìn)行查詢擴(kuò)展。本文采用添加查詢擴(kuò)展詞的方式對(duì)用戶提出的查詢進(jìn)行改進(jìn)。在聚類的基礎(chǔ)上通過(guò)對(duì)不同簇的結(jié)果進(jìn)行內(nèi)容方面的考察，確定能代表用戶查詢意圖的檢索結(jié)果所在的簇，再?gòu)倪@些簇中挑選出典型的數(shù)個(gè)結(jié)果作為偽相關(guān)文檔，最后從偽相關(guān)文檔中提取能反映偽相關(guān)文檔的主旨的詞匯作為