信息技術(shù)的快速發(fā)展改變了人們的工作、學(xué)習(xí)與生活,如何從大量的文本數(shù)據(jù)中快速并且準(zhǔn)確地檢索到用戶需要的信息成為了大數(shù)據(jù)信息時(shí)代的一大難題。傳統(tǒng)信息檢索方法是基于關(guān)鍵詞的檢索,忽略了語義信息,用戶檢索體驗(yàn)較差。本文將查詢匹配方法引入查詢擴(kuò)展技術(shù),并且結(jié)合改進(jìn)后的排序算法和全文搜索引擎對(duì)信息檢索技術(shù)進(jìn)行優(yōu)化,有助于改善用戶查詢過程中存在的“詞不達(dá)意”和“文檔不匹配”的問題。本論文的工作內(nèi)容及主要貢獻(xiàn)如下。首先,針對(duì)傳統(tǒng)查詢擴(kuò)展算法忽略語義信息的缺點(diǎn),在基于Word2vec查詢擴(kuò)展方法的基礎(chǔ)上,結(jié)合自動(dòng)閾值篩選方法和改進(jìn)的LSF技術(shù),提出基于詞向量的語義擴(kuò)展算法LW-TF。LW-TF算法實(shí)現(xiàn)的查詢匹配包括兩個(gè)步驟:一是結(jié)合自動(dòng)閾值篩選方法和改進(jìn)的LSF技術(shù),以獲取語義擴(kuò)展詞實(shí)現(xiàn)語義匹配;二是通過向量加權(quán)法獲取查詢向量和文檔向量,實(shí)現(xiàn)關(guān)聯(lián)匹配。實(shí)驗(yàn)結(jié)果表明,基于詞向量的語義擴(kuò)展算法相較于其他算法實(shí)現(xiàn)了查全率和查準(zhǔn)率的提升,證明了算法的有效性。其次,本文結(jié)合LW-TF算法與改進(jìn)后的BM25F-N排序評(píng)分算法,在全文檢索的基礎(chǔ)上,提出基于詞向量擴(kuò)展的語義檢索算法,改善了傳統(tǒng)搜索引擎排序算法對(duì)搜索結(jié)果...

【文章頁數(shù)】：97 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖5-6語義檢索模型首頁示意圖

電子科技大學(xué)碩士學(xué)位論文74提交查詢請(qǐng)求，后臺(tái)調(diào)用數(shù)據(jù)庫返回檢索結(jié)果給用戶。圖5-6語義檢索模型首頁示意圖用戶輸入查詢?cè)~“財(cái)經(jīng)新聞”示意圖如圖5-7所示，輸出10條與“財(cái)經(jīng)新聞”相關(guān)性較高的文檔，分別驗(yàn)證了第三章和第四章算法的有效性。圖5-7語義檢索模型輸入查詢?cè)~示意圖用戶輸入查....

圖5-7語義檢索模型輸入查詢?cè)~示意圖

電子科技大學(xué)碩士學(xué)位論文74提交查詢請(qǐng)求，后臺(tái)調(diào)用數(shù)據(jù)庫返回檢索結(jié)果給用戶。圖5-6語義檢索模型首頁示意圖用戶輸入查詢?cè)~“財(cái)經(jīng)新聞”示意圖如圖5-7所示，輸出10條與“財(cái)經(jīng)新聞”相關(guān)性較高的文檔，分別驗(yàn)證了第三章和第四章算法的有效性。圖5-7語義檢索模型輸入查詢?cè)~示意圖用戶輸入查....

圖5-8語義檢索模型檢索結(jié)果示意圖

第五章基于詞向量擴(kuò)展的語義檢索模型的建立75圖5-8語義檢索模型檢索結(jié)果示意圖根據(jù)圖5-8的檢索結(jié)果分析，本文發(fā)現(xiàn)，對(duì)于第三章的基于詞向量的語義擴(kuò)展算法來說，用戶輸入查詢?cè)~“財(cái)經(jīng)新聞”，不僅檢索出了包含“財(cái)經(jīng)新聞”的相關(guān)文檔，也檢索出了與“財(cái)經(jīng)新聞”擴(kuò)展詞相關(guān)的“股市要聞”、“經(jīng)....

本文編號(hào)：3955092