基于文档关系的扩展信念网络检索模型

doi:10.3772/j.issn.1000-0135.2019.11.004

情报学报

2019, Vol. 38

Issue (11): 1160-1165 DOI: 10.3772/j.issn.1000-0135.2019.11.004

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于文档关系的扩展信念网络检索模型

徐建民¹, 何丹丹¹, 吴树芳²

1.河北大学网络空间安全与计算机学院，保定 071002
2.河北大学管理学院，保定 071002

An Extended Belief Network Retrieval Model Based on Document Relationships

Xu Jianmin¹, He Dandan¹, Wu Shufang²

1.College of Cyberspace Security and Computer, Hebei University, Baoding 071002
2.School of Management, Hebei University, Baoding 071002

摘要
图/表
参考文献
相关文章 (0)

全文: PDF (1064 KB) HTML (149 KB)
输出: BibTeX | EndNote (RIS)

摘要合理利用文档关系可以提高模型的检索性能。针对基本信念网络检索模型未考虑文档关系的不足，通过在基本模型上增加一层文档节点，提出一种具有两层文档节点的扩展信念网络检索模型，给出了模型的拓扑结构和概率推导。在拓扑结构中，术语与查询的关系、术语与文档的关系和两层文档之间的关系都用弧来表示，其中文档关系依据文档相似度确定。在概率推导中，利用文档相似度及文档节点的父文档个数对原模型的概率推导做出修正，使得检索概率更为准确。实验采用折损累积增益值和查准率-查全率曲线来评价扩展模型的性能，结果表明，扩展模型使得相关文档排名更合理，并且在保证查全率的条件下提高了查准率。

	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
	徐建民
	何丹丹
	吴树芳

关键词 ：信念网络, 文档关系, 检索模型, 文档相似度

收稿日期: 2018-12-12

基金资助:国家社会科学基金后期资助项目“基于术语关系的贝叶斯网络检索模型扩展”（17FTQ002）；河北省自然科学基金项目“基于贝叶斯网络的话题识别与追踪方法研究”（F2015201142）。

作者简介: 徐建民，男，1966年生，博士，教授，博士生导师，研究方向为信息检索、在线社交网络

引用本文:

徐建民, 何丹丹, 吴树芳. 基于文档关系的扩展信念网络检索模型[J]. 情报学报, 2019, 38(11): 1160-1165.
Xu Jianmin, He Dandan, Wu Shufang. An Extended Belief Network Retrieval Model Based on Document Relationships. 情报学报, 2019, 38(11): 1160-1165.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2019.11.004 或 https://qbxb.istic.ac.cn/CN/Y2019/V38/I11/1160

1 王俊义. 正负相关反馈与查询扩展技术的研究[D]. 呼和浩特: 内蒙古大学, 2012.
2 刘亚楠. 基于文档相似度的伪相关反馈方法研究[D]. 武汉: 华中师范大学, 2017.
3 李卫疆, 赵铁军, 王宪刚. 基于上下文的查询扩展[J]. 计算机研究与发展, 2010, 47(2): 300-304.
4 郑伟, 侯宏旭, 武静. 贝叶斯网络在信息检索中的应用[J]. 情报科学, 2018, 36(6): 136-141.
5 Ribeiro-NetoB A, MuntzR R. A belief network model for IR[C]// Proceedings of the 19th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM Press, 1996: 253-260.
6 吴树芳, 朱杰. 信念网络在话题识别与追踪中的应用研究[M]. 北京: 科学出版社, 2017: 12-13.
7 de CamposL M, Fernández-LunaJ M, HueteJ F. Two term-layers: An alternative topology for representing term relationships in the Bayesian network retrieval model[M]// Benitez J, Cordón O, Hoffmann F, et al.(Eds.) Advances in Soft Computing. London: Springer-Verlag, 2003: 213-224.
8 de CamposL M, Fernández-LunaJ M, HueteJ F. Clustering terms in the Bayesian network retrieval model: A new approach with two term-layers[J]. Applied Soft Computing, 2004, 4(2): 149-158.
9 XuJ M, TangW S, XuJ M, et al. A word similarity based belief network IR model with two term layers[C]// Proceedings of the WRI Global Congress on Intelligent Systems. New York: IEEE Computer Society, 2009: 514-517.
10 徐建民, 陈振亚, 白彦霞. 利用查询术语同义词关系扩展信念网络检索模型[J]. 情报学报, 2008, 27(3): 363-368.
11 AcidS, de CamposL M, Fernández-LunaJ M, et al. An information retrieval model based on simple Bayesian networks[J]. International Journal of Intelligent Systems, 2003, 18(2): 251-265.
12 张仰森, 郑佳, 李佳媛. 一种基于语义关系图的词语语义相关度计算模型[J]. 自动化学报, 2018, 44(1): 87-98.
13 刘宏哲, 须德. 基于本体的语义相似度和相关度计算研究综述[J]. 计算机科学, 2012, 39(2): 8-13.
14 谷重阳, 徐浩煜, 周晗, 等. 基于词汇语义信息的文本相似度计算[J]. 计算机应用研究, 2018, 35(2): 391-395.
15 LinY S, JiangJ Y, LeeS J. A similarity measure for text classification and clustering[J]. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(7): 1575-1590.
16 徐建民, 许彩云. 基于文本和公式的科技文档相似度计算[J]. 数据分析与知识发现, 2018, 2(10): 103-109.
17 俞婷婷, 徐彭娜, 江育娥, 等. 基于改进的Jaccard系数文档相似度计算方法[J]. 计算机系统应用, 2017, 26(12): 137-142.
18 徐建民, 王平. 小型中文信息检索测试集的构建与分析[J]. 情报杂志, 2009, 28(1): 13-16.
19 陈振亚, 徐建民, 吴树芳. 利用术语本体关系扩展SBN检索模型[J]. 计算机研究与发展, 2013, 50(S1): 257-263.
20 徐建民, 崔琰, 刘清江. 基于同义词关系改进的局部共现查询扩展[J]. 情报杂志, 2010, 29(9): 145-147.
21 WenJ R, NieJ Y, ZhangH J. Clustering user queries of a search engine[C]// Proceedings of the 10th International Conference on World Wide Web. New York: ACM Press, 2001: 162-168.