基于兴趣模型的查询扩展

针对信息检索中查询与文档集之间可能存在的“词不匹配”问题,基于兴趣模型提出一种将概念化的兴趣知识与向量空间模型相结合的查询扩展方法。该方法能根据阈值来判断查询扩展是否可行。用户的兴趣偏好是通过Agent代理实时获取的,兴趣知识采用HNC（Hierarchical Network of Concepts, 概念层次网络）理论的概念符号体系表达,这样便于计算概念之间的相似度。实验结果表明,经过查询扩展后的结果相对于未加入查询扩展的结果在性能上提高了29.1%。     

基于概念图的用户兴趣查询扩展模型的研究

查询扩展是信息检索技术研究的一个重要组成部分。目前的查询扩展是基于统一的用户模型,没有考虑到用户的个人兴趣,这对查询扩展的精确度造成了一定的影响。分析了产生这种问题的原因,提出了基于概念图的用户兴趣扩展模型,通过该模型来有效提高查询扩展的精确度。实验显示,该方法能有效提高查询的查全率和查准率。     

基于日志挖掘的查询概念图扩展

提出将概念图引入查询扩展,从概念的层面上进行语义的扩展。使用概念图表示查询可以更准确地表明用户的查询意图,并在此基础上进行语义的扩展,通过这种方法给出的扩展查询更符合用户的查询意图。对用户查询进行基于概念图的查询扩展,并将结果与百度的相似查询进行了比较,证明基于概念图的查询扩展能更准确地把握用户的查询意图。     

跨语言信息检索中基于本体的查询扩展模型研究

网络的发展和世界语言的多样性使跨语言信息检索(CLIR,Cross Language Information Retrieval)倍受关注。但用户查询与文档用词不匹配成为影响检索效率的重要原因。为此,本文提出了一种基于领域本体的跨语言信息检索模型,以解决传统CLIR查询效率低下的问题。     

信息检索中的查询扩展技术综述

查询扩展技术是提高信息检索查准率和查全率的有效手段。文章介绍了几种重要的查询扩展技术的工作原理,并对他们的算法效率进行了分析和比较。     

基于频繁项集挖掘与查询扩展的信息检索系统模型

将频繁项集挖掘和查询扩展技术应用于信息检索,提出一种新的基于频繁模式挖掘与查询扩展的信息检索系统模型及其算法,并给出该检索系统模型的设计思想,以及模型总体结构及其各模块功能,实现了系统原型。实验结果表明,该检索系统模型能有效地提高和改善信息检索性能。     

基于混沌神经网络模型的查询扩展

针对传统的信息检索模型只能进行精确匹配的问题，提出一种基于混沌神经网络模型的查询扩展方法，利用混沌神经网络较强的记忆性、学习性和联想性，对用户查询行为进行学习，从而对用户的初始查询进行扩展和重构，以得到符合不同用户的检索结果。与传统的神经网络信息检索模型的对比实验表明，新模型具有更高的查全率和查准率。     

一种基于上下文的中文信息检索查询扩展

在中文信息检索的研究和实践中,由于查询中所使用的词可能与文件集中使用的词不匹配而导致一些相关的文件不能被成功地检索出来,这是影响检索效果的一个很关键的问题。查询扩展可以在一定程度上解决这种词的不匹配现象,然而,实验表明,通常简单的查询扩展并不能稳定地提高中文信息检索的检索效果。本论文中提出并实现了一种基于上下文的查询扩展方法,可以根据查询的上下文对扩展词进行选择,是一种相对“智能”的查询扩展方法。在TREC - 9 中文信息检索测试集上进行的实验表明,相对于通常简单的查询扩展,基于上下文的查询扩展方法取得了具有统计意义提高的检索效果。     

基于本体的查询扩展研究

查询扩展是优化信息检索的一种有效方法。基于关键词的查询扩展对语义信息的忽略为结果带来了不好的影响,因而提出一种基于本体的查询扩展方法。首先建立本体模型,通过计算本体中的概念语义相似度和实例语义相似度,实现语义查询扩展。     

