浅析信息检索模型的现状及趋势

计 算机 光盘 软件 与应用
信息技术应用研 究
Ｃｍ ｕ ｅ Ｄ Ｓ ｆ ｗ ｒ ｎ ｐ ｌｃ ｔｏ ｓ ｏ ｐ ｔ ｒ Ｃ ｏ ｔａ ｅ ａ ｄＡ ｐ ｉ ａ ｉ ｎ ２１ ０ ２年第 １ 期
浅析信息检索模型的现状及趋势
田 欢
（ 兰州职 业技 术学院 ，兰 州 ７０ ７ ３ ００）
当今 世界 已经 进入 了信 息 化社 会 ，大量 的信息 渗透 到工 业 生 产 ，社 会 生活 的方 方面 面 。在 这爆 炸性 信 息增 长 中 ，数 字信 息 占
据 了最 主要 的方面 ，而 传统 信 息载 体 的贡献 比例越 来低 。有 关研 究 报 告 显示 ，２０ 年 全 球每 年 制 造 、复 制 出 的数 字信 息量 共 计 ０６
型 和数 字 型 。
ｏ
按 内容 划 分 ：一次 信息 源 、二 次信 息源 和三 次信 息源 。
一
次信 息 源 ：也 叫原始 文 献或 第一 手 资料 。 以作者 本人 的科
学研 究 或研 究 成果 为依 据而 创作 的 原始文 献 ， 均属 于一 次信 息源 。 如 ：期 刊论 文 、科 技报 告 、专利 文献 、学位 论文 、会议 文 献等 。 二 次信 息 源 ：将一 次信 息 源进 行加 工 、整 理 、提炼 、浓 缩 、
Ｔｈ ｔ ｔ ｓａ ｄ Ｔｒ ｎ ｓｏ ｆ ｒ ａ ｉ ｎ Ｒｅ ｒｅ ａ ｏ ｅ ｅＳ ａ ｕ ｎ ｅ ｄ ｆ ｎ ｏ ｍ ｔ ｔ ｉｖ ｌ Ｉ ｏ Ｍ ｄｌ
Ｔｉ ｎ Ｈｕ ｎ ａ ａ
（ａ ｚ ｏ ｏ － ｅ ｈＣ ｌ ｇ ，ａ ｚ ｏ ７ ０ ７ ， ｈｎ ） Ｌ ｎ ｈ ｕ ｃ Ｔ ｃ ｏｌ ｅＬ ｎ ｈ ｕ ３ ０ ０Ｃ ｉ Ｖ ｅ ａ
摘 要 ：本 文概 述 了信 息 源的 分类 ，对信 息检 索的概 念做 了简单 的描 述 。对 于经 典的 布 尔检 索、 向量 空间检 索、概 率 检 索做 了比较详 细 的分析 ，并且 对信 息检 索模 型 的发展 方 向做 了一 定 的介 绍 。 关键 词 ：信 息 源 ；信 息检 索模 型 ；可视化 ；智能 化 ；一体 化 中图分类号：Ｔ ３ １ 文献标识码 ：Ａ Ｐ ９ 文章编号：１０－ ５９（ ０２ １ ０２－ ２ ０ ７ ９ ９ ２１ ）０— ０２ ０
书。
图 １信 息检 索模 型 的分 类体 系 （ ）向量 空 间模型 二
三 、信 息检 索 模型 的概 念 及经 典模型 信 息检 索模 型 （ Ｒ ，Ｉｆ ｒａ ｉｎ Ｒ ｔ ｉｖｌＭ ｄ１ ＩＭ ｎ ｏｍ ｔｏ ｅ ｒ ｅａ ｏ ｅ ）就 是 运 用 数 学 的语 言和 工具 ，对 信息 检 索 中的信 息及 其 处理 过程 加 以
的信 息量 ，人 们如 何快 速准 确 的找 到 自己感 兴 趣或 者需 求 的信 息
