掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
面向互聯網的智能信息檢索技術研究 版權信息
- ISBN：9787030700643
- 條形碼：9787030700643 ; 978-7-03-070064-3
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
面向互聯網的智能信息檢索技術研究 內容簡介
本書以作者在智能信息檢索領域多年的研究工作為基礎，總結并梳理了面向互聯網的智能信息檢索技術的近期新前沿進展，從查詢意圖理解和相關性匹配兩個方面著重介紹了智能檢索技術研究的脈絡和發展，進而通過將智能檢索技術應用于智能問答、醫療檢索、用戶畫像和情感計算等多項信息檢索和自然語言處理研究實踐，分析并探討了相關技術應用中的研究范式和應用模式，為人工智能和計算機科學與技術專業人士提供智能信息檢索技術的全新解讀，促進智能信息檢索技術的突破與發展。 本書可供計算機和人工智能相關專業的高年級本科生和研究生閱讀，也可作為從事智能信息檢索領域和自然語言處理領域研究和算法研發人員的參考書。
面向互聯網的智能信息檢索技術研究 目錄
目錄
《博士后文庫》序言
前言
第1章 緒論 1
1.1 信息檢索技術及其發展 1
1.2 面向搜索引擎的智能信息檢索技術 2
1.3 查詢意圖理解和相關性排序 3
1.4 排序學習 4
1.4.1 點級排序學習模型 5
1.4.2 對級排序學習模型 6
1.4.3 列表級排序學習模型 7
1.5 智能信息檢索評價指標 8
1.6 智能信息檢索相關應用場景 10
1.7 本書研究內容及章節安排 12
參考文獻 14
第2章 基于混合模型的查詢意圖理解 19
2.1 引言 19
2.2 相關研究工作 20
2.3 查詢意圖分類模型整體框架 21
2.4 查詢向量表示 22
2.5 基于混合模型的查詢意圖分類 23
2.5.1 面向中間類別的意圖匹配 23
2.5.2 面向*終分類的查詢意圖分類 27
2.6 查詢意圖分類方法性能評估 28
2.6.1 實驗設置 28
2.6.2 對比模型和評價指標 28
2.6.3 實驗結果與分析 29
2.7 本章小結 30
參考文獻 31
第3章 面向生物醫學文本檢索的監督式查詢擴展 34
3.1 引言 34
3.2 相關研究工作 35
3.3 監督式生物醫學擴展詞排序方法 36
3.3.1 方法整體流程 36
3.3.2 候選擴展詞抽取 37
3.3.3 詞項標注策略 37
3.3.4 詞特征抽取 38
3.3.5 排序模型構建 41
3.4 監督式查詢擴展方法性能評估 43
3.4.1 實驗設置 43
3.4.2 標注策略性能評估 44
3.4.3 擴展詞特征性能評估 44
3.4.4 損失函數性能評估 45
3.4.5 整體檢索性能 45
3.4.6 實驗結果與分析 47
3.5 本章小結 48
參考文獻 48
第4章 排序學習文檔特征生成 51
4.1 引言 51
4.2 相關研究工作 52
4.3 基于查詢級半監督自編碼器的排序模型 54
4.3.1 降噪自編碼器 54
4.3.2 基于Bregman散度的損失函數 55
4.3.3 查詢約束 56
4.4 半監督自編碼排序方法性能評估 58
4.4.1 實驗設置 58
4.4.2 多種自編碼器強化的排序性能對比 59
4.4.3 多種排序學習方法的性能對比 61
4.4.4 與深度排序模型的檢索性能對比 62
4.4.5 特征維度對實驗性能的影響 64
4.4.6 討論 64
4.5 本章小結 65
參考文獻 65
第5章 直接優化信息檢索評價指標的排序學習算法 70
5.1 引言 70
5.2 相關研究工作 72
5.3 信息檢索評價指標 73
5.3.1 平均排序倒數 73
5.3.2 期望倒數排序 73
5.3.3 Q-measure評價指標 74
