摘 要： 在傳統(tǒng)向量空間模型的基礎(chǔ)上，提出一種新的信息檢索算法模型——N層向量模型。此模型應(yīng)用在Web信息檢索上，能較好地適應(yīng)文檔集合的動(dòng)態(tài)擴(kuò)充。
關(guān)鍵詞： 搜索引擎 向量空間模型 查準(zhǔn)率 查全率
Internet使人類社會(huì)步入了以網(wǎng)絡(luò)為中心的信息時(shí)代。隨著Web信息爆炸性的增長，如何從大量的信息中迅速、有效、準(zhǔn)確地提取所需信息已成為一個(gè)極富挑戰(zhàn)性的課題，并已成為學(xué)術(shù)界和企業(yè)界十分關(guān)注的問題。
半個(gè)多世紀(jì)以來，人們提出了許多種信息檢索的算法模型。Salton等人提出的一種向量空間模型的算法是使用TFIDF將文檔轉(zhuǎn)化為向量形式，其計(jì)算簡單并且有效，因此得到了較廣泛的應(yīng)用。在經(jīng)典的向量空間檢索模型的算法中，文檔和查詢都是用其所包含的特征項(xiàng)(通常認(rèn)為以詞為特征項(xiàng)比較合理）組成的向量來表示的，并且用文檔與查詢的向量之間夾角的余弦作為相似性的度量，夾角越小，相似度越大。針對(duì)特定的查詢向量，比較它與所有文檔向量的相似度，并依相似度將文檔降序排序，提交檢索結(jié)果。這種方法具有簡單直觀、處理速度快等優(yōu)點(diǎn)。但是文檔集合中特征項(xiàng)的數(shù)量遠(yuǎn)遠(yuǎn)大于每一篇文檔或查詢中特征項(xiàng)的個(gè)數(shù)，因此文檔和查詢的向量表示形式中的大部分項(xiàng)都為零。這些零項(xiàng)將會(huì)在計(jì)算特征項(xiàng)的權(quán)重和相似度時(shí)帶來很大的時(shí)間和空間復(fù)雜度，導(dǎo)致數(shù)據(jù)稀疏現(xiàn)象。另外在特征項(xiàng)抽取以及查詢匹配過程中，同一個(gè)特征項(xiàng)出現(xiàn)在文檔的不同區(qū)域時(shí)，它所表達(dá)文檔內(nèi)容的能力是不同的。而且在文檔同一區(qū)域，不同的特征項(xiàng)所表達(dá)文檔內(nèi)容的能力也是有差別的。使用傳統(tǒng)的向量空間模型則會(huì)認(rèn)為這些特征項(xiàng)所表達(dá)文檔的能力完全相同，不能加以區(qū)分。
本文在傳統(tǒng)向量空間模型的基礎(chǔ)上提出一種新的檢索方法，將N層向量空間模型應(yīng)用在Web信息檢索上，使之能較好地適應(yīng)文檔集合的動(dòng)態(tài)擴(kuò)充。理論分析和實(shí)驗(yàn)結(jié)果表明，此方法能夠進(jìn)一步提高向量空間模型的性能，節(jié)省存儲(chǔ)空間，加快檢索速度，具有較高的精度和召回率。
1 向量空間模型
1.1 傳統(tǒng)向量空間模型
向量空間模型的出發(fā)點(diǎn)是：每篇文檔和查詢都包含一些用概念詞表達(dá)的、揭示其內(nèi)容的獨(dú)立屬性，而每個(gè)屬性都可以看成是概念空間的一個(gè)維數(shù)。因此，文檔和查詢就可以表示為這些屬性的集合，從而忽略了文本結(jié)構(gòu)中段落、句子及詞語之間的復(fù)雜關(guān)系。這樣，文檔和查詢可以分別用空間的一個(gè)點(diǎn)表示，并且文檔矢量與查詢矢量之間就存在空間上的不同距離，而這種距離關(guān)系在信息檢索中的意義就是文檔與查詢之間的相似度。所以，文檔與查詢之間的相似度可以用矢量間的距離來衡量。相似度的計(jì)算方法有很多種，本文采用余弦系數(shù)法，即用二個(gè)矢量之間的夾角的余弦來表示文檔與查詢間的相關(guān)度。夾角越大，距離越遠(yuǎn)，余弦越小，相關(guān)度越小，反之相關(guān)度越大。下面介紹向量空間模型的量化方法。
