面向云环境密文排序检索的字典划分向量空间模型

针对传统向量空间模型（TVSM）生成的向量维度高，计算文档与检索关键词相关度的向量点积运算耗时长的问题，提出一种面向云环境密文排序检索的字典划分向量空间模型（DPVSM）。首先给出DPVSM的具体定义，并证明了DPVSM中检索关键词与文档的相关度得分与TVSM中的相关度得分完全相等；然后，采用等长字典划分方法，提出加密向量生成算法和文档与检索关键词相关度得分计算算法。实验结果表明，DPVSM文档向量的空间开销远少于TVSM，且文档数量越多开销降低越多；此外，DPVSM的检索向量的空间开销以及相关度得分计算的耗时也远低于TVSM。显然，DPVSM在生成向量的空间效率和相关度得分计算的时间效率上均优于TVSM。