5.4 基于AdaRank的排序特征生成方法 75
5.4.1 特征生成框架 75
5.4.2 基于AdaRank直接優化信息檢索評價指標 77
5.4.3 基于標準數據集的特征生成框架 79
5.5 直接優化評價指標排序方法性能評估 79
5.5.1 語料庫 79
5.5.2 實驗設置 80
5.5.3 所提出三種排序算法的性能評估 80
5.5.4 對生成特征集的評價 83
5.5.5 對組合特征集的評價 86
5.5.6 實驗分析與討論 86
5.6 本章小結 87
參考文獻 88
第6章 融合多重損失函數的排序學習模型 91
6.1 引言 91
6.2 相關研究工作 92
6.3 問題定義 92
6.4 融合多重損失函數的排序學習 94
6.4.1 多種候選損失函數 94
6.4.2 基于梯度下降的損失優化 95
6.4.3 基于加權損失函數的重要性進行排序 96
6.5 多重損失函數融合排序方法性能評估 98
6.5.1 數據集和實驗設置 98
6.5.2 對級損失函數選擇 98
6.5.3 列表級損失函數選擇 99
6.5.4 正則加權策略的效果評估 99
6.5.5 迭代敏感加權策略的效果評估 100
6.5.6 接力加權策略的效果評估 100
6.5.7 整體性能比較 101
6.5.8 與其他算法的比較 103
6.6 本章小結 103
參考文獻 104
第7章 基于排序學習的情感原因抽取 107
7.1 引言 107
7.2 相關研究工作 108
7.3 面向情感原因抽取的排序模型 110
7.3.1 問題定義 110
7.3.2 面向情感原因的子句排序特征 111
7.3.3 面向情感原因的排序模型構建 113
7.4 基于排序的情感原因抽取方法性能評估 115
7.4.1 實驗設置 115
7.4.2 與現有方法的比較 116
7.4.3 排序特征的比較 118
7.4.4 特征詞的性能比較 119
7.4.5 主題模型的特征比較 120
7.4.6 停用詞和情感級別歸一化的影響 120
7.4.7 討論 121
7.5 本章小結 121
參考文獻 121
第8章 基于預訓練詞嵌入的詞排序模型 125
8.1 引言 125
8.2 相關研究工作 126
8.3 融合詞嵌入向量的詞排序模型 127
8.3.1 方法基本框架 127
8.3.2 候選擴展詞的獲取 128
8.3.3 基于單詞表示的詞特征抽取 128
8.3.4 詞標注策略 130
8.3.5 基于排序學習的擴展詞排序模型 131
8.4 詞排序模型性能評估 132
8.4.1 實驗設置 132
8.4.2 點級、對級和列表級方法的性能評估 135
8.4.3 與基線模型的結果比較 139
8.4.4 跨數據集訓練詞排序模型的有效性 141
8.4.5 參數選擇過程 141
8.4.6 詞排序模型的分析與討論 143
8.5 本章小結 144
參考文獻 144
第9章 基于社會化標注和主題模型的個性化檢索 148
9.1 引言 148
9.2 相關研究工作 149
9.3 基于社會化標注的個性化文檔檢索 151
9.3.1 文檔重構 151
9.3.2 主題模型優化 152
9.3.3 個性化文檔檢索 154
9.4 個性化檢索方法性能評估 155
9.4.1 實驗設置 155
9.4.2 實驗結果與分析 156
9.5 本章小結 159
參考文獻 159
第10章 融合語義詞向量的社交媒體文本檢索 162
10.1 引言 162
10.2 相關研究工作 163
10.3 基于詞向量的微博查詢擴展 166
10.4 微博檢索方法性能評估 167
10.4.1 實驗設置 167
10.4.2 微博檢索偽相關反饋的參數選擇 168
10.4.3 實驗對比模型 169
10.4.4 基于詞向量的偽相關反饋查詢擴展性能 170
10.5 本章小結 172
參考文獻 172
第11章 面向社交媒體的用戶畫像技術 175
