基于深度学习的查询扩展研究

doi:10.3772/j.issn.1000-0135.2019.10.007

情报学报

2019, Vol. 38

Issue (10): 1066-1077 DOI: 10.3772/j.issn.1000-0135.2019.10.007

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于深度学习的查询扩展研究

余传明¹, 蔡林¹, 胡莎莎¹, 安璐²

1.中南财经政法大学信息与安全工程学院，武汉 430073
2.武汉大学信息管理学院，武汉 430072

Research on Query Expansion Based on Deep Learning

Yu Chuanming¹, Cai Lin¹, Hu Shasha¹, An Lu²

1.School of Information and Safety Engineering, Zhongnan University of Economics and Law, Wuhan 430073
2.School of Information Management, Wuhan University, Wuhan 430072

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (1388 KB) HTML (155 KB)
输出: BibTeX | EndNote (RIS)

摘要通过在查询扩展中引入深度学习框架，并结合局部和全局查询扩展模型，从而解决查询扩展中伪相关反馈引起的查询漂移问题。选择eBay于2017年发布的查询短语和商品名称作为实验数据，在伪相关反馈的基础上提出基于深度学习的查询扩展模型（deep learning based query expansion model，DLQEM），以实现更准确有效的查询扩展，并将其应用到信息检索任务中。实验结果表明，DLQEM的precision@10值在伪相关反馈（PRF）的基础上分别提高了3.5%和3.7%，验证了本文所提出假设（通过概念相关扩展词与反馈信息扩展词取交集能够有效地控制反馈相关扩展词造成的查询漂移）的有效性。深度学习能够解决监督学习在短文本集上难以获得好的分类效果的问题，将其与传统查询扩展模型进行结合，解决了传统查询扩展中需要用户参与和检索速度迟缓两大弊端，控制了查询漂移。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	余传明
	蔡林
	胡莎莎
	安璐

关键词 ：信息检索, 查询扩展, 深度学习, 伪相关反馈

收稿日期: 2018-08-27

基金资助:国家自然科学基金面上项目“大数据环境下基于领域知识获取与对齐的观点检索研究”（71373286）；中南财经政法大学中央高校基本科研业务费专项资金资助项目“大数据视角下的中美贸易战观点挖掘研究”（2722019JX007）。

作者简介: 余传明，男，教授，研究方向为数据挖掘、信息检索和商务智能，E-mail:yucm@zuel.edu.cn

引用本文:

余传明, 蔡林, 胡莎莎, 安璐. 基于深度学习的查询扩展研究[J]. 情报学报, 2019, 38(10): 1066-1077.
Yu Chuanming, Cai Lin, Hu Shasha, An Lu. Research on Query Expansion Based on Deep Learning. 情报学报, 2019, 38(10): 1066-1077.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2019.10.007 或 https://qbxb.istic.ac.cn/CN/Y2019/V38/I10/1066

