信息檢索與搜索引擎技術(shù)實驗向量空間模型

1、昆明理工大學(xué)信息工程與自動化學(xué)院學(xué)生實驗報告（ 20142015學(xué)年第 1學(xué)期）課程名稱：信息檢索與搜索引擎技術(shù) 開課實驗室：信自樓445 2014 年12月 23日年級、專業(yè)、班計科111學(xué)號2姓名成績實驗項目名稱向量空間模型指導(dǎo)教師李衛(wèi)疆教師評語該同學(xué)是否了解實驗原理：A.了解B.基本了解C.不了解該同學(xué)的實驗?zāi)芰Γ篈.強 B.中等 C.差 該同學(xué)的實驗是否達到要求：A.達到B.基本達到C.未達到實驗報告是否規(guī)范：A.規(guī)范B.基本規(guī)范C.不規(guī)范實驗過程是否詳細記錄：A.詳細B.一般 C.沒有 教師簽名： 年 月 日一、 上機目的及內(nèi)容：給定文檔語料: d1: 北京安立文高新技術(shù)公司d2:

2、新一代的網(wǎng)絡(luò)訪問技術(shù)d3: 北京衛(wèi)星網(wǎng)絡(luò)有限公司d4: 是最先進的總線技術(shù)。d5: 北京升平衛(wèi)星技術(shù)有限公司的新技術(shù)有。設(shè)計一個針對這些文檔的信息檢索系統(tǒng)。具體要求是：1) 給出系統(tǒng)的有效詞匯集合（說明取舍原因）。2) 寫出d1和d2在VSM中的表示（使用tf*idf，寫出各項的數(shù)字表達式，具體數(shù)值不必實際計算出來）。3) 畫出系統(tǒng)的倒排文件示意圖。4) 按照向量夾角的余弦計算公式，給出針對查詢“技術(shù)的公司”的前3個反饋結(jié)果。二、 實驗原理給定文檔語料: d1: 北京安立文高新技術(shù)公司 d2: 新一代的網(wǎng)絡(luò)訪問技術(shù)d3: 北京衛(wèi)星網(wǎng)絡(luò)有限公司 d4: 是最先進的總線技術(shù)。d5: 北京升平衛(wèi)星技

3、術(shù)有限公司的新技術(shù)有。設(shè)計一個針對這些文檔的信息檢索系統(tǒng)。具體要求是：1) 給出系統(tǒng)的有效詞匯集合（說明取舍原因）。北京、安、立、文、高新、技術(shù)、公司、新、網(wǎng)絡(luò)、訪問、衛(wèi)星、有限、先進、總線、升、平的、是、最、有，這些詞作為停用詞不能加入系統(tǒng)的有效集合一、代，去除后并不影響原來句子語義的表達也不能算作系統(tǒng)的有效集合。2) 寫出d1和d2在VSM中的表示（使用tf*idf，寫出各項的數(shù)字表達式，具體數(shù)值不必實際計算出來）。 得到的矩陣：Termd1d2d3d4d5Term出現(xiàn)次數(shù)北京101013安100001立100001文100001高新100001技術(shù)110013公司101013新01001

4、2網(wǎng)絡(luò)011002訪問010001衛(wèi)星001012有限001012先進000101總線000101升000011平000011TFIDF=cikj=1tcijlogNnk說明：TF：表示詞項在該文檔或者查詢詞中出現(xiàn)的頻度。即該詞項出現(xiàn)次數(shù)除以該文檔的長度（所有詞的個數(shù)）cik：表示詞項k在Di中的出現(xiàn)次數(shù)。j=1tcij：表示該文檔的長度（所有詞的個數(shù)）IDF：表示詞項在文檔集合中的重要程度。一個詞項出現(xiàn)的文檔數(shù)越多，說明該詞項的區(qū)分度越差，其在文檔集合中的重要性就越低。N：表示集合中的文檔數(shù)；nk：表示出現(xiàn)詞項k的文檔數(shù)。d1中各詞項的數(shù)字表達式“北京”的TFIDF=17log53“安”的T

5、FIDF=17log51“立”的TFIDF=17log51“文”的TFIDF=17log51“高新”的TFIDF=17log51“技術(shù)”的TFIDF=17log53“公司”的TFIDF=17log53d2中各詞項的數(shù)字表達式：“新”的TFIDF=17log52“網(wǎng)絡(luò)”的TFIDF=17log52“訪問”的TFIDF=17log51“技術(shù)”的TFIDF=17log533) 畫出系統(tǒng)的倒排文件示意圖。 4) 按照向量夾角的余弦計算公式，給出針對查詢“技術(shù)的公司”的前3個反饋結(jié)果。該部分由代碼實現(xiàn)。三、 實驗方法、步驟1 建立Java項目，2 建立DocumentStruct.java類文件并編輯3

6、 建立TextVector.java類文件并編輯，如圖4-1，圖4-2所示圖4-1圖4-24 建立TF.java類文件并編輯，如圖圖4-7所示圖4-45 建立IDF.java類文件并編輯，如圖圖4-5所示圖4-56 建立CaculateSim.java類文件并編輯，如圖4-6所示圖4-67 建立MainApp.java類文件并編輯，圖4-7所示圖4-78 完成后的項目文件夾如圖4-8所示圖4-89 運行結(jié)果如圖4-9所示-13-1. DocumentStruct.java代碼：packageacm.model;public class DocumentStruct publicDocument