11.1 引言 175
11.2 相關研究工作 176
11.3 基于兩階段多通路模型融合框架的用戶畫像構建方法 178
11.4 融合特征萃取的多粒度卷積神經網絡用戶畫像構建方法 179
11.4.1 多粒度用戶特征抽取 180
11.4.2 特征融合層 181
11.4.3 綜合輸出層 183
11.5 基于社交卷積注意力網絡的用戶畫像構建方法 184
11.5.1 基于文本注意力的用戶屬性分類 185
11.5.2 基于文本和社交網絡注意力的用戶屬性分類 186
11.6 用戶畫像方法性能評估 187
11.6.1 實驗設置 187
11.6.2 對比模型 189
11.6.3 注意力層的效用 191
11.6.4 文本注意力和社交網絡注意力的效用 191
11.6.5 注意力可視化 192
11.7 本章小結 193
參考文獻 193
第12章 面向多樣化排序的醫療文本匹配 198
12.1 引言 198
12.2 醫療文本匹配技術及其研究進展 199
12.2.1 醫療問答技術 199
12.2.2 面向多樣性的信息檢索 200
12.2.3 面向醫療文本的排序學習方法 200
12.3 面向多樣性排序的醫療文本匹配方法 201
12.3.1 方法整體框架 201
12.3.2 醫療答案的標注策略 201
12.3.3 排序特征抽取 204
12.3.4 醫療答案排序學習方法 206
12.4 醫療文本匹配方法性能評估 209
12.4.1 實驗設置 209
12.4.2 評價指標 209
12.4.3 醫療問題和答案的標注 210
12.4.4 對比的排序模型 211
12.4.5 檢索性能評估結果 212
12.4.6 不同排序學習方法的性能評估 213
12.4.7 討論 217
12.5 本章小結 217
參考文獻 218
第13章 基于膠囊網絡的醫療問答研究 221
13.1 引言 221
13.2 基于膠囊網絡的醫療問答模型 222
13.2.1 輸入表示 223
13.2.2 交互信息提取 224
13.2.3 雙向膠囊網絡層 224
13.3 醫療問答方法性能評估 226
13.3.1 實驗設置 226
13.3.2 問答模型性能評估 227
13.3.3 所提出模型中不同層的影響 228
13.3.4 隨機過采樣的影響 228
13.3.5 動態路由算法中迭代次數的作用 229
13.4 本章小結 230
參考文獻 230
第14章 總結與展望 233
14.1 總結 233
14.2 展望 235
編后記 237
彩圖
《博士后文庫》序言
前言
第1章 緒論 1
1.1 信息檢索技術及其發展 1
1.2 面向搜索引擎的智能信息檢索技術 2
1.3 查詢意圖理解和相關性排序 3
1.4 排序學習 4
1.4.1 點級排序學習模型 5
1.4.2 對級排序學習模型 6
1.4.3 列表級排序學習模型 7
1.5 智能信息檢索評價指標 8
1.6 智能信息檢索相關應用場景 10
1.7 本書研究內容及章節安排 12
參考文獻 14
第2章 基于混合模型的查詢意圖理解 19
2.1 引言 19
2.2 相關研究工作 20
2.3 查詢意圖分類模型整體框架 21
2.4 查詢向量表示 22
2.5 基于混合模型的查詢意圖分類 23
2.5.1 面向中間類別的意圖匹配 23
2.5.2 面向*終分類的查詢意圖分類 27
2.6 查詢意圖分類方法性能評估 28
2.6.1 實驗設置 28
2.6.2 對比模型和評價指標 28
2.6.3 實驗結果與分析 29
2.7 本章小結 30
參考文獻 31
第3章 面向生物醫學文本檢索的監督式查詢擴展 34
3.1 引言 34
3.2 相關研究工作 35
3.3 監督式生物醫學擴展詞排序方法 36
3.3.1 方法整體流程 36
3.3.2 候選擴展詞抽取 37
3.3.3 詞項標注策略 37
3.3.4 詞特征抽取 38
