Расширенная логическая модель - 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 ∨ K_у) с документами d_j и d_j+1.

Фигура 2: Сходства q = (K_Икс ∧ 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 ш₁ и ш₂.^[2] Таким образом, для запроса q_{или же} = (K_Икс ∨ K_у), мы можем вычислить подобие по следующей формуле:

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

Для запроса q_и = (K_Икс ∧ K_у), мы можем использовать:

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

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 ≤ п ≤ ∞ это новый параметр.^[3]

• Обобщенный конъюнктивный запрос задается следующим образом:

${\displaystyle q_{or}=k_{1}\lor ^{p}k_{2}\lor ^{p}....\lor ^{p}k_{t}}$

• Сходство ${\displaystyle q_{or}}$ 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:

${\displaystyle q_{and}=k_{1}\land ^{p}k_{2}\land ^{p}....\land ^{p}k_{t}}$

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

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

Примеры

Рассмотрим запрос q = (K₁ ∧ K₂) ∨ K₃. 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

Рекомендации

1. Солтон, Джерард; Фокс, Эдвард А .; Ву, Гарри (1983), "Расширенный логический поиск информации", Коммуникации ACM, Сообщения ACM, Том 26, Выпуск 11, 26 (11): 1022–1036, Дои:10.1145/182.358466, HDL:1813/6351
2. "Люшэн Ван". Архивировано из оригинал на 2011-09-27. Получено 2009-12-01.
3. Гарсия, доктор Э., Расширенная логическая модель - взвешенные запросы: веса терминов, запросы p-Norm и типы множественных понятий. Логическое ИЛИ Расширенное? И это запрос
4. Lee, W. C .; Фокс, Э.А. (1988), Экспериментальное сравнение схем интерпретации логических запросов. (PDF)