7、Struct()this.documentID = 0;this.documentSimValue = 0;this.documentContent = None;this.documentName = None;publicDocumentStruct(int ID, double sim, String name, String content)this.documentID = ID;this.documentSimValue = sim;this.documentName = name;this.documentContent = content;public String getDo

8、cumentContent() returndocumentContent;public void setDocumentContent(String documentContent) this.documentContent = documentContent;public String getDocumentName() returndocumentName;public void setDocumentName(String documentName) this.documentName = documentName;public double getDocumentSimValue()

9、 returndocumentSimValue;public void setDocumentSimValue(double documentSimValue) this.documentSimValue = documentSimValue;publicintgetDocumentID() returndocumentID;public void setDocumentID(intdocumentID) this.documentID = documentID;publicDocumentStruct sortDocBySim(DocumentStruct docList)DocumentS

10、truct temp;for(inti=0; idocList.length-1; i+)for(int j=i; jdocList.length-1; j+)if(docListi.getDocumentSimValue() docListj.getDocumentSimValue() )temp = docListi;docListi = docListj;docListj = temp;returndocList;private String documentName;private String documentContent;private double documentSimVal

11、ue;privateintdocumentID;2. TextVector.java代碼：packageacm.model;public class TextVector publicTextVector(int dimension, int termCount, intdocumentTermCount, intdocumentCount, int documentContainTermCount)vectorWeight = new doubledimension;for(inti=0; idimension; i+)vectorWeighti = caculateWeight(termC

12、ounti, documentTermCount, documentCount, documentContainTermCounti);public double caculateWeight(inttermCount, intdocumentTermCount, intdocumentCount, intdocumentContainTermCount)TF termTF = new TF(termCount, documentTermCount);IDF termIDF = new IDF(documentCount, documentContainTermCount);termTF.ca

13、culateTF();termIDF.caculateIDF();return(termTF.getTf()*termIDF.getIdf();public double getVectorWeight() returnvectorWeight;public void setVectorWeight(double vectorWeight) this.vectorWeight = vectorWeight;private double vectorWeight;3. TF.java代碼packageacm.model;public class TF public TF()tf = 0.0;te

14、rmCount = 0;termInDocumentCount = 0;public TF(inttermCount, intdocumentTermCount)this.tf = 0.0;this.termCount = termCount;this.termInDocumentCount = documentTermCount;public void caculateTF()if(termInDocumentCount = 0)System.out.println(請先設(shè)置文檔總數(shù)！);return;this.tf = (double)termCount / (double)termInD

15、ocumentCount;public double getTf() returntf;publicintgetTermCount() returntermCount;public void setTermCount(inttermCount) this.termCount = termCount;publicintgetTermInDocumentCount() returntermInDocumentCount;public void setTermInDocumentCount(inttermInDocumentCount) this.termInDocumentCount = term

16、InDocumentCount;private double tf;privateinttermCount;privateinttermInDocumentCount;4. IDF.java代碼packageacm.model;public class IDF public IDF() idf = 0.0;documentContainTermCount = 0;documentCount = 0;public IDF(intdocumentCount, intdocumentContainTermCount)idf = 0.0;this.documentCount = documentCou

17、nt;this.documentContainTermCount = documentContainTermCount;publicintgetDocumentCount() returndocumentCount;public void setDocumentCount(intdocumentCount) this.documentCount = documentCount;publicintgetDocumentContainTermCount() returndocumentContainTermCount;public void setDocumentContainTermCount(

18、intdocumentContainTermCount) this.documentContainTermCount = documentContainTermCount;public double getIdf() returnidf;public void caculateIDF()if(documentContainTermCount = 0)System.out.println(請設(shè)置文檔的長度（所有詞的個數(shù)）！);return;this.idf = Math.log10(double)this.documentCount / (double)this.documentContainT

19、ermCount);private double idf;privateintdocumentCount;privateintdocumentContainTermCount;5. CaculateSim.java代碼packageacm.model;public class CaculateSim publicCaculateSim(TextVector vector1, TextVector vector2)doublesimDividend=0.0, simDivider=0.0;double tempVector1=0.0, tempVector2=0.0;for(inti=0; iv

20、ector1.getVectorWeight().length; i+)simDividend += vector1.getVectorWeight()i * vector2.getVectorWeight()i;for(inti=0; ivector1.getVectorWeight().length; i+)tempVector1 += Math.pow(vector1.getVectorWeight()i, 2.0);tempVector2 += Math.pow(vector2.getVectorWeight()i, 2.0);simDivider = Math.sqrt(tempVe

21、ctor1*tempVector2);this.sim = simDividend / simDivider;public double getSim() returnsim;private double sim;6. MainApp.java代碼packageacm.model;public class MainApp public static void main(String args) intTermCount = 1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,1,0,1,1,1,0,0,0,0,0,0, 1,0,0,0,0,0,1,0,1,0,

22、1,1,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0, 1,0,0,0,0,1,1,1,0,0,1,1,0,0,1,1, 0,0,0,0,0,1,1,0,0,0,0,0,0,0,0,0;intdocumentTermCount = 7, 7, 5, 6, 11, 3;intdocumentContainTermCount = 3,1,1,1,1,4,4,2,2,1,2,2,1,1,1,1;DocumentStruct docList = new DocumentStruct6;String documentContent = 北京安立文高新技術(shù)公司,新一代的網(wǎng)絡(luò)訪問技術(shù),北京衛(wèi)星網(wǎng)絡(luò)有限公司,是最先進的總線技術(shù)。,北京升平衛(wèi)星技術(shù)有限公司的新技術(shù)有。,技