3.3.5 排序模型構建 41
3.4 監督式查詢擴展方法性能評估 43
3.4.1 實驗設置 43
3.4.2 標注策略性能評估 44
3.4.3 擴展詞特征性能評估 44
3.4.4 損失函數性能評估 45
3.4.5 整體檢索性能 45
3.4.6 實驗結果與分析 47
3.5 本章小結 48
參考文獻 48
第4章 排序學習文檔特征生成 51
4.1 引言 51
4.2 相關研究工作 52
4.3 基于查詢級半監督自編碼器的排序模型 54
4.3.1 降噪自編碼器 54
4.3.2 基于Bregman散度的損失函數 55
4.3.3 查詢約束 56
4.4 半監督自編碼排序方法性能評估 58
4.4.1 實驗設置 58
4.4.2 多種自編碼器強化的排序性能對比 59
4.4.3 多種排序學習方法的性能對比 61
4.4.4 與深度排序模型的檢索性能對比 62
4.4.5 特征維度對實驗性能的影響 64
4.4.6 討論 64
4.5 本章小結 65
參考文獻 65
第5章 直接優化信息檢索評價指標的排序學習算法 70
5.1 引言 70
5.2 相關研究工作 72
5.3 信息檢索評價指標 73
5.3.1 平均排序倒數 73
5.3.2 期望倒數排序 73
5.3.3 Q-measure評價指標 74
5.4 基于AdaRank的排序特征生成方法 75
5.4.1 特征生成框架 75
5.4.2 基于AdaRank直接優化信息檢索評價指標 77
5.4.3 基于標準數據集的特征生成框架 79
5.5 直接優化評價指標排序方法性能評估 79
5.5.1 語料庫 79
5.5.2 實驗設置 80
5.5.3 所提出三種排序算法的性能評估 80
5.5.4 對生成特征集的評價 83
5.5.5 對組合特征集的評價 86
5.5.6 實驗分析與討論 86
5.6 本章小結 87
參考文獻 88
第6章 融合多重損失函數的排序學習模型 91
6.1 引言 91
6.2 相關研究工作 92
6.3 問題定義 92
6.4 融合多重損失函數的排序學習 94
6.4.1 多種候選損失函數 94
6.4.2 基于梯度下降的損失優化 95
6.4.3 基于加權損失函數的重要性進行排序 96
6.5 多重損失函數融合排序方法性能評估 98
6.5.1 數據集和實驗設置 98
6.5.2 對級損失函數選擇 98
6.5.3 列表級損失函數選擇 99
6.5.4 正則加權策略的效果評估 99
6.5.5 迭代敏感加權策略的效果評估 100
6.5.6 接力加權策略的效果評估 100
6.5.7 整體性能比較 101
6.5.8 與其他算法的比較 103
6.6 本章小結 103
參考文獻 104
第7章 基于排序學習的情感原因抽取 107
7.1 引言 107
7.2 相關研究工作 108
7.3 面向情感原因抽取的排序模型 110
7.3.1 問題定義 110
7.3.2 面向情感原因的子句排序特征 111
7.3.3 面向情感原因的排序模型構建 113
7.4 基于排序的情感原因抽取方法性能評估 115
7.4.1 實驗設置 115
7.4.2 與現有方法的比較 116
7.4.3 排序特征的比較 118
7.4.4 特征詞的性能比較 119
7.4.5 主題模型的特征比較 120
7.4.6 停用詞和情感級別歸一化的影響 120
7.4.7 討論 121
7.5 本章小結 121
參考文獻 121
第8章 基于預訓練詞嵌入的詞排序模型 125
8.1 引言 125
8.2 相關研究工作 126
8.3 融合詞嵌入向量的詞排序模型 127
8.3.1 方法基本框架 127
8.3.2 候選擴展詞的獲取 128
8.3.3 基于單詞表示的詞特征抽取 128
8.3.4 詞標注策略 130
8.3.5 基于排序學習的擴展詞排序模型 131
8.4 詞排序模型性能評估 132
8.4.1 實驗設置 132