布 尔 运 算 的法 则 。布 尔 模 型 的主 要 特 点 是 它 实现 简 单 ，易 于 理 解 ， 能 处 理 结构 化 的提 问， 容 易表 示 统 一 关 系 和词 组 ，检 索速 度 快 。但 是它 也 具 有 明 显 的 缺 点 ，传 统 的 布 尔逻 辑 运 算 比较严 格 ， 刚性 较 强 ，查询 的结 果 不容 易控 制 ，无 法 提 供 定量 的 比较 ，
向量 空 间模 型 （ｅ ｔｒＳ ａ ｅＭ ｄ １ 由 Ｓ ｌｏ Ｖ ｃ ｏ ｐｃ ｏ ｅ ） ａｔｎ等 人于 ２ Ｏ 世纪 ６ ０年代 末提 出。Ｖ Ｍ 念 简单 ，把对 文 本 内容 的处理 简化 为 Ｓ概 向量 空 间 中的 向量运 算 ，并且 它 以空 间上 的相 似度 表 达语 义 的相 似度 ，直 观 易懂 。 当文档 被表 示 为文 档空 间 的 向量 ，就 可 以通 过 计算 向量 之 间 的相似 性来 度量 文 档间 的相似 性 。文 本处 理 中最 常 用 的相似 性度 量 方式 是余 弦距 离 。ＶＭ 的优 点：具 有 广泛 的适 用 Ｓ 性 ，检索 基于 聚 类文 档 ，结果 可 以采 用排 序输 出 方式 。但其 缺 点
一
、
前言
（ ）布 尔模 型 一 布尔 模 型 出现 于 ２ Ｏ实 际 ５ Ｏ年 代 。 简单 的 说它 为 基于 集 合 论 的 布尔 逻 辑运 算 ，是 一 种基 于特 征项 的严 格 匹配 模 型 。首先 ， 它 建 立一 个 二值 变 量 的集 合 ，如 果 查询 文本 中有 相应 的特 征项 ， 则 变 量可 取 “ ｒ ｅ ，反之 取 “ ａ ｓ ” Ｔｕ ” Ｆ ｌ ｅ 。查 询 由特 征 项和 逻 辑运 算 符 （ ＡＤ 、“ Ｒ 、“ Ｏ ” “ Ｎ ” Ｏ ” Ｎ Ｔ ）组 成 。文 本 查 询 的 匹配 规 则 遵循
Ａ ｂ ｔａｃ ： ｉ ｒｉｌ ｒ ｖ ｄ ｓａ ｏ ｅ ｖｅ ｏ ｅ ｃａ ｓｆｃ ｔ ｏ ｍ ａｉｎ ｓ ｕ ｃ ｓａ ｓｍｐｌ ｅ ｃ ｉｔｏ ｆｔ ｏ ｃ ｐ ｓ ｒ ｔＴｈ ｓａｔｃ ｅｐ ｏ ｉ ｅ ｎ ｖ ｒ ｉｗ ｆｔ ｌｓ ｉ ａｉ ｏｆｉ ｒ ｔｏ ｏ ｒ ｅ ， ｉ ｈ ｉ ｏｎ ｎｆ ｅｄ ｓ ｒｐ ｉｎ ｏ ｃ ｎ ｅ ｔｏｆ ｈｅ ｉｆ ｒ ａｉｎ ｅｒｅ １Ｆｏ ｌ ｓｉ ｏｅ ｅｒｅ ａ， ｃ ｏ ｐａ ｅｒ ｔｉｖ ｌｔｅ ｐ ｏ ａ ｌ ｙ ｔ ｅ ｉｖ ｒ ｅａ ｌｄ ａ ｌ ｓｓａ ｄ ｔ ｅ ｎ ｏ ｍ ｔｏ ｒ ｔｉｖａ． ｒｃａ ｓｃＢｏ ｌａ ｒｔｉｖ ｌ ｎ ｖｅ ｔ ｒｓ ｃ ｅｒｅ ａ ， ｒ ｂ ｂｉｔ ｏ ｒｔ ｅ ｅ ａｍｏ ｅ ｄ ｔｉｅ ｎａｙ ｉ，ｎ ｈ ｉ ｒ ｈ ｄｒ ｃｉｎ ｆｄｅ ｌ ｐ ｅ ｆ ｒ ａｉｎ ｅｒｅ ａ ｏ ｌｉｔｏ ｕｃｉｎ． ｉｅ ｔｏ ｏ ｖｅｏ ｍ ｎｔ ｉ ｏ ｍ ｔ ｒ ｔｉｖ ｌ ｄｅ ｎ ｄ ｔｏ ｏｆ ｎ ｏ ｍ ｒ Ｋ ｅ ｗｏｒ ｓＩ ｏｒ ａｉ ｎ Ｓ ｕ ｃ ｓＩ ｏｒ ａｉ ｎｒ ｔｉｖａ ｏ ｅ ； ｓ ａｌ ａｉｎ； ｔｌｉ ｅ ； ｔｇ ａｉ ｎ ｙ ｄ ：ｎｆ ｍ ｔｏ ｏ ｒ ｅ ；ｎｆ ｍ ｔｏ ｅｒｅ ｌ ｄ ｌＶｉｕ ｉ ｔ Ｉ ｅｌｇ ｎｔＩ ｅ ｒ ｔｏ ｍ ｚ ｏ ｎ ｎ
