預(yù)測數(shù)據(jù)空間檢索使用概率的隱藏的信息.pdf

1、由于并非所有的相關(guān)數(shù)據(jù)能有效地融入單一數(shù)據(jù)模型，因此現(xiàn)在絕大多數(shù)的數(shù)據(jù)組織依賴于海量的多種數(shù)據(jù)源。數(shù)據(jù)空間定義為一個(gè)虛擬的空間，它管理多種數(shù)據(jù)源且并不考慮數(shù)據(jù)結(jié)構(gòu)及物理位置，因此數(shù)據(jù)源是異構(gòu)的。由于管理多種數(shù)據(jù)模型的數(shù)據(jù)源的需求越來越多，因此對智能管理系統(tǒng)的需求逐漸增多。這種智能管理系統(tǒng)可以提供對異構(gòu)和分布式數(shù)據(jù)源的訪問。并且可以將其看作是一個(gè)單一的信息源用于搜索及查詢。
　　由于數(shù)據(jù)空間中存在的海量數(shù)據(jù)源，迅速準(zhǔn)確地從數(shù)據(jù)源中查

2、詢到用戶的請求是一個(gè)非常大的挑戰(zhàn)。并且，現(xiàn)有的許多查詢系統(tǒng)專注于對數(shù)據(jù)源信息的研究，而對于用戶的查詢請求方面，即對于用戶查詢意圖及相關(guān)度的研究則較少涉及。比如，現(xiàn)有的圖像檢索系統(tǒng)仍舊只局限于基于關(guān)鍵詞的查詢，而這種查詢方式的局限性在于，關(guān)鍵詞本身不能很好地描述圖像信息的全部屬性。一個(gè)精確匹配查詢不能很好地運(yùn)用于這樣的查詢系統(tǒng)。比如英語查詢詞“l(fā)ung cancer”在法語、中文或者德語中的發(fā)音及拼寫是各不相同的?？偠灾?，數(shù)據(jù)空間檢測處

3、理需要一個(gè)并行的優(yōu)化策略，以期能夠有效地處理一組異構(gòu)數(shù)據(jù)源信息。
　　本文主要研究基于用戶相關(guān)度概率策略的數(shù)據(jù)空間完備信息查詢系統(tǒng)的設(shè)計(jì)。本文的主要研究點(diǎn)如下:
　　首先，我們提出了一種基于XML信息的圖像檢索系統(tǒng)(XIRS），該系統(tǒng)可以在單一數(shù)據(jù)源中檢索圖像。用戶可以使用一幅樣例圖像或者關(guān)鍵詞作為查詢請求，而兩幅圖像的相似性可以利用圖像對應(yīng)的兩個(gè)XML節(jié)點(diǎn)相似性來度量。此外，我們進(jìn)一步將XIRS系統(tǒng)擴(kuò)展成XIRD系統(tǒng)，該系

4、統(tǒng)可以利用一組異構(gòu)數(shù)據(jù)源信息來實(shí)現(xiàn)圖像檢索。
　　其次，由于基于預(yù)測數(shù)據(jù)源信息的檢索過程可能隱含著檢索結(jié)果信息，我們構(gòu)建了一種信息隱藏模型(IHM),該模型融合了用戶感知文檔間相似性的信息。IHM模型使用一組分割后的查誨語句和一組異構(gòu)數(shù)據(jù)源信息，并據(jù)此計(jì)算出最相似路徑用于數(shù)據(jù)查詢。這里我們提出了三種不同的學(xué)習(xí)策略，即用戶潛在的查誨習(xí)慣(UHH），用戶潛在背景(UHB)以及用戶潛在關(guān)鍵詞語義信息(UHS).上述三種學(xué)習(xí)策略可以更好地

5、表達(dá)用戶的主觀查詢意圖，并據(jù)此改進(jìn)檢索性能。
　　再次，我們提出了一種優(yōu)化算法以改進(jìn)概率處理過程的性能，該優(yōu)化算法命名為一種使用預(yù)測模型的兩階段信息檢索算法(2PROM)。2PROM算法采用兩步驟來優(yōu)化數(shù)據(jù)空間檢索過程。第一步構(gòu)建一個(gè)管道通路來尋找最優(yōu)的檢索策略。而在第二步中，將檢索策略和預(yù)測模型相融合以確定出最有效的查詢通路執(zhí)行查詢操作。
　　最后，為了進(jìn)一步論證本文所提算法的有效性，我們將所提算法運(yùn)用到一個(gè)實(shí)際系統(tǒng)中，即