面向信息精準(zhǔn)服務(wù)的信息檢索與查詢推薦方法研究.pdf

1、隨著軍事信息獲取手段的不斷增多，軍事信息總量急劇增加。日益增長(zhǎng)的軍事信息總量給軍事信息系統(tǒng)的構(gòu)建、開(kāi)發(fā)、研究和維護(hù)帶來(lái)了不少挑戰(zhàn)。如何有效地組織、挖掘和分析已有的軍事信息，來(lái)不斷優(yōu)化現(xiàn)有的軍事信息系統(tǒng)，是滿足軍事信息系統(tǒng)用戶的信息需求，提高軍事信息利用水平，實(shí)現(xiàn)軍事信息精準(zhǔn)服務(wù)的關(guān)鍵問(wèn)題。
　　論文以實(shí)現(xiàn)軍事信息系統(tǒng)的信息精準(zhǔn)服務(wù)為目標(biāo)，以數(shù)據(jù)挖掘?yàn)殛P(guān)鍵技術(shù)，以信息的準(zhǔn)確檢索以及查詢的合理推薦為研究?jī)?nèi)容，圍繞信息精準(zhǔn)服務(wù)實(shí)現(xiàn)技術(shù)中

2、信息檢索和查詢推薦所面臨的理論問(wèn)題和技術(shù)難點(diǎn)，開(kāi)展了深入的研究。具體而言，在信息檢索方面主要研究點(diǎn)包括：（1）如何結(jié)合用戶在信息檢索過(guò)程中的反饋信息，提高信息檢索排序模型的性能；（2）如何挖掘用戶在信息檢索過(guò)程中行為信息，實(shí)現(xiàn)個(gè)性化的信息檢索排序模型。在查詢推薦方面主要的研究點(diǎn)包括：（1）如何挖掘數(shù)據(jù)信息中語(yǔ)義相似度來(lái)提高查詢推薦的準(zhǔn)確度；（2）如何解決在查詢推薦過(guò)程中可能存在的查詢推薦冗余問(wèn)題。論文針對(duì)上述問(wèn)題，從問(wèn)題建模、算法求解、

3、實(shí)驗(yàn)驗(yàn)證和軍事應(yīng)用方法等方面展開(kāi)研究。主要工作和創(chuàng)新點(diǎn)如下：
　?。?）提出了基于規(guī)則挖掘的信息檢索排序模型
　　論文在機(jī)器學(xué)習(xí)算法基礎(chǔ)上，提出了基于規(guī)則挖掘的信息檢索排序模型。該模型通過(guò)提取訓(xùn)練樣本的主要特征進(jìn)行有效聚類，并結(jié)合用戶的相關(guān)反饋獲取各個(gè)類中相關(guān)度判斷的置信值，最終形成相似度判定模型，應(yīng)用該模型來(lái)對(duì)測(cè)試樣本進(jìn)行相關(guān)度排序。提出的算法對(duì)LETOR數(shù)據(jù)集進(jìn)行了測(cè)試，實(shí)驗(yàn)表明，信息檢索性能指標(biāo)比其他排序算法有了進(jìn)一步

4、提高，并且無(wú)需復(fù)雜的數(shù)據(jù)預(yù)處理工作和手動(dòng)設(shè)定算法參數(shù)。
　?。?）提出了基于邏輯回歸的信息檢索排序模型
　　論文提出了基于邏輯回歸的信息檢索排序模型，采用主成分分析方法提取文檔的有價(jià)值且相互獨(dú)立的特征，在這些特征基礎(chǔ)上，結(jié)合用戶的相關(guān)度反饋信息，利用邏輯回歸模型，生成查詢與文檔的相關(guān)度判斷模型。我們?cè)诠_(kāi)的LETOR4.0數(shù)據(jù)集上展開(kāi)實(shí)驗(yàn)，并用MAP，P@K，NDCG@K等指標(biāo)評(píng)估了各種算法的性能，驗(yàn)證了論文提出模型的有效性

5、。
　?。?）提出了基于用戶行為分析的個(gè)性化信息檢索排序模型
　　論文完全關(guān)注于用戶的行為信息，提出了基于用戶行為分析的個(gè)性化信息檢索排序模型。具體而言，我們利用用戶對(duì)文檔的點(diǎn)擊信息以及用戶在文檔上的瀏覽時(shí)間，來(lái)估計(jì)查詢與文檔的相關(guān)度和用戶對(duì)文檔的感興趣程度。在算法過(guò)程中，我們采用貝葉斯矩陣分解方法克服了數(shù)據(jù)稀疏性問(wèn)題，并研究了用戶和查詢的分布對(duì)模型性能的影響。最后通過(guò)在實(shí)際數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了用戶的行為信息能用來(lái)提高信息檢

6、索性能，同時(shí)驗(yàn)證了用戶在當(dāng)前信息檢索任務(wù)下的行為信息有助于識(shí)別用戶的查詢意圖。
　?。?）提出了基于語(yǔ)義相似度和時(shí)效性查詢頻率的查詢推薦排序模型
　　基于馬爾科夫模型，論文提出了基于語(yǔ)義相似度和時(shí)效性查詢頻率的查詢推薦排序模型。在該模型中，假設(shè)用戶選擇查詢推薦符合馬爾科夫模型條件，即用戶通常在輸入完一個(gè)完整的字后，選擇某個(gè)查詢推薦。同時(shí)基于在語(yǔ)料庫(kù)上的訓(xùn)練結(jié)果，將查詢字之間的語(yǔ)義相似度引入到查詢推薦算法中。最后在實(shí)際查詢記錄

7、數(shù)據(jù)集上的展開(kāi)實(shí)驗(yàn)，并與傳統(tǒng)的查詢推薦方法進(jìn)行比較，論文提出的基于語(yǔ)義相似度和時(shí)效性查詢頻率的查詢推薦排序模型的MRR（Mean Reciprocal Rank，平均位置倒數(shù)）指標(biāo)比其他算法有近4％的提高。
　?。?）提出了基于貪婪算法的多樣化查詢推薦排序模型
　　論文提出了基于貪婪算法的多樣化查詢推薦排序模型，該模型目的在于首先將用戶感興趣的查詢盡早地返回在查詢推薦列表的靠前位置，其次要降低查詢推薦列表的冗余度。具體而言，