《中文信息檢索專題》PPT課件

1、中文信息檢索專題Chinese Information Retrieval,蘇州大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,一、歷史,計(jì)算機(jī)信息檢索起源于20世紀(jì)50年代初。1954年美國海軍兵器中心圖書館利用IBM701機(jī)開發(fā)計(jì)算機(jī)信息檢索系統(tǒng)，它標(biāo)志著計(jì)算機(jī)信息檢索階段的開始。 計(jì)算機(jī)信息檢索技術(shù)已經(jīng)從脫機(jī)檢索、聯(lián)機(jī)檢索、光盤檢索發(fā)展到了網(wǎng)絡(luò)檢索階段。,一、歷史（續(xù)）,中文文本信息檢索最早見于“748工程”中的漢字情報(bào)檢索。 80年代中期后，由于計(jì)算機(jī)處理能力的大大提高和應(yīng)用的普及化，中文文本信息檢索的研究廣泛開展，各種漢字文本索引方法、檢索算法以及實(shí)用化系統(tǒng)開始出現(xiàn)。,二、信息檢索的定義,信息檢索是一門研

2、究從一定規(guī)模的文檔庫(Document Collection)中找出滿足用戶提出的信息需求(User Information Need)的技術(shù)。 文檔可以是Web網(wǎng)頁、郵件、文章、段落和句子等內(nèi)容。,三、信息檢索和數(shù)據(jù)庫檢索,信息檢索處理的主要數(shù)據(jù)往往是無結(jié)構(gòu)(Unstructured)或者半結(jié)構(gòu)的(Semi-structured)，最典型的例子是無任何結(jié)構(gòu)的文章或者只有tag標(biāo)記的Html文檔等； 另一方面，信息檢索的結(jié)果也往往是不精確的，不能像數(shù)據(jù)庫查詢那樣有100的正確率。如查找關(guān)于“雅典奧運(yùn)會(huì)”，可能會(huì)漏掉有關(guān)“2004奧運(yùn)會(huì)”的文章。,四、信息檢索相關(guān)技術(shù),自然語言處理 人工智能 模

3、式識(shí)別 機(jī)器學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò) 數(shù)理統(tǒng)計(jì) 計(jì)算機(jī)網(wǎng)絡(luò) 內(nèi)容管理 ,五、信息檢索的對(duì)象,文本 圖像 音頻 視頻 ,六、結(jié)構(gòu)、半結(jié)構(gòu)和非結(jié)構(gòu)化數(shù)據(jù),結(jié)構(gòu)化的數(shù)據(jù)包含了各種可以命名的部分，并按照一定的結(jié)構(gòu)對(duì)內(nèi)容進(jìn)行組織。如數(shù)據(jù)庫中就包含了各種結(jié)構(gòu)化的記錄。 非結(jié)構(gòu)化數(shù)據(jù)無法用一定的格式對(duì)它進(jìn)行組織和定義，搜索工具也無法根據(jù)特定的語義通過SQL的方法對(duì)它進(jìn)行檢索。如一本小說中的一段文字，一份報(bào)紙中的一則廣告等都屬于非結(jié)構(gòu)化數(shù)據(jù)。 半結(jié)構(gòu)化數(shù)據(jù)是指部分有結(jié)構(gòu)，部分沒有結(jié)構(gòu)的數(shù)據(jù)。,七、例子（結(jié)構(gòu)化數(shù)據(jù)）,表11.1學(xué)生信息表,七、例子（非結(jié)構(gòu)化數(shù)據(jù)）,播激勵(lì)網(wǎng)絡(luò)(Spreading Activation N

4、etworks)是一種最常見的基于神經(jīng)網(wǎng)絡(luò)的信息檢索模型，一般由概念層和文檔層組成，有時(shí)還有提問層。用戶提問的概念在概念層被激活，被激活的切題概念和關(guān)聯(lián)概念按權(quán)值不同傳送到文檔層，并到達(dá)潛在相關(guān)的概念和文檔，然后將最高度激活的文檔作為結(jié)果返回給用戶。而且，允許由文檔或文檔和概念結(jié)合形成初始提問。為了提高檢索質(zhì)量，用戶得到檢索結(jié)果時(shí)，可以就某些文檔做出相關(guān)性反饋，給它們分配一個(gè)相關(guān)值；也可以隨時(shí)改變一些高度激活的概念和文檔節(jié)點(diǎn)的相關(guān)性，評(píng)價(jià)和影響被激活的節(jié)點(diǎn)。系統(tǒng)在相關(guān)和不相關(guān)的文檔內(nèi)分析概念的分布，優(yōu)化用戶的提問。此外，當(dāng)層間的激活傳送過幾次后，在相同文檔中經(jīng)常出現(xiàn)的概念也作為提問概念被激活，

