基于多領域本體的探索式搜索的查詢推薦方法研究.pdf_第1頁
已閱讀1頁,還剩75頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、在搜索過程中,如果用戶不了解目標領域,或者用戶的搜索任務相對比較復雜,或者系統(tǒng)對信息的索引不充分,這種情況下用戶的搜索行為通常稱為探索式搜索。在探索式搜索中,由于基于本體查詢推薦可以找出與初始查詢或關鍵詞相關的其他查詢或關鍵詞,幫助用戶構造更準確查詢,成為了支持探索式搜索的有效方法。在探索式搜索中,由于其探索性導致用戶的關注點較廣泛,通常涉及多個領域。因此,這些特性使得在基于本體的探索式搜索的查詢推薦中需要引入多領域本體,從而幫助用戶更

2、好的完成探索式搜索。
  針對上述問題,本文研究基于多領域本體的探索式搜索的查詢推薦方法。本文首先通過隱式馬爾科夫模型的參數(shù)訓練和預測,解決了多領域本體中的資源歧義問題;接下來借助搜索引擎獲取查詢詞的權威領域集合,本文分析本體概念在權威領域集中的具體使用情況,實現(xiàn)了在查詢推薦過程中為不同領域本體賦予權重;最終利用推薦詞的相關文檔集合和探索路徑信息,本文構建了推薦詞的探索模型,并以此為基礎,實現(xiàn)推薦詞的排序和選取方法。
  具

3、體的,首先,針對于多領域本體的資源歧義問題,本文利用隱式馬爾科夫模型,通過大規(guī)模的本體詞義標注語料庫,提取特征后訓練模型參數(shù),然后對未標注句子中多義詞的義項進行預測,從而實現(xiàn)了多領域本體的資源消歧。隨后,本文通過獲取查詢詞的權威領域集,將權威領域集中的關鍵詞與不同領域本體中的概念信息以及文本型的信息進行相似度計算,在查詢推薦過程中為不同領域本體賦予權重。最后,本文利用推薦詞的相關文檔集合和探索路徑信息,分別構建了推薦詞的語言模型、探索模

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論