《introduction to information retrieval》信息检索学习笔记1 布尔检索

第1章 布尔检索

• 信息检索的定义：信息检索（IR）是从大型集合（通常存储在计算机上）中寻找满足信息需求的非结构化性质（通常是文本）的材料（通常是文档）。

1.1一个信息检索的例子

问题描述：确定莎士比亚的作品集中，哪些戏剧包含了词汇Brutus和Caesar而不包含Calpumia。

1.解决办法

（1）最简单的文档检索形式：计算机通过文档进行线性扫描（Unix/Linux中文本扫描grep）
缺点：线性扫描的时间复杂度与文档集大小成正比，不适合大规模文本检索
无法满足以下需求：
1.快速处理大型文档集合
2.更灵活的匹配操作
3.检索结果排序
（2）提前建立索引文档：避免对每个查询进行线性扫描，以词项（term）为横坐标，文档（document）为纵坐标，根据文档中是否出现该词汇建立二进制词汇-文本关联矩阵。

图1.1 词汇-文档关联矩阵，当d列包含t行单词时M(t,d)为1，否则为0

针对本问题，取词汇Brutus和Caesar及Calpumia的行向量做运算（Brutus AND Caesar AND NOT Calpumia），得出问题答案: Antony and Cleopatra和Hamlet.

110100 and 110111 and 101111 = 100100

2.相关概念

• 布尔检索模型（Boolean retrieval model）：信息检索的一个模型，布尔检索模型可以提出以布尔表达式的形式表示（结合逻辑运算符and，or，not）的任何查询。该模型将每个文档看作是一组单词。
• 正确率（Precision）<