5、這樣就可以自然地、靈活地進(jìn)行概念擴(kuò)展，讓用戶和系統(tǒng)相互作用。,七、例子（半結(jié)構(gòu)化數(shù)據(jù)）,From: Subject: xxxx Date: Wed, 15 Sep 2004 07:24:01 +0800 MIME-Version: 1.0 Content-Type: text/plain;charset=gb-2312 Content-Transfer-Encoding: 7bit X-Priority: 3 X-MSMail-Priority: Normal X-Unsent: 1 X-MimeOLE: Produced By Microsoft MimeOLE V6.00.2800.116

6、5 在相同文檔中經(jīng)常出現(xiàn)的概念也作為提問概念被激活，這樣就可以自然地、靈活地進(jìn)行概念擴(kuò)展，讓用戶和系統(tǒng)相互作用。,八、信息檢索系統(tǒng)的模型,九、中文信息檢索特點(diǎn),詞語切分和詞語詞法分析 進(jìn)行詞性標(biāo)注及相關(guān)的自然語言處理 信息擴(kuò)展,十、信息檢索的評(píng)測,召回率（Recall，又稱查準(zhǔn)率）和準(zhǔn)確率（precision，又稱查全率）。 準(zhǔn)確率是一個(gè)給定被檢索文檔的相似度的概率。 召回率是一個(gè)給定相關(guān)性文檔的被檢索的概率。,十、信息檢索的評(píng)測（續(xù)）,其中，E（效率）用來指定準(zhǔn)確率和召回率重要性。 P代表準(zhǔn)確率，R表示召回率，是變量，值為01。如果取值是0，表示召回率更重要；取值1/2表示召回率和準(zhǔn)確率同等

7、重要；取值1表示準(zhǔn)確率更重要。,十一、信息檢索的模型,一般而言，有兩種信息檢索的模型：基于統(tǒng)計(jì)的模型和基于語義的模型。 基于統(tǒng)計(jì)的模型是應(yīng)用某些統(tǒng)計(jì)的手段從被檢索文檔和高標(biāo)注等級(jí)文檔中查詢與用戶需求匹配程度最好的文檔； 而基于語義的模型則嘗試對(duì)需求實(shí)現(xiàn)一定程度語法和語義的分析，即對(duì)用戶輸入的自然語言文本進(jìn)行一定程度的理解并重新生成查詢。,十一、信息檢索的模型（續(xù)）,基于統(tǒng)計(jì)的模型主要有： 布爾模型（Boolean Model） 擴(kuò)展布爾模型（Extended Boolean Model） 向量空間模型（Vector Space Model） 概率模型（Probabilistic Model）

8、二元獨(dú)立模型(Binary Independency Model) 雙泊松模型(Two Poisson Model) 推理網(wǎng)絡(luò)模型(Inference Network Model) 信度網(wǎng)絡(luò)模型(Belief Network Model) 貝葉斯網(wǎng)絡(luò)模型（Bayesian Network Model）,十一、信息檢索的模型（續(xù)）,基于語義的模型主要有： 自然語言處理（Natural Language Process） 潛在語義索引模型（Latent Semantic Indexing Model） 神經(jīng)網(wǎng)絡(luò)（Neural Network）,十二、索引項(xiàng)、檢索項(xiàng)、權(quán)值和停用詞,一般把檢索表達(dá)式和