也很没明显：相似度计算量较大，不能处理布尔表达等结构化的 查询 。 （ 转第 ４ ） 下 ６页
一
２２ 一
计 算机 光盘 软 件 与应用
工 程 技 术
Ｃ ｍ ｕ ｅ Ｄ Ｓ ｆ ｗ ｒ ｎ ｐ ｌｃ ｔｏ ｓ ｏ ｐ ｔ ｒ Ｃ ｏ ｔａ ｅ ａ ｄＡ ｐ ｉ ａ ｉ ｎ
无 法 满 足特 殊 的查 询 要 求 。 目前 大 多 数 文 献 数据 库 或 检 索 工 具 都 提供 布 尔 运算 的检 索 ，如 中 国期 刊全 文 数据 库 ，维普 ，ｂ ｉｕ ａ ｄ
或 ｇｏ ｌ 。 ｏ ｇ ｅ
④
是 需要 解 决 的一个 关键 问题 。我 国电厂 检修 的分 级及 检修 现状 。 二 、信 息 源 的分类 信 息源 的分类 形式 主要 有 以下几 种 ： 按 载体 类 型划 分 ：书写 型 、 印刷 型 、缩 微 型、机 读 型 、声像
翻 译 和抽 象 ，表 达 为某种 数 学公 式 。它 决定 于三 个方 面 ：１ 处理 ． 查 询 公式 和文 档 的视 角 ；２ 处理 查询 公 式与文 档 关系 的理 论 ；３ ． ． 查询 公 式与 文档 之 间的算 法 。 图 １ 示 了 ＩＭ的分 类体 系 。 表 Ｒ
图 １所示的经典模型为 目前最常用的模型，主要包括布尔模 型 、向量 模 型和概 率模 型 。
标 引 、编序 后 所形 成 的各种 目录 、题录 、索 引 、文 摘等 信息 源 。
如 ：信 息检 索 工具 。 三 次信 息源 ：对 某 一专 题 的一 次信 息源 和 二次信 息源 的有关 信 息进 行检 索 、筛 选 、分析 、加工 ，并结 合编 者 的实地 调查 研 究 ， 进 行综 合分 析 后重 新编 制 的成 果 。如 ：书评 、专题 述平 、学 科年 度 总结 、动 态 综述 、字 典 、百科 全 书 、年鉴 、 手册 、指 南等 工 具
１１ 亿 Ｇ ， ６０ Ｂ 中国数 字信 息量 为 １７ １ Ｇ ， ２ ． 亿 Ｂ 占全 球信 息量 的 ７９ ； ．％ 而受 “ 富媒 体 ” 、用户 创建 内容和 ｌ 亿 网 民三大 因素 推动 ，到 ６ ２ １ ，全球 数字 信 息量 预计 为 ９ ８ ０ ０年 ８０亿 Ｇ ，而 中 国的数字 信 息 Ｂ 量 预计 为 ９ ０ ５ 多 Ｇ ， 占全球 信息 量 的 ９ １ 。 ０． 亿 Ｂ将 ． ％ 面对 几乎 无 限
wk.baidu.com
２１ ０ ２年第 １ 期
