第三章 信息检索建模
3.1.2 信息检索模型描述
一个信息检索模型是一个四元组[D, Q, F, R(qi, dj)]:
- D:是文档集中文档的逻辑视图的集合。
- Q:是用户信息需求的逻辑视图组成的集合。这些表达称为查询。
- F:是一个对文档、查询及其关系建模的框架,例如,集合与布尔关系、向量和线性代数运算、样本空间与概率分布。
- R(qi, dj):是排序函数,对查询表达式qi属于Q和文档表达式dj属于D赋予一个实数。排序函数定义了关于查询qi的文档次序。
3.1.3 信息检索模型的分类
信息检索模型分类:基于文本、基于链接和基于多媒体对象的模型。
无结构文本经典模型:布尔模型、向量模型、概率模型。
3.2 经典信息检索
3.2.1 基本概念
- 索引项或者关键词
索引项或者关键字:指的是表示文档中的关键概念或者主题的一个词或者一组词。
t表示文档集中索引项的数量,ki是某个索引项。V=(k1, k2, …, kt)V是文档集中所有不同索引的集合。V是文档集的词汇表,词汇表的大小是t。
- 文档和查询的表示形式
索引共现模式,一个文档集中索引共现模式有2^t。例如[1, 0, …, 0]或者[1, 1, …, 1]一共2^t个,每个索引项共现模式称为一个索引项合取分量。
词袋法(bag of words):就是用索引项的合取分量对查询和文档进行表示。
- 项-文档矩阵
d1 | d2 | |
---|---|---|
k1 | f1,1 | f1,2 |
k2 | f2,1 | f2,2 |
k3 | f3,1 | f3,2 |
ki表示的是索引项,dj表示文档,fi,j表示ki在文档dj中出现的频率。
- 文档的逻辑视图
3.2.2 布尔模型
布尔模型(Boolean Model)是一个基于集合论和布尔代数的简单模型。
布尔模型根据索引项合取向量进行判断,使用非(not),与(and),或(or)。
即使当文档集的词汇表包含不在查询中的词,这种方法也是可以的。
布尔模型判定每篇文档要么相关,要么不相关,不存在部分相关。
3.2.3 项权重
- 文档集两个索引项的相关性
设M=[mi,j]是一个t行N列的项-文档矩阵,其中mi,j=wi,j,即矩阵中的每一元素ij由项-文档二元组(ki, dj)的权重给出。给定Mt是矩阵M的转置,矩阵C=M·Mt是一个项间相关性矩阵。每一元素cu,v属于C表达了索引项ku和kv之间的关系。
TF-IDF权重
TF项频(Term Frequency, TF) 反比文档频率(Inverse Document Frequency, IDF)
- TF
tf_{i,j} = f_{i,j}
tf_{i,j} = 1 + logf_{i,j}——f_{i,j}>0
tf_{i,j} = 0——others
- IDF
穷尽性和特异性
IDF = log(N/n_i)
- 文档长度归一化
这里没怎么搞懂。
后面会继续写