8.4.2 點級、對級和列表級方法的性能評估 135
8.4.3 與基線模型的結果比較 139
8.4.4 跨數據集訓練詞排序模型的有效性 141
8.4.5 參數選擇過程 141
8.4.6 詞排序模型的分析與討論 143
8.5 本章小結 144
參考文獻 144
第9章 基于社會化標注和主題模型的個性化檢索 148
9.1 引言 148
9.2 相關研究工作 149
9.3 基于社會化標注的個性化文檔檢索 151
9.3.1 文檔重構 151
9.3.2 主題模型優化 152
9.3.3 個性化文檔檢索 154
9.4 個性化檢索方法性能評估 155
9.4.1 實驗設置 155
9.4.2 實驗結果與分析 156
9.5 本章小結 159
參考文獻 159
第10章 融合語義詞向量的社交媒體文本檢索 162
10.1 引言 162
10.2 相關研究工作 163
10.3 基于詞向量的微博查詢擴展 166
10.4 微博檢索方法性能評估 167
10.4.1 實驗設置 167
10.4.2 微博檢索偽相關反饋的參數選擇 168
10.4.3 實驗對比模型 169
10.4.4 基于詞向量的偽相關反饋查詢擴展性能 170
10.5 本章小結 172
參考文獻 172
第11章 面向社交媒體的用戶畫像技術 175
11.1 引言 175
11.2 相關研究工作 176
11.3 基于兩階段多通路模型融合框架的用戶畫像構建方法 178
11.4 融合特征萃取的多粒度卷積神經網絡用戶畫像構建方法 179
11.4.1 多粒度用戶特征抽取 180
11.4.2 特征融合層 181
11.4.3 綜合輸出層 183
11.5 基于社交卷積注意力網絡的用戶畫像構建方法 184
11.5.1 基于文本注意力的用戶屬性分類 185
11.5.2 基于文本和社交網絡注意力的用戶屬性分類 186
11.6 用戶畫像方法性能評估 187
11.6.1 實驗設置 187
11.6.2 對比模型 189
11.6.3 注意力層的效用 191
11.6.4 文本注意力和社交網絡注意力的效用 191
11.6.5 注意力可視化 192
11.7 本章小結 193
參考文獻 193
第12章 面向多樣化排序的醫療文本匹配 198
12.1 引言 198
12.2 醫療文本匹配技術及其研究進展 199
12.2.1 醫療問答技術 199
12.2.2 面向多樣性的信息檢索 200
12.2.3 面向醫療文本的排序學習方法 200
12.3 面向多樣性排序的醫療文本匹配方法 201
12.3.1 方法整體框架 201
12.3.2 醫療答案的標注策略 201
12.3.3 排序特征抽取 204
12.3.4 醫療答案排序學習方法 206
12.4 醫療文本匹配方法性能評估 209
12.4.1 實驗設置 209
12.4.2 評價指標 209
12.4.3 醫療問題和答案的標注 210
12.4.4 對比的排序模型 211
12.4.5 檢索性能評估結果 212
12.4.6 不同排序學習方法的性能評估 213
12.4.7 討論 217
12.5 本章小結 217
參考文獻 218
第13章 基于膠囊網絡的醫療問答研究 221
13.1 引言 221
13.2 基于膠囊網絡的醫療問答模型 222
13.2.1 輸入表示 223
13.2.2 交互信息提取 224
13.2.3 雙向膠囊網絡層 224
13.3 醫療問答方法性能評估 226
13.3.1 實驗設置 226
13.3.2 問答模型性能評估 227
13.3.3 所提出模型中不同層的影響 228
13.3.4 隨機過采樣的影響 228
13.3.5 動態路由算法中迭代次數的作用 229
13.4 本章小結 230
參考文獻 230
第14章 總結與展望 233
14.1 總結 233
14.2 展望 235
編后記 237
彩圖
展開全部