基于混合关系模型的查询扩展

随着因特网规模的不断增大,用户需要更加完善的信息检索工具。本文的研究范围主要是信息检索技术中的查询扩展算法,我们重点关注利用混合关系模型进行查询扩展的效果。     

Multi-structure information retrieval method based on transformation invariance

The needs of efficient and flexible information retrieval on multi-structural data stored in database and network are significantly growing. Especially, its flexibility plays one of the key roles to acquire relevant information desired by users in retrieval process. However, most of the existing approaches are dedicated to a single content and data structure respectively, e.g., relational database and natural text. In this work, we propose “Multi-Structure Information Retrieval” (MSIR) approach applicable to various types of contents and data structures by adapting a small part of the approach to data structures. The power of this approach comes from the use of the invariant feature information obtained from byte patterns in the files through some mathematical transformation. The experimental evaluation of the proposed approach for both artificial and real data indicates its high feasibility. Fuminori Adachi: He received his Master of engineering from Osaka University in ’03. He is enrolled in the doctoral course of Osaka University from ’03. His current research interest includes scientific discovery, data mining and machine learning techniques. Takashi Washio, Ph.D.: He received his Ph.D. from Tohoku University in ’88. In ’88, he became a visiting reseacher in Massachusetts Institute of Technology. In ’90, he joined Mitsubishi Research Institute Inc., and is working for Osaka University from ’96. His current research interest includes scientific discovery, data mining and machine learning techniques. Atsushi Fujimoto: He is enrolled in the master cource of Osaka University from ’03. His Current research interest includes correlation analysis, data mining and machine learning techniques. Hiroshi Motoda, Ph.D.: He received his Ph.D. from University of Tokyo in ’72. In ’67, he joined Hitachi Ltd. and has been working for Osaka University since ’96. His current research interest includes scientific discovery, data mining and machine learning. Hidemitsu Hanafusa: He received Master of Engineering from Keio University in ’83. In ’83, he joined The Kansai Electric Power Co. Ins. (KEPCO). He researched on Maintenance Support System at INSS from ’97 to ’02. Now, he is working in KEPCO.     

利用人工和自动生成的资源进行中文信息检索查询扩展

在中文信息检索的研究和实践中,由于查询与文件集中词的不匹配现象导致一些相关的文件不能被成功地检索出来,这是影响检索效果的一个很关键的问题。该文提出并实现了利用人工和自动生成的资源进行中文信息检索查询扩展,在NTCIR-2中文信息检索测试集上进行的实验表明,相对于不进行查询扩展的检索结果,该扩展方法取得了具有统计意义提高的检索效果。     

查询词相似度加权的邻近性检索方法

传统的邻近性检索模型同等地看待所有查询词,不加区分地考虑所有查询词的邻近性,造成“平行概念效应”,影响邻近性检索方法的性能。文中提出一种查询词相似度加权的邻近性检索方法。该方法根据查询词之间的语义相似度对查询词邻近性统计量加权,可进一步推断用户的实际信息需求,挖掘查询中蕴含的更深层次的信息。实验结果表明,在短查询较多的应用环境下,文中方法可较显著提升传统邻近性检索模型的性能,有效规避查询词邻近性的平行概念效应。     

基于本体和用户相关反馈的扩展查询研究

描述了一种扩展查询(QE)的新方法,这是一种连接用户相关反馈和本体的混合扩展查询技术,有两大贡献：一是连接了用户相关反馈和本体技术,二是采用FirteX作为实验平台。与目前广泛应用的基于余弦相似性的扩展查询技术相比,实验结果表明方法平均精度达到15%,高于基于余弦相似性的扩展查询技术的13%,并且将平均反馈率提高到了16%。     

融合Copulas理论和关联规则挖掘的查询扩展

将Copulas理论引入文本特征词关联模式挖掘,提出融合Copulas理论和关联规则挖掘的查询扩展算法.从初检文档集中提取前列n篇文档构建伪相关反馈文档集或用户相关反馈文档集,利用基于Copulas理论的支持度和置信度对相关反馈文档集挖掘含有原查询词项的特征词频繁项集和关联规则模式,从这些规则模式中提取扩展词,实现查询扩展.在NTCIR-5 CLIR中英文本语料上的实验表明,文中算法可有效遏制查询主题漂移和词不匹配问题,改善信息检索性能,提升扩展词质量,减少无效扩展词.     

基于多模态融合和时空上下文语义的跨媒体检索模型的研究

如何跨越低层特征描述到高层语义知识的“语义鸿沟”已成为跨媒体检索(CMR)问题的关键,提出一个基于多模态融合描述和时空上下文语义的跨媒体检索模型,对多模态融合的特征采用主成分分析(PCA)和独立成分分析(ICA)相结合的降维算法、采用基于支持向量机(SVM)和隐马尔可夫模型(HMM)的混合分类器进行语义映射,同时给出了时空模糊聚类分析方法和基于相关反馈的跨媒体检索算法。并在此基础上开发出基于该模型的原型系统,成功验证了该模型的可行性和正确性,可为相关系统的设计者提供思路。     

An attempt to enhance performance in user session based information retrieval

The ongoing surge in the amount of online information has made the process of accurate retrieval much more difficult. Providers of information retrieval systems have come under a lot of pressure to improve their techniques to cater for the modern user. Conventional systems are often limited as they fail to understand the true search intent of the user. This is usually a result of both poor query formulation by the user and an inability of the search engine to process the query adequately. In this paper, an approach is presented that attempts to learn a user’s short-term interests through the clustering of their search results. A profile is maintained for each user to assist in the process of context resolution for a given query. The details of such an approach and experimental results to evaluate its effectiveness are presented in this paper.