1 韩中元, 杨沐昀, 孔蕾蕾, 等. 基于词汇时间分布的微博查询扩展[J]. 计算机学报, 2016, 39(10): 2031-2044.
2 GuoJ F, ZhuX F, LanY Y, et al. Modeling userssearch sessions for high utility query recommendation[J]. Information Retrieval Journal, 2017, 20(1): 4-24.
3 吴龑, 张奇, 黄萱菁. 基于整数线性规划的查询扩展[J]. 计算机研究与发展, 2013, 50(8): 1737-1743.
4 仲兆满, 李存华, 胡云. 基于迭代策略的微博事件查询扩展方法[J]. 情报学报, 2015, 34(9): 978-990.
5 HintonG, OsinderoS, WellingM, et al. Unsupervised discovery of nonlinear structure using contrastive backpropagation[J]. Cognitive Science, 2006, 30(4): 725-731.
6 SongY, ZhangS L, WangJ N. The research on personalized query expansion technology[EB/OL]. [2017-12-30]. https://www.researchgate.net/publication/308630964_The_Research_on_Personalized_Query_Expansion_Technology.
7 JonnagaddalaJ, JueT R, ChangN W, et al. Improving the dictionary lookup approach for disease normalization using enhanced dictionary and query expansion[EB/OL]. [2017-12-30]. https://www.ncbi.nlm.nih.gov/pmc/articles/ PMC4976299/pdf/baw112.pdf.
8 徐也, 徐蔚然. 基于语义特征扩展的知识库增量引文推荐算法[J]. 山东大学学报(理学版), 2016, 51(11): 26-32.
9 许侃, 林原, 林鸿飞, 等. 基于不同信息资源专利查询扩展方法的研究[J]. 情报学报, 2016, 35(6): 597-604.
10 RocchioJ J. Relevance feedback in information retrieval[M]// The SMART Retrieval System: Experiments in Automatic Document Processing. Prentice Hall, 1971: 313-323.
11 查正军, 郑晓菊. 多媒体信息检索中的查询与反馈技术[J]. 计算机研究与发展, 2017, 54(6): 1267-1280.
12 黄名选. 完全加权模式挖掘与相关反馈融合的印尼汉跨语言查询扩展[J]. 小型微型计算机系统, 2017, 38(8): 1783-1791.
13 马云龙. 查询理解与正负双向相关反馈技术研究[D]. 大连: 大连理工大学, 2016.
14 SinghJ, PrasadM, PrasadO K, et al. A novel fuzzy logic model for pseudo-relevance feedback-based query expansion[J]. International Journal of Fuzzy Systems, 2016, 18(6): 980-989.
15 KeikhaA, EnsanF, BagheriE. Query expansion using pseudo relevance feedback on Wikipedia[J]. Journal of Intelligent Information Systems, 2018, 50(3): 455-478.
16 AlmasriM, BerrutC, ChevalletJ P. A comparison of deep learning based query expansion with pseudo-relevance feedback and mutual information[C]// Proceedings of European Conference on Information Retrieval . Padua: ECIR Press, 2016: 709-715.
17 李岩, 张博文, 郝红卫. 基于语义向量表示的查询扩展方法[J]. 计算机应用, 2016, 36(9): 2526-2530, 2539.
18 唐亮, 赵晓峰, 席耀一, 等. 融合局部共现和上下文相似度的查询扩展方法[J]. 山东大学学报(理学版), 2017, 52(1): 29-36.
19 Sparck JonesK. A statistical interpretation of term specificity and its application in retrieval[J]. Journal of Documentation, 1972, 28(1): 11-21.
20 王卫国, 徐炜民. 基于潜在语义分析的个性化查询扩展模型[J]. 计算机工程, 2010, 36(21): 43-45.
21 El GhaliB, El QadiA. Context-aware query expansion method using language models and latent semantic analyses[J]. Knowledge and Information Systems, 2017, 50(3): 751-762.
22 WangF, LinL F, YangS, et al. A semantic query expansion-based patent retrieval approach[C]// Proceedings of the International Conference on Fuzzy Systems and Knowledge Discovery. New York: IEEE, 2013: 572-577.
23 SloanM, YangH, WangJ. A term-based methodology for query reformulation understanding[M]. Kluwer Academic Publishers, 2015: 145-165.
24 RoyD, GangulyD, MitraM, et al. Word vector compositionality based relevance feedback using kernel density estimation[C]// Proceedings of the 25th ACM International Conference on Information and Knowledge Management. New York: ACM Press, 2016: 1281-1290.
25 DíazF R, MitraB, CraswellN. Query expansion with locally-trained word embeddings[OL]. [2017-06-30]. https://arxiv.org/pdf/1605.07891v2.pdf.
26 齐爱芹, 徐蔚然. 基于词向量的实体链接方法[J]. 数据采集与处理, 2017, 32(3): 604-611.
27 KuziS, ShtokA, KurlandO. Query expansion using word embeddings[C]// Proceedings of the 25th ACM International Conference on Information and Knowledge Management. New York: ACM Press, 2016: 1929-1932.
28 许侃, 林原, 曲忱, 等. 专利查询扩展的词向量方法研究[J]. 计算机科学与探索, 2018, 12(6): 972-980.
29 AttarR, FraenkelA S. Local feedback in full-text retrieval systems[J]. Journal of the ACM, 1977, 24(3): 397-417.
30 FurnasG W, LandauerT K, GomezL M, et al. Statistical semantics: Analysis of the potential performance of keyword information systems[C]// Proceedings of the Conference on Human Factors in Computer Systems. New York: Ablex Publishing Corp., 1984: 187-242.
31 HochreiterS, SchmidhuberJ. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.
32 KimY. Convolutional neural networks for sentence classification[OL]. [2017-06-30]. https://arxiv.org/pdf/1408.5882.