面向互聯網的智能信息檢索技術研究 節選
第1章 緒論 1.1 信息檢索技術及其發展 隨著互聯網數據規模的持續增長，如何為用戶提供符合其需求的有效信息成為互聯網應用亟待解決的重大難題，為實現有效的信息過濾和推薦，搜索引擎逐漸走入人們的視野，并成為人們獲取網絡信息的重要渠道。智能信息檢索技術作為搜索引擎優化的核心技術，受到國內外學術界和工業界的廣泛關注和研究，并成為相關互聯網大數據研究的基礎，廣泛應用于智能問答、聊天機器人和個性化推薦等場景，從而讓互聯網使用者更加快捷便利地獲取所需信息。 傳統意義上的信息檢索技術起源于 20世紀初圖書館文獻和書籍的檢索，當時圖書館對于書籍文獻的索引工作煩瑣和龐雜，需要大量人力工作進行圖書的整理和歸類，為提高工作效率，以倒排索引為核心的信息檢索方法被逐漸采用，通過將關鍵詞作為倒排索引對書籍文獻進行歸類，按照類別進行存放和查找，便于管理者和閱覽者根據需求和關鍵詞在較短時間內找到所需的書籍文獻，很大程度上提高了圖書館文獻檢索和文摘等工作的效率。20世紀 50年代，信息檢索技術被應用于美國海軍的情報檢索工作，美國海軍機械試驗中心將自動化的信息檢索系統嵌入到 IBM701型計算機，實現了情報信息的采集和搜索，相關技術逐漸演化為當今智能信息檢索技術的雛形，也為互聯網搜索引擎的興起提供了必要的理論和實踐基礎。 20世紀 60年代，美國科學家杰拉德？索爾頓( Gerard Salton)及其在康奈爾大學的研究團隊研制了**個現代意義上的搜索引擎，將其命名為 SMART(Salton’s Magic Automatic Retriever of Text)，該系統是基于向量空間模型的文本信息檢索系統，并融入停用詞去除、詞干化、查詢詞加權和相關反饋機制，這些技術作為搜索引擎的基礎沿用至今。索爾頓因其在信息檢索領域的杰出貢獻，被譽為現代搜索技術之父，他的著作 A Theory of Indexing和 Term Frequency-Inverse Document Frequency為搜索引擎技術提供了堅實的理論基礎。至此，信息檢索已成為廣泛使用的一門學科，該學科旨在能夠從海量的數據中精準定位并獲取所需信息。1968年，索爾頓對信息檢索做出定義：信息檢索是研究信息的結構、分析、組織、存儲和搜索的一門科學。該定義十分準確地界定了信息檢索技術的范疇，并作為現代信息檢索研究的核心內容和實質，被廣為采納和應用。為紀念索爾頓，信息檢索領域以索爾頓的名字命名并設立了信息檢索的*高獎 —索爾頓獎，該獎項每三年在國際信息檢索頂級會議 SIGIR頒發一次，頒發給在信息檢索領域做出杰出貢獻的科學家。 隨著 90年代互聯網的興起和廣泛普及，以信息檢索技術為核心的搜索引擎進入大眾視野，逐漸成為人們瀏覽網頁獲取信息的重要渠道，信息檢索技術也取得了空前的發展，信息檢索研究獲得計算機科學研究人員的廣泛青睞，隨著相關研究的持續開展，信息檢索技術不斷更迭、優化和完善，極大地提升了搜索引擎的性能，讓人們在互聯網海量數據中快速準確地定位到所需信息，在滿足信息需求的同時，了解并熟悉互聯網技術的發展以及為人們生活帶來的智能化服務體驗。 1.2 面向搜索引擎的智能信息檢索技術 以現代搜索引擎為代表的智能信息檢索技術( Intelligent Information Retrieval)通過采集、過濾和處理大規模的互聯網網頁數據，基于網頁關鍵詞建立網頁數據的倒排索引，并根據互聯網數據的變化規律實時動態地爬取互聯網數據，用以更新數據索引，保證索引中存儲*新的互聯網數據，從而實現互聯網數據的更新和存儲。在此基礎上，基于以關鍵詞為核心的倒排索引機制，建立相關網頁匹配和排序模型，網頁匹配和排序模型以用戶提交給搜索引擎的關鍵字作為查詢，在數據索引中匹配與用戶關鍵詞相符合的網頁，并將網頁按照匹配程度進行排序，為用戶提供網頁排序的列表，供用戶篩選所需的信息。