tfij為特征項(xiàng)tj在文檔di中出現(xiàn)的頻率；dfj為在整個(gè)文檔集中，包含特征項(xiàng)tj的文檔數(shù)；idfj為反轉(zhuǎn)文檔頻數(shù)，其值為：
可見，傳統(tǒng)的向量空間模型是以文本特征項(xiàng)的頻率tf和反轉(zhuǎn)文檔頻率idf作為其量化基礎(chǔ)的。其乘積作為特征項(xiàng)的權(quán)重，再通過計(jì)算文檔與查詢之間的相似度即可判斷文檔與查詢是否相關(guān)。權(quán)重值大的特征項(xiàng)是那些在文檔中出現(xiàn)頻率足夠高，但在整個(gè)文檔集的其他文檔中出現(xiàn)頻率足夠少的詞語，也是對(duì)區(qū)別文檔最有意義的詞語。
1.2 N層向量空間模型
將一篇文檔從組織結(jié)構(gòu)上劃分為N層，基于每層的文本內(nèi)容建立相應(yīng)的特征項(xiàng)向量和權(quán)值。其中特征項(xiàng)抽取和權(quán)重計(jì)算等同傳統(tǒng)向量空間模型相同。這樣，對(duì)于文檔進(jìn)行N層劃分得到的向量空間模型就成為N層向量空間模型。
本文針對(duì)Web信息檢索進(jìn)行考慮，由于Web頁面的特殊格式，要求一篇文檔最少是由指向該文檔的鏈接、文檔標(biāo)題和文檔正文三部分組成。而這三部分的內(nèi)容對(duì)于這篇文檔的表達(dá)能力是不同的。鏈接的文字是吸引別人點(diǎn)擊文檔進(jìn)行閱讀的通道，所以鏈接的內(nèi)容表達(dá)文檔的能力最強(qiáng)，其次是標(biāo)題，正文的內(nèi)容表達(dá)文檔的能力最弱。
因此，將N層向量空間模型應(yīng)用在Web信息檢索時(shí)，可將一篇Web文檔按照指向文檔的鏈接、標(biāo)題和正文劃分成3層（若Web頁面中有<meta keyword>等標(biāo)記的關(guān)鍵字部分，則可劃分為4層向量空間模型。）。
2 應(yīng)用N層向量空間模型進(jìn)行Web信息檢索
2.1 文本向量表示形式的改進(jìn)
向量空間模型在建完索引以后，要根據(jù)每一個(gè)特征項(xiàng)求其對(duì)于每一篇文檔和查詢的權(quán)重值。其計(jì)算量非常大，并且每一篇文檔和查詢的向量表示式為
，其中大多數(shù)項(xiàng)都為零，所以導(dǎo)致了數(shù)據(jù)稀疏現(xiàn)象。另外由于Web頁面的超鏈性（hyperlink），頁面上顯示的信息有很多是和本頁內(nèi)容無關(guān)的，例如別的頁面的鏈接、版權(quán)信息、欄目導(dǎo)航等，在每個(gè)頁面上都有重復(fù)出現(xiàn)，這干擾了相似度計(jì)算。為解決這些問題，首先引入停用詞表，例如文檔中很多不能說明文檔內(nèi)容的語法詞，還有虛詞、感嘆詞、連詞等或各個(gè)文檔共有的詞，所有這些詞作為描述文檔的向量效率是非常低的。因此可以考慮降維處理，把它們作為停用詞，不計(jì)算其權(quán)重；其次，采用壓縮矩陣的辦法來解決數(shù)據(jù)稀疏問題，定義文檔和查詢的向量表示形式為：<……，(ti，ωdi)，……>，其中ti為第i個(gè)特征項(xiàng)，ωdi為其對(duì)應(yīng)的權(quán)重值且ωdi≠0。這樣既減少了計(jì)算量，又加快了計(jì)算速度，同時(shí)節(jié)省了存儲(chǔ)空間。
2.2 特征項(xiàng)頻率統(tǒng)計(jì)的改進(jìn)
在統(tǒng)計(jì)每個(gè)區(qū)域的特征項(xiàng)頻率得到tfij后，要乘以一個(gè)反映其重要程度的比例系數(shù)來加以修正和調(diào)整，則特征項(xiàng)tj在文檔di中出現(xiàn)的頻率為：
其中：tfiji為第i個(gè)區(qū)域的頻率（i為1、2、3時(shí)分別對(duì)應(yīng)鏈接區(qū)域、標(biāo)題區(qū)域、正文區(qū)域），α＞β＞γ≥1為比例系數(shù)。