9、文檔分成一個(gè)一個(gè)的項(xiàng)（Term），通常每個(gè)項(xiàng)就是在文檔和檢索條件中的一個(gè)字、詞或短語等，而且是經(jīng)過預(yù)處理的。 一般把檢索條件中的項(xiàng)稱為檢索項(xiàng)，把文檔中的項(xiàng)稱為索引項(xiàng)。然后為每個(gè)索引項(xiàng)和文檔確定一個(gè)權(quán)值（Weight），一般值為0和1，0表示相關(guān)而1則表示不相關(guān)。 索引項(xiàng)和檢索項(xiàng)不包括那些不具有區(qū)分度的普通字、詞和短語，如“我”、“的”“你好”和“基于”等，這些字詞有時(shí)稱為停用詞（Stop Words）。,十三、信息檢索系統(tǒng)介紹,LEXIS/NEXIS LEXIS/NEXIS 是一個(gè)用來獲取法律（LEXIS）或者新聞（NEXIS）文檔的商用系統(tǒng)。LEXIS/NEXIS支持傳統(tǒng)的嚴(yán)格匹配的布爾查詢

10、。它還特別支持以布爾算子形式提交的查詢。這些算子在LEXIS/NEXIS中被稱作聯(lián)接子（Connector）,包括OR、AND和W/n等（W/n是用來表示接近查詢），并且它還支持通配符查詢。最近，LEXIS/NEXIS還提供了自然語言查詢的功能，被稱作FREESTYLETM搜索。這種查詢方式不需要布爾聯(lián)接子。LEXIS/NEXIS提供了一些對(duì)于自然語言特有的結(jié)果顯示選項(xiàng)。例如，用戶可以顯示“文本中權(quán)重最大的塊也即與查詢最相符的部分”?！癢HY”這個(gè)選項(xiàng)用來表示“解釋你的搜索結(jié)果”等。,十三、信息檢索系統(tǒng)介紹（續(xù)）,DIALOG DIALOG是一個(gè)用來搜索下列主題領(lǐng)域數(shù)據(jù)庫文檔的商用系統(tǒng)。這些主

11、題包括：商業(yè)、知識(shí)產(chǎn)權(quán)/法律/政府、醫(yī)藥、新聞、人文、科學(xué)、社會(huì)科學(xué)以及技術(shù)等。用戶選擇一個(gè)主題，然后選擇該主題下的一個(gè)（或者一組）數(shù)據(jù)庫。對(duì)于不同的數(shù)據(jù)庫有不同的搜索選項(xiàng)。例如對(duì)于新聞數(shù)據(jù)庫包括：主題（關(guān)鍵字），標(biāo)題，作者和期刊等等。,十三、信息檢索系統(tǒng)介紹（續(xù)）,Dow Jones News/Retrieval Dow Jones News Retrieval 是一個(gè)可以搜索多達(dá)1900個(gè)新聞來源的商用系統(tǒng)。例如，報(bào)紙、雜志等等。和上面介紹的系統(tǒng)相類似，它也支持嚴(yán)格布爾查詢以及一組算子，例如AND、OR、NOT、SAME、NEAR等。并且可以根據(jù)日期、領(lǐng)域、在文檔中的位置、主題、特定新聞源

12、等進(jìn)一步限制搜索。,十三、信息檢索系統(tǒng)介紹（續(xù)）,Topic 與上面三個(gè)商業(yè)文本檢索系統(tǒng)不同，Topic并不是利用自己擁有的文本集合提供信息服務(wù)而是一個(gè)單獨(dú)的文本檢索工具。用戶購買Topic，然后裝載自己的信息，利用Topic提供自己的信息服務(wù)。,十三、信息檢索系統(tǒng)介紹（續(xù)）,SMART SMART是由康奈爾大學(xué)的Gerard Salton開發(fā)的，是最早的文本檢索系統(tǒng)之一。它具有以下特點(diǎn)：（1）自動(dòng)建立索引；（2）自動(dòng)生成聚類層次計(jì)算聚類中心；（3）進(jìn)行查詢/文檔相似度計(jì)算并且根據(jù)文檔與查詢的相似程度對(duì)文檔排序；（4）將文檔以基于詞匯的向量空間表示；（5）根據(jù)用戶反饋?zhàn)詣?dòng)提高對(duì)查詢的處理。,十

