信息检索 第四章

析取范式的一般形式如下 (P11 AND P12 AND „..)OR(P21 AND P22 AND „..)OR„.OR(Pn1 AND Pn2 AND„„) 析取范式变换需要在内存开辟4个工作区，其 中一个工作区用于存放前一项的运算结果，一个 存放当前运算结果，另外两个存放当前的运算项。 例如“（A+B+C）*（E+F）”的析取范式为 （A*E）+（A*F）+（B*E）+（B*F）+（C*E）+（C* F） 析取范式变换虽然可以使检索处理过程中的 内存空间中用量达到最少，但由于在范式中某些 检索项重复出现，在检索时访问倒排文档的次数 也随之增加，从而增加检索次数，给结果集合的 逻辑运算带来额外的负担。
以下从处理方式、内存工作区、溢出情况和 检索特点对逆波兰变换法、准波兰变换法和析取 范式变换法进行比较。
比较项 方法 处理方式 内存 工作 区 溢出情况 检索特点
逆波兰变换法
输出逆波 兰式，算 法较简单 输出准波 兰式，算 法较复杂
化为析取 范式，算 法较简单
7
有时会溢 出 基本无溢 出
基本无溢 出
信息检索
编著 第五组
第四章 文本信息的检索技术
4.1 基本信息检索
文本信息一直都是人类产生、积累、交流和 使用信息资源的主要媒介表现形式，目前信息检 索最成熟并居于主流地位的仍然是文本信息检索 技术。基本信息检索主要有三种：
（1）布尔检索 （2）截词检索
（3）限定性检索
4.1.1 布尔检索
布尔检索通过采用不同的布尔逻辑运算符将简 单的检索单元组配起来，形成具有复杂概念的检索 表达式，用以表达用户的检索提问，是现代信息检 索系统中最常使用的一种方法。
A
B
图4-3
（2）基本运算顺序
对于一个布尔逻辑检索，检索系统的处理是 从左向右进行的，现行的所有情报检索系统在这 一点上都是一致的。但是OR、AND、NOT、XOR的运 算顺序，不同的系统有不同的规定。在有括号的 情况下，括号内的逻辑运算先执行，括号有多层 时最内层括号中的运算先执行；而在无括号的情 况下，则有下述几种处理顺序： a.NOT最先执行，AND其次执行，OR最后执行。 Dialog的RECON软件采用的是这种运算。 b.AND与NOT依其自然顺序同级最先执行，OR与 XOR依其自然顺序同级其次执行。STAIRS软件、 ORBIT软件均采用这种顺序。
2.按截断字符数量划分
（1）任意截断 任意截断叫无限截断，是指不说明具体截去 了多少个字符。
（2）有限截断 有限截断是指说明具体截去字符的数量。表 示截去一个字符所用的截断符号，每个信息检索 系有不同规定。例如，Dialog系统采用“？”。 ORBIT系统采用“#”。
（3）中截断 中截断也称“通用字符法”或“中间屏 蔽”，是将截词符放在字符串中用于屏蔽 词中不同字符的方法。常常用于当出现英 美词汇拼写不同或单复数词汇之中，如 organization和organisation、defense和 defence、man和men、woman、women等。为 了防止漏检现象，采用中截断方法“屏蔽” 检索词中的部分字符，如 “organi？ation”、“defen？e”、 “m？m”、“wom？n”。
答案：{a,b,c,d,e,f,i,k,m,n}
2、检索表达式的变换处理
用户向检索系统输入希尔逻辑运算符后，系 统需要经过必要的处理和编辑才能输出检索结果。 常用的检索表达式变换处理方式有逆波兰变换、 准波兰变换和析取范式变换。
（1）逆波兰变换
逆波兰变换又称“福岛方法”。其主要思想是 将检索表达式转换成等价的逆波兰式然后对逆波 兰式进行解析形成一组检索指令。
因此准波兰变换通过以下３个步骤，改进 逆波兰变换对内容空间要求高的问题。 ①创建检索表达式的二叉树表示形式。 ②比较二叉树中每一层次上的左右子树是 否对称。若不对称，把大分支保留或调职左边， 小分支保留或调至右边，直到全部节点的左右 子树都这样处理完为止。 ③后序遍历该二叉树，节点的输出序列即 为检索表达式的准波兰式。
2）布尔表达式的逆波兰变换实现
逆波兰表达式的解释器一般是基于堆栈的。 解释过程一般是：操作数入栈；遇到操作符时， 操作数出栈，求值，将结果入栈；当一遍后，栈 顶就是表达式的值。因此逆波兰表达式的求值使 用堆栈结构很容易实现，并且能很快求值。 第一代实现了逆波兰架构的电子计算机是英 国电气公司1963年交付使用的KDF9和美国的 Burroughs B5000。Friden公司在它1963年推出的 EC-130中，将逆波兰表达式引入了台式计算器市 场。惠普1968年设计了9100A逆波兰计算器，首台 手持式计算器HP-35也使用逆波兰表达式，惠普在 HP-10A之前的所有手持计算器（包括科学计算， 金融和可编程）中使用了逆波兰表达式，并在 1980年代晚期的LCD显示计算器如HP-10C, HP-11C, HP-15C, HP-16C等都是用了逆波兰表达式。