同樣，在文檔同一區(qū)域中，不同的特征項(xiàng)所表達(dá)文檔內(nèi)容的能力也是有差別的。例如同在正文區(qū)域的不同的特征項(xiàng)所代表文檔的內(nèi)容就有可能不同。在計(jì)算特征項(xiàng)頻率tfij時(shí)再乘以一個(gè)比例因子log2(M/mi)，其中M為該特征項(xiàng)在本文檔中共出現(xiàn)的次數(shù)，mi為該特征項(xiàng)在文檔第i次出現(xiàn)的次數(shù)。這樣，特征項(xiàng)tj在文檔di中出現(xiàn)的頻率調(diào)整為：
2.3 傳統(tǒng)向量空間模型與N層向量空間模型的算法復(fù)雜度比較
表1為傳統(tǒng)向量空間模型與N層向量空間模型的算法復(fù)雜度比較結(jié)果。
3 實(shí)驗(yàn)設(shè)置
(1)信息檢索實(shí)驗(yàn)系統(tǒng)。信息檢索實(shí)驗(yàn)系統(tǒng)選用了Smart系統(tǒng)。Smart系統(tǒng)是基于向量空間檢索模型實(shí)現(xiàn)的信息檢索系統(tǒng)。在本實(shí)驗(yàn)中，為便于實(shí)現(xiàn)對(duì)向量空間模型算法的修改，使用的是經(jīng)過修改的Smart信息檢索系統(tǒng)。
(2)測試集。測試集分為文檔和查詢（query）二部分：文檔部分采用新浪網(wǎng)站（www.sina.com.cn）的新聞部分Web版（32，145篇）。查詢部分使用新浪網(wǎng)站的新聞?dòng)懻摌?biāo)題，共50個(gè)。
(3)評(píng)價(jià)方法。本系統(tǒng)使用精度和召回率來評(píng)價(jià)。精度是檢索出來的相關(guān)文檔數(shù)和檢索出來的總文檔數(shù)的比值；召回率是檢索出來的相關(guān)文檔數(shù)和總的相關(guān)文檔數(shù)的比值。通常，召回率越高，精度越低；反之精度越高，召回率越低。所以最有說服力的是11個(gè)點(diǎn)的平均精度。世界上最權(quán)威的文本檢索評(píng)測會(huì)議TREC（Text Retrieval Conference）的評(píng)測依據(jù)就是這個(gè)值。本系統(tǒng)將只提供這個(gè)值。
4 實(shí)驗(yàn)結(jié)果
這里對(duì)傳統(tǒng)的向量空間模型算法和改進(jìn)后的向量空間算法進(jìn)行了比較，并統(tǒng)計(jì)了對(duì)應(yīng)于每一條查詢的11個(gè)點(diǎn)處的平均精度值。其結(jié)果如表2所示。
因?yàn)槠骄戎祪H僅是11個(gè)點(diǎn)處的精度值的平均值，為了進(jìn)一步說明問題，圖1給出了這幾次檢索的精度-召回率曲線。
從圖1中可以看出，改進(jìn)向量空間模型在索引時(shí)間和精度上都要優(yōu)于傳統(tǒng)向量空間，性能有了很大的提高。
本文提出了一種應(yīng)用N層向量空間模型算法用于Web信息檢索的辦法。理論分析和實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的方法大大提高了Web信息檢索的性能，節(jié)省了存儲(chǔ)空間，加快了計(jì)算速度，具有較高的精度和召回率。
參考文獻(xiàn)
1 Salton G.The SMART retrieval system-experiments in automatic document processing.USA：Prentice Hall，1971
2 陶躍華.基于向量的相似度計(jì)算方案.云南師范大學(xué)學(xué)報(bào)，2001；21（10）
3 陸玉昌，魯明羽.向量空間法中單詞權(quán)重函數(shù)的分析和構(gòu)造.計(jì)算機(jī)研究與發(fā)展，2002；39（10）
4 劉芳，盧正鼎.有效地檢索HTMl文檔.小型微型計(jì)算機(jī)系統(tǒng)，2000；21（9）