13、三、信息檢索系統(tǒng)介紹（續(xù)）,INQUERY 這個(gè)系統(tǒng)是馬薩諸塞州大學(xué)智能信息檢索中心的產(chǎn)品。它是一個(gè)基于貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的概率模型，包括兩個(gè)部分：文本網(wǎng)絡(luò)與查詢網(wǎng)絡(luò)。給定一定的集合，文本網(wǎng)絡(luò)是靜態(tài)的，節(jié)點(diǎn)表示文本，它與表示單詞的節(jié)點(diǎn)相連。所以給定一個(gè)文本，INQUERY能計(jì)算一個(gè)特定單詞的概率。而查詢式中的單詞與那些應(yīng)該與之有聯(lián)系的節(jié)點(diǎn)有一連線。,十四、Web信息檢索,傳統(tǒng)的數(shù)據(jù)庫是靜態(tài)和結(jié)構(gòu)化的，而且有嚴(yán)格的組織。而Web是自發(fā)形成和發(fā)展的，Web上的頁面是動(dòng)態(tài)和半結(jié)構(gòu)化的，通過超鏈接彼此纏繞。因此對(duì)Web頁面的查詢和對(duì)數(shù)據(jù)庫的查詢是完全不同的。 據(jù)統(tǒng)計(jì)Web上每天大約要新增一百萬個(gè)網(wǎng)頁，目前

14、的網(wǎng)頁數(shù)目已經(jīng)達(dá)到上百億。這給信息的組織和檢索技術(shù)提出了十分嚴(yán)峻的挑戰(zhàn)。對(duì)如此海量的數(shù)據(jù)如何幾秒鐘內(nèi)就完成快而準(zhǔn)的檢索，傳統(tǒng)的檢索技術(shù)顯得力不從心。 Web上的大部分網(wǎng)頁都是有一定格式的(如HTML)，有豐富的標(biāo)記。比如標(biāo)題（Title）信息、字體(Font)信息、大小(Size)信息，以及META信息等等，所以網(wǎng)頁的信息實(shí)際上是半結(jié)構(gòu)化的。,十五、Web信息檢索系統(tǒng),一般的信息檢索系統(tǒng)需要有一個(gè)存儲(chǔ)檢索數(shù)據(jù)的文檔庫，然后才能針對(duì)這個(gè)庫進(jìn)行檢索。一般而言絕大多數(shù)的文檔庫相對(duì)比較穩(wěn)定，更新不是很頻繁。而基于Web的信息檢索則是針對(duì)在Internet上的通過WWW協(xié)議發(fā)布的網(wǎng)頁進(jìn)行檢索，和通常的信

15、息檢索是不一樣的。Web信息檢索系統(tǒng)一般被稱為搜索引擎（Search Engine）。 搜索引擎一般沒有自己的文檔庫，整個(gè)Web就是它的文檔庫！它需要建立一個(gè)索引來指向這個(gè)Web頁面。Web頁面具有數(shù)量龐大、在全世界分布以及更新迅速等特點(diǎn)。因此，搜索引擎面臨的第一個(gè)挑戰(zhàn)是如何及時(shí)、全面、正確地對(duì)Web網(wǎng)頁生成和維護(hù)索引 。 另外，使用搜索引擎的絕大多數(shù)人是計(jì)算機(jī)外行，所以如何為他們提供一個(gè)使用方便的操作界面和人性化的檢索方法是第二個(gè)挑戰(zhàn)。由于Web網(wǎng)頁的信息是包羅萬象的，不能像一般的信息檢索系統(tǒng)確定各個(gè)文檔集合，所以第三個(gè)挑戰(zhàn)是如何為用戶在數(shù)量龐大的網(wǎng)頁中找到他所關(guān)心的內(nèi)容。,十六、Web信息