的数 据 库相 比又 存在 一 些新 的 问题 。 １确定 合法 身份 的程序 更加 ． 复杂 。 由于 整个 分布 式 数据 库系 统 具有 多个 用户 和用 户 组 ，且这 些用 户 以及 用户 组都 是 分散 于整 个分 布 式系 统 当 中的 ，处于 各个 站 点之 中 。 给系 统确 认 访 问用户 的合 法 身份 带来 了一 定 的难 度 ， 这 其确 认 方法 更加 复杂 。２信 息流 动风 险 增加 。分 布式 数据 库 系统 ． 是基 于 整个 系统 的数 据 共享 而建 立起 来 的 ，而这 些数 据 一般 都不 是 由 同一个 用户 加 以存 储 的，而 是分 布 于各 个不 同的站 点之 中 。 且 同一 个数 据对 各个 不 同用 户所 要求 的 安全 等级 不一 样 。而 系统 所设 置 的那 种 自主访 问控 制 授权 机制 将 使得 访 问者可 能 自主 的将 其访 问权 限间接 或者 是 直接 的转 交给 无 访 问权 限的用 户 ，增加 了 信息 流 动 的风 险 。３ 访 问控 制手 段单 一 。当 前分 布式 数据 库 网系 ． 统所 采 用 的访 问控制 措施 一般 是 根据 不 同用户 的安全 级别 来对 其 访 问 申请 进 行控 制 的 。以一个 企 业 的 内部 办 公系 统为 例 ，企业 的 财务 主 管与 人事 主管 的安 全 级别 是一 样 的 ，但 是 财务 主管 却不 能 随意 的 获得 人事 主管 的信 息 。 同样 ，人事 主 管也 不能 随意 的获 得 财务 主 管 。因此 ，有 必要 采取 多 种手 段来 对各 个 不 同身份特 征 的 用 户 提 出针对 性 的访 问控 制策 略 。 二 、提 高分 布式 数据库 系统 安全性 的策 略 （ ）加 强 身份 验证 。加 强 身份 验证 主要 是针 对攻 击 者采 用 一 的假 冒手 段 而采取 的针 对 性措 施 ，它 主要 是在 用户 提 出数据 访 问 请 求 时 ，在用 户和 数据 库 系统 之 间设 置一 道身 份验 证程 序 ， 以确 保 用 户真 实 身份 的合 法性 。之 后 再对用 户 的访 问权 限进 行 定义 与 设置 ，确 保其 对有 限 资源进 行 访 问 。同 时，在 各个 服 务器站 点与 分 布 式数 据库 系统 之 间也 要进 行 身份认 证 ，这 样才 能保 证分 布 式 数 据库 系 统 的安全 性 能 。 二 ） 信保 密 。应 该在 系统 内部 进行 通 （ 通 信 的双 方 问建 立起 一套 保 密通 道 。在完 成 了信 息访 问者 的身份确 认 ，并确 认信 息访 问者 的访 问权 限之后 ，就可 以授 权访 问者 获 取 数 据 了 ， 是 为 了防止通 信过 程 中 出现数 据窃 取 以及 重发 等 问题 ， 但 还 应 该在 通信 双方 之 间建立 起 通信 保密 通 道 ，对两 者之 间进 行 的 数 据传 输 进行 加密 处理 。 三 ） 问控 制及 审 计 。在对 数据 库进 行 （ 访 管 理 的过 程 中， 为 了抵 御 黑客 采取 越权 攻击 的方式 ，在 对其 管 理 方 式进 行 设置 时就 采用 了所 有 用户 都 不可 以对 数据 库 中存储 的数 据 进行 直 接操 作 的方式 。而是 通过 在 系统 中嵌 入一 个对 访 问进行