由此可見，如何*大程度上滿足用戶的信息需求是信息檢索技術所要解決的*終問題，為準確地滿足用戶信息需求，搜索引擎需要具有高效的索引機制，既能保證數據規模足以覆蓋整個互聯網，又要確保數據具有實時性，現代搜索引擎的網頁索引機制已日趨成熟，而搜索引擎的優化主要集中在對于用戶意圖的理解和網頁的相關性排序兩個方面，這兩個方面也是目前智能信息檢索領域研究的主要內容。 用戶意圖的理解是搜索引擎優化的核心，互聯網應用往往以用戶為中心，無論是搜索引擎還是其他個性化應用場景，如何*大程度上滿足用戶的真實需求是互聯網應用設計中所需考慮的重點。對于搜索引擎來講，用戶意圖往往是通過用戶提交給檢索頁面的少量關鍵詞加以刻畫，由于用戶在搜索時僅能模糊的描述其真實的需求，所給出的關鍵詞很可能具有模糊性和歧義性，從而為后續的網頁排序提供誤導信息，影響搜索引擎的效果。而用戶意圖理解研究正是以此為出發點，通過對用戶關鍵詞的深入剖析和理解，詮釋出用戶真實的搜索意圖，并在真實意圖的驅動下，完成網頁的匹配和排序，提高用戶的滿意度。 網頁的相關性排序是搜索引擎優化的*終目標，在準確理解用戶意圖的基礎上，面向用戶意圖檢索得到相關網頁，并根據網頁與用戶意圖的相關性程度對網頁進行排序，將排序列表反饋給用戶。相關性排序需要從不同維度綜合評估網頁與用戶意圖的相關性程度，例如，用戶的歷史搜索記錄、搜索引擎的搜索日志、關鍵詞的匹配程度和同義詞的匹配等。有效的網頁排序列表需要面向用戶需求，提供既能符合用戶所需，又能全面概括檢索結果的排序列表，因此排序列表的相關性和多樣化程度均是網頁排序所需考慮的重要因素，也是相關領域研究所關注的重要研究課題。因此下面將詳細介紹查詢意圖理解和相關性排序所使用的常用技術和檢索優化策略。 1.3 查詢意圖理解和相關性排序 查詢意圖理解通常是基于用戶給出的關鍵詞作為原始查詢，通過查詢重構的方式突顯用戶真實信息需求和查詢意圖，消除原始查詢的模糊性和不確定性。查詢重構可以采用諸如增加或刪減查詢詞以及為查詢詞賦予差異化權重等方式，基于原始查詢重構新的查詢，重構的目的是*大程度上滿足用戶信息需求，突出查詢意圖，提升檢索結果中網頁排序的整體性能，需要指出的是，重構過程對用戶是透明的，即搜索引擎的使用者無須了解查詢重構過程，即可直接獲得網頁的排序列表。 在查詢重構過程中，查詢擴展是使用較為廣泛的一類方法，往往適用于用戶原始查詢僅包含若干較少關鍵詞的情況，查詢擴展顧名思義就是在原始查詢的基礎上增加擴展查詢詞，擴展查詢詞能夠補全原始查詢，更好地表達用戶真實查詢意圖，從而消除原始查詢的模糊性。用于擴展的查詢詞可以取自諸如社會化標注或百科知識庫等的外部數據源，也可以采用相關反饋等方式，從檢索數據集合或用戶主動反饋中直接獲取，偽相關反饋是一種有效的查詢擴展方法。偽相關反饋是指利用基于用戶原始查詢檢索得到的結果，從中篩選符合用戶需求的擴展查詢詞，補充到原始查詢進行二次檢索，獲得更加準確的排序列表；而用戶主動反饋是指在基于用戶原始查詢檢索得到結果的基礎上，用戶給出一些主觀描述信息，判斷擴展查詢詞是否真實符合其需求，進而優化查詢重構的過程。 另一類廣為采用的查詢重構策略是查詢縮減，其適用于用戶原始查詢過長的情況，當用戶向搜索引擎提交了包含較多關鍵字的查詢時，搜索引擎很難直接檢索得到相關結果，查詢中的無關詞項會嚴重影響檢索的性能，因此就需要在用戶查詢的基礎上剔除一些無關詞項，來突顯用戶的真實信息需求。而無論是增加查詢詞還是刪減查詢詞都極易造成查詢語義的較大變化，從而導致查詢意圖漂移等問題，一種折中的方法是采用查詢詞項加權的方式，即給予符合用戶需求的查詢詞較高的權重，給予不符合用戶需求的查詢詞較低的權重，這樣在保障用戶查詢意圖理解的基礎上，兼顧查詢意圖的全面性，有利于深入理解查詢意圖，使重構后的查詢更加準確地表明用戶的信息需求。 相關性排序過程通常是在深入理解用戶意圖的基礎上，在檢索的數據集合中查找相關網頁，進而給出網頁的排序列表。