基于語言模型的信息檢索中負反饋技術的研究與實現(xiàn).pdf

1、21世紀是網(wǎng)絡經(jīng)濟的時代,伴隨著互聯(lián)網(wǎng)的迅速發(fā)展,internet上的信息量在不斷增加,然而如何從浩瀚的信息海洋中得到所需要的信息就顯得更加有意義。
　　 在信息檢索中,搜索引擎使用排序算法對被檢索文檔根據(jù)與查詢的相關性大小進行排序,研究者們提出了關于相關性的數(shù)學檢索模型。語言模型是目前性能較好的模型。對于困難查詢(difficult query)來說,檢索結果較差并且排序靠前的文檔很少有與用戶需求相關的,怎樣在語言模型下使用那

2、些不相關的信息來提高檢索精度呢?就提出了相關反饋技術的特殊情形即負反饋技術。
　　 本文主要提出了基于語言模型的信息檢索中正相關反饋和負反饋相結合的方法,在語言模型框架下應用類似于向量空間模型中的Rocchio反饋方法的反饋算法,對查詢進行擴展和查詢詞的概率進行修改。本文主要考慮初次檢索結果的前十個文檔,作為查詢擴展的局部文檔情形,一般傳統(tǒng)地認為這十個文檔都是相關文檔,用來進行偽相關性反饋。本文是將前十個文檔分開考慮,根據(jù)與標準