Расширенная логическая модель - Википедия - Extended Boolean model

В Расширенная логическая модель был описан в Сообщениях статьи ACM, появившейся в 1983 году Джерардом Солтоном, Эдвардом А. Фоксом и Гарри Ву. Цель расширенной логической модели - преодолеть недостатки булевой модели, которая использовалась в поиск информации. Булевская модель не учитывает веса терминов в запросах, и набор результатов логического запроса часто либо слишком мал, либо слишком велик. Идея расширенной модели заключается в использовании частичного согласования и весов членов, как в модели векторного пространства. Он сочетает в себе характеристики Векторная модель пространства со свойствами Булева алгебра и оценивает сходство между запросами и документами. Таким образом, документ может быть в некоторой степени актуальным, если он соответствует некоторым из запрошенных условий и будет возвращен в результате, тогда как в Стандартная логическая модель это не было.^[1]

Таким образом, расширенную булеву модель можно рассматривать как обобщение моделей как булевых, так и векторных пространств; эти два являются частными случаями, если используются подходящие настройки и определения. Кроме того, исследования показали, что эффективность улучшается по сравнению с обработкой логических запросов. Другое исследование показало, что обратная связь по релевантности и расширение запроса может быть интегрирован с расширенной обработкой логических запросов.

Определения

в Расширенная логическая модель, документ представлен в виде вектора (аналогично векторной модели). Каждый я измерение соответствует отдельному термину, связанному с документом.

Вес срока $K Икс$ связанный с документом $d j$ измеряется его нормализованным Частота сроков и может быть определен как:

${ displaystyle w_ {x, j} = f_ {x, j} * { frac {Idf_ {x}} {max_ {i} Idf_ {i}}}}$

куда $Idf Икс$ является частота обратного документа и $ж х, j$ частота термина для термина x в документе j.

Вектор веса, связанный с документом $d j$ можно представить как:

${ displaystyle mathbf {v} _ {d_ {j}} = [w_ {1, j}, w_ {2, j}, ldots, w_ {i, j}]}$

Пример двух измерений

Рисунок 1: Сходства

q = (K Икс \lor K у)

с документами

d j

и

d j +1

.

Фигура 2: Сходства

q = (K Икс \land K у)

с документами

d j

и

d j +1

.

Учитывая пространство, состоящее из двух терминов $K Икс$ и $K у$ только соответствующие веса термов равны $ш 1$ и $ш 2$ .^[2] Таким образом, для запроса $q или же = (K Икс \lor K у)$ , мы можем вычислить подобие по следующей формуле:

${ displaystyle sim (q_ {или}, d) = { sqrt { frac {w_ {1} ^ {2} + w_ {2} ^ {2}} {2}}}}$

Для запроса $q и = (K Икс \land K у)$ , мы можем использовать:

${ displaystyle sim (q_ {и}, d) = 1 - { sqrt { frac {(1-w_ {1}) ^ {2} + (1-w_ {2}) ^ {2}} {2 }}}}$

Обобщение идеи и P-норм

Мы можем обобщить предыдущий пример двумерной расширенной булевой модели на более высокое t-мерное пространство, используя евклидовы расстояния.

Это можно сделать с помощью P-нормы что расширяет понятие расстояния, включая p-расстояния, где $1 \leq п \leq \infty$ это новый параметр.^[3]

Обобщенный конъюнктивный запрос задается следующим образом:

{ displaystyle q_ {или} = k_ {1} lor ^ {p} k_ {2} lor ^ {p} .... lor ^ {p} k_ {t}}

Сходство ${ displaystyle q_ {или}}$ и ${ displaystyle d_ {j}}$ можно определить как:

: ${ displaystyle sim (q_ {or}, d_ {j}) = { sqrt [{p}] { frac {w_ {1} ^ {p} + w_ {2} ^ {p} + .... + w_ {t} ^ {p}} {t}}}}$

Обобщенный дизъюнктивный запрос задается следующим образом:

{ displaystyle q_ {и} = k_ {1} land ^ {p} k_ {2} land ^ {p} .... land ^ {p} k_ {t}}

Сходство ${ displaystyle q_ {и}}$ и ${ displaystyle d_ {j}}$ можно определить как:

{ displaystyle sim (q_ {и}, d_ {j}) = 1 - { sqrt [{p}] { frac {(1-w_ {1}) ^ {p} + (1-w_ {2}) ) ^ {p} + .... + (1-w_ {t}) ^ {p}} {t}}}}

Примеры

Рассмотрим запрос $q = (K 1 \land K 2) \lor K 3$ . Сходство между запросами $q$ и документ $d$ можно вычислить по формуле:

${ displaystyle sim (q, d) = { sqrt [{p}] { frac {(1 - { sqrt [{p}] {({ frac {(1-w_ {1}) ^ {p) } + (1-w_ {2}) ^ {p}} {2}}}})) ^ {p} + w_ {3} ^ {p}} {2}}}}$

Улучшения по сравнению со стандартной логической моделью

Ли и Фокс^[4] сравнили Стандартные и Расширенные логические модели с тремя наборами тестов, CISI, CACM и INSPEC. Используя P-нормы, они получили среднее улучшение точности на 79%, 106% и 210% по сравнению со Стандартной моделью для коллекций CISI, CACM и INSPEC. , соответственно.
Модель P-нормы требует больших вычислительных ресурсов из-за большого количества операций возведения в степень, которые она требует, но дает гораздо лучшие результаты, чем Стандартная модель и даже Нечеткое извлечение техники. В Стандартная логическая модель по-прежнему самый эффективный.

дальнейшее чтение

Методы адаптивной обратной связи в расширенной булевой модели доктора Джонпилла Чоя
Интерполяция расширенной логической модели поиска
Fox, E .; Betrabet, S .; Кушик, М .; Ли, В. (1992), Информационный поиск: алгоритмы и структуры данных; Расширенная логическая модель, Prentice-Hall, Inc.
Скорковская, Люси; Ирсинг, Павел (2009), "Эксперименты с автоматической формулировкой запросов в расширенной логической модели", Текст, речь и диалог, Конспект лекций по информатике, 5729, Springer Berlin / Heidelberg, стр. 371–378, Дои:10.1007/978-3-642-04208-9_51, HDL:11025/16985, ISBN 978-3-642-04207-2

Смотрите также

Поиск информации