基于Markov概念的信息檢索模型.pdf

1、隨著Web信息資源的迅速增加，如何在浩瀚的信息海洋中準確、方便、快速地找到自己所需的信息，是個迫切需要解決的問題。由于自然語言的模糊性和用戶信息需求的隨機性和動態(tài)性，導致檢索效率低下。因此查詢擴展技術是不可避免的。 查詢擴展是提高檢索效率的有效方法。在一般的查詢擴展中，和查詢中某個查詢詞關聯(lián)較強的詞就被選了出來，但是，查詢概念卻很少被考慮進來。事實上，只有和整個查詢主題相似而不是與單個查詢詞相似的這類詞被加入到查詢中，才更有益于

2、查詢效果的提高。 因此本文提出了基于Markov概念的信息檢索模型。Markov是一種較好的表示知識關聯(lián)的圖形表示方法，可以從實例數(shù)據(jù)來訓練獲得，并且它的無向性能更好地解釋信息檢索中知識之間的關系，具有強大的學習功能和推導能力。 本文通過對文檔集的學習，詞與詞之間相關性被提取出來，從而構造出Markov網(wǎng)絡，把從Markov網(wǎng)絡中挖掘出來的概念加入到檢索模型中。試驗表明：我們的模型在很大程度上提高了檢索效率。 本

3、文的創(chuàng)新點在于： 1．本文是把從Markov網(wǎng)絡中挖掘概念的具體表達形式—團和Markov概念圖加入到檢索模型中。基于團的Markov網(wǎng)絡信息檢索模型使得詞與詞之間的簡單相關性更加強化，把團作為一個概念整體加入到查詢擴展中。而基于Markov概念圖的信息檢索模型則是重點考慮查詢詞之間的依賴性，把查詢層的相關性傳遞到索引項層。在查詢過程中加入候選詞修剪技術，一些噪音詞被剪去，而與查詢主題相關的詞被擴展進來，從而有利于檢索效率的提高