相關性排序的實質就是評估查詢與網頁的相關度，因此相關性排序打分可以看作一個函數，函數的輸入為針對用戶意圖重構后的查詢和待檢索網頁集合，輸出為相關性排序得分，該函數也稱為檢索模型，經典的檢索模型包括基于詞頻逆文檔頻率的向量空間模型、基于概率論的 BM25檢索模型和基于不同平滑策略的查詢似然語言模型等。例如，向量空間模型首先計算待檢索集合中所有詞出現的頻率和逆文檔頻率，進而為每個詞計算權重，基于該權重將重構查詢和網頁表示為向量，向量的每一維度表示對應詞的權重值，進而通過余弦相似度等方式計算查詢向量與網頁向量的相似度，按照相似度由高至低對網頁排序，將排序列表反饋給用戶。 由于相關性排序需要全面地考慮多種信息，為有效提高排序性能，近年來信息檢索系統采用了監督式機器學習方法構建排序模型，所構建的排序模型稱為排序學習模型。傳統的相關性排序模型通常采用打分函數的方式計算用戶查詢與網頁的相似度，進而基于相似度實現網頁的排序，在打分函數的設計上常以詞頻文檔頻率等經典的文本統計量為基礎，相比之下，排序學習采用不同的監督式機器學習方法結合面向排序的損失函數，訓練排序模型，在模型的訓練中可以深入融合更加全面豐富的排序信息，因此在相關任務中獲得更好的排序性能。面向排序的損失函數是排序學習優化的關鍵，也是提升相關檢索模型的基礎，經典的排序損失函數分為三類，分別是點級方法、對級方法和列表級方法，三類方法分別在排序樣本的構造中面向單個網頁、兩個網頁對和整個排序列表進行排序性能的優化，更有效地優化相關性排序結果，獲得更優質的網頁排序性能。如何在監督式排序模型的優化中充分考慮網頁序列的信息，并針對整個序列開展模型優化，是智能信息檢索亟待解決的關鍵科學問題，也是實現個性化互聯網應用的終極目標。 1.4 排序學習 排序學習一直以來都是智能信息檢索領域研究的重要內容，同時排序也是很多信息檢索和自然語言處理相關任務的目標，因此排序學習被廣泛用于智能問答、關系抽取、個性化推薦系統、用戶屬性抽取等任務，顯著提升了各項任務的性能。 排序學習研究備受學術界和工業界的青睞，國際信息檢索頂級會議 SIGIR一直以來將排序學習視為重點攻克的研究領域，世界各國學者均致力于構建更為有效的排序模型，推動智能信息檢索技術的進步；同時排序學習技術也被應用于實際的場景，例如，微軟的 Bing搜索引擎采用了排序學習模型 RankNet[1]，用于優化網頁排序結果，提高檢索效率。本節分別從排序學習算法模型優化的角度，介紹相關領域的研究工作進展情況。 排序學習是智能信息檢索與監督式機器學習的交叉研究領域，它利用機器學習算法訓練排序模型，設計面向排序的損失函數迭代優化檢索模型，以獲得*終的網頁排序模型，用于網頁相關性排序。排序損失函數是排序學習模型優化的關鍵，也是相關研究所關注的焦點。如前文所述，排序學習的損失函數可以分為三類，即點級損失函數( Pointwise)、對級損失函數( Pairwise)和列表級損失函數 (Listwise)，三類損失函數采用三種不同的排序損失計算方式，也對應三種不同的網頁排序樣本，下面簡要介紹基于三類損失函數的排序學習模型的相關研究工作。 1.4.1 點級排序學習模型 點級排序學習模型旨在預測單個網頁與用戶意圖的相關性，將每個網頁的相關性作為模型預測值，輸入用戶意圖和每個網頁，在點級排序損失計算時，考慮單個網頁與用戶查詢相關性的真實值與預測值，將二者的差異作為排序損失，從而將網頁排序問題轉化機器學習問題，基于分類或者回歸算法訓練得到排序模型，利用排序模型實現文檔或網頁的打分和基于分值的排序。 在點級排序學習模型研究方面，Crammer等[2]提出了 Pranking算法，該算法基于機器學習感知機分類算法構建排序學習模型，提出采用子區間劃分策略，進行多重感知機模型的組合，有效提高了在線排序學習問題的性能；Li等
書友推薦
- >
伊索寓言-世界文學名著典藏-全譯本
- >
伯納黛特,你要去哪(2021新版)
- >
李白與唐代文化
- >
隨園食單
- >
中國歷史的瞬間
- >
上帝之肋:男人的真實旅程
- >
唐代進士錄
- >
莉莉和章魚
本類暢銷