16、檢索特點(diǎn),數(shù)據(jù)分布 數(shù)據(jù)量巨大 數(shù)據(jù)的動(dòng)態(tài)性 結(jié)構(gòu)性差且數(shù)據(jù)冗余 數(shù)據(jù)質(zhì)量不高 數(shù)據(jù)的異構(gòu) 多語種和多內(nèi)碼,十七、搜索引擎,搜索引擎是以Web頁面（也可以說是超鏈接）為檢索文檔的信息檢索系統(tǒng)，它的核心就是信息檢索技術(shù)。另外，搜索引擎還需要進(jìn)行Web頁面的抓取、分類、索引、存儲(chǔ)、更新等工作，所以它比一般的信息檢索系統(tǒng)更加復(fù)雜。,十八、搜索引擎結(jié)構(gòu),十八、搜索引擎結(jié)構(gòu)（續(xù)）,搜索器 搜索器（一般稱為Spider或Crawler）的功能是在Internet遍歷網(wǎng)址，發(fā)現(xiàn)和搜集網(wǎng)頁信息。它常常是一個(gè)機(jī)器人（Robot）程序，日夜不停地運(yùn)行。它要盡可能多、盡可能快地搜集Internet上的新網(wǎng)頁，還要定

17、期更新已經(jīng)搜集過的舊網(wǎng)頁，以避免死鏈接和無效鏈接。,十八、搜索引擎結(jié)構(gòu)（續(xù)）,索引器 索引器的功能是理解搜索器所搜索的信息，從中抽取出索引項(xiàng)，用于表示網(wǎng)頁以及生成頁面庫的索引表。,十八、搜索引擎結(jié)構(gòu)（續(xù)）,檢索器 檢索器的功能是根據(jù)用戶的查詢?cè)谒饕龓熘锌焖贆z出網(wǎng)頁，進(jìn)行網(wǎng)頁與查詢的相似度評(píng)價(jià)，對(duì)將要輸出的結(jié)果進(jìn)行排序，并實(shí)現(xiàn)某種用戶相關(guān)性反饋機(jī)制。,十八、搜索引擎結(jié)構(gòu)（續(xù)）,用戶接口 用戶接口的作用是輸入用戶查詢、顯示查詢結(jié)果、提供用戶相關(guān)性反饋機(jī)制。主要的目的是方便用戶使用搜索引擎，高效率、多方式地從搜索引擎中得到有效、及時(shí)的信息。用戶接口的設(shè)計(jì)和實(shí)現(xiàn)使用人機(jī)交互的理論和方法，以充分適應(yīng)人類

18、的思維習(xí)慣。,十九、Google的搜索機(jī)制,三個(gè)部分網(wǎng)頁抓取、索引入庫和用戶檢索。 網(wǎng)頁抓取主要負(fù)責(zé)網(wǎng)頁的抓取，由URL服務(wù)器（URL Server）、抓取器（Crawler）、存儲(chǔ)器（Store Server）、和URL解析器（URL Resolver）四個(gè)部件組成，抓取器是該模塊的核心。 索引入庫主要負(fù)責(zé)對(duì)網(wǎng)頁內(nèi)容進(jìn)行分析，對(duì)網(wǎng)頁進(jìn)行索引并存儲(chǔ)到數(shù)據(jù)庫里，由索引器（Indexer）和分類器（Sorter）兩個(gè)部件組成，該模塊涉及許多文件和數(shù)據(jù)，有關(guān)于桶（Barrels）的操作是該部分的核心。 用戶檢索主要負(fù)責(zé)分析用戶輸入的檢索表達(dá)式，匹配相關(guān)網(wǎng)頁，把檢索結(jié)果返回給用戶，由查詢器（Searc

19、her）和網(wǎng)頁級(jí)別評(píng)定器（PageRank）兩個(gè)部件組成，其中網(wǎng)頁等級(jí)的計(jì)算是該模塊的核心。,十九、Google的搜索機(jī)制（續(xù)）,二十、搜索引擎分類,目錄(Dictionary)搜索引擎 機(jī)器人(Robot)搜索引擎 元（Meta）搜索引擎,二十、搜索引擎分類（續(xù)）,目錄(Dictionary)搜索引擎 以人工方式或半自動(dòng)方式搜集信息，由編輯員查看信息之后，人工形成信息摘要，并將信息置于事先確定的分類框架中。信息大多面向網(wǎng)站，提供目錄瀏覽服務(wù)和直接檢索服務(wù)。該類搜索引擎因?yàn)榧尤肓巳说闹悄?，所以信息?zhǔn)確、導(dǎo)航質(zhì)量高，缺點(diǎn)是需要人工介入、維護(hù)量大、信息量少、信息更新不及時(shí)。這類搜索引擎的代表是：Yahoo、LookS