（2）后截断 后截断是最常用的一种截断检索方式，将截词 符放在字符串的右方，以表示其右的有限或无限 个字符不影响该字符串的检索。从检索性质上将 后截断是前方一致检索。 例：digest * 是一个无限后截断的检索表达式， 可检出以下词汇。 ① digest v.消化 ②digestant a.助消化的 ③digestibility n.可消化性 ④digestion n.消化 ⑤digestive a.消化的、助消化 与前截断类似，后截断检索也隐含着OR 运算， 上例中“digest*”等价于“①OR ②OR ③OR ④ OR ⑤”。
１）波兰表示法
1929年，波兰逻辑学家卢卡西维兹 （J.Lucasiewicz）提出了两种不用括号的算法表达 方法，称为“波兰表示法”。 第一种是“正波兰表示法”，即将运算符放在 运算项前面，因此也称作“前缀表示法”，例如， “2加5，再减3，再乘4”的运算要求，可以表示成 “*-+2534”； 第二种是“逆波兰表示法”，即将运算符放在 运算项之后，因此也称为“后缀表示法”，这样可以 将前例表示为“4352+-*”。
检索速度较快
准波兰变换法
5
检索速度较快
析取范式
4
同一检索词可 多次访问倒排 文档，速度稍 慢
3.布尔检索的实现技术
布尔检索的实现建立在检索系统的倒排文档基 础之上。倒排文档是从数据库主文档中抽取具有 检索意义的可检项形成索引文档，包括著者、主 题、分类等具有检索特征的词，然后分别按字顺 排列而重新形成的索引文档，一般由计算机程序 来完成。 倒排文档的检索算法一般分为以下3步进行。 ①词汇查找。讲查询串中的单词和模式分割成 独立的部分，短语和近似查询串分割成单独的词 汇。 ②查询词汇出现情况。获取与查询串中所有词 汇相关的出现情况列表。 ③词汇出现情况的操作。主要是通过对步骤② 中获取的词汇出现情况的操作实现查询。
c. AND最先执行，NOT其次执行，OR最后执行。 UNIDAS软件采用这种顺序。 d. OR最先执行，AND其次执行，NOT最后执行。 e. 按自然排列顺序执行。
例如：如果集合A={a,b,c,e,f};B={b,c,d,g}; C={f,g,i,k,m,n}，求A+(B-C) A+(B C)的值。

1. 逻辑运算符及其使用 （1）常用的布尔逻辑运算符 布尔检索是数据库检索最基本的方法， 是用逻辑“或”（＋、OR）、逻辑"与 "( 、 AND)、逻辑"非"(－、NOT)等运算符在数据 库中对相关文献的定性选择的方法。
1 逻辑或（OR） 是用表达具有并列关系的概念，例如，文 献中凡含有"A"或 者"B"检索词或者同时含有检 索词"A"和"B"的文献均为命中文献。 组配方式： A＋B，表示检索含有"A"词，或含有"B"词，或 同时包含"A"、"B"两词的文件。 这种的组配方 式可以放宽范围，扩增检索结果，提高查全率。 如下图4-1所示
（3）析取范式变换
析取范式变换是通过改变检索表达式的书写 形式来提高内存工作区的使用效率。它的理论依 据是基于数据逻辑的基本定律，即“任一布尔逻 辑表达式都可以转化成与之等价的析取（或合取） 范式”。 析取范式必须满足３个条件： ● 检索表达式中只允许出现OR、AVD和NOT这３ 种基本表达逻辑运算符。 ● NOT只能出现在检索项之前。 ● 由OR链接合取子式构成，合取子式式仅有 AND链接检索项或检索项的否定构成的表达式。
A
图4-2
B
3 逻辑非（NOT）
是用于从某一检索范围中排除不需要的概念。 例如，检索词A和检索词B的逻辑非（NOT）关系可 以表示为“A NOT B”或者“A - B”。在检索 过程中，所有只含有检索词A而不包括检索词B的文 件才是符合检索条件的文件。这种组配方式可以缩 小检索范围。可以表示如4-3所示
截词方式有很多种，按截断位置可分为前截 断、后截断和中截断；按截断字符数量可分为任 意截断和有限截断。
1. 按截断位置划分
（1）前截断 前截断是将截词符放置在字符串的左方，表 示其左的有限或无限个字符不影响该字符串的检 索。从检索性质上讲，检索词是后方一致检索。
例：*magnetic是一个无限前断的检索表达式，可 检出以下词汇。
① magnetic ②electro-magnetic ③electromagnetic ④paramagnetic ⑤themo – magnetic ⑥thermomagnetic
a.有磁性的 a.电磁的 a.电磁的 a.顺磁的 a.顺磁的 a.热磁的
前截断检索隐含着OR运算，例3中“*magnetic” 等价于“①OR ②OR ③OR ④ OR ⑤OR ⑥”
（2）准波兰变换