评估数据融合中得分规整的方法精要.docx

目录  TOC \o 1-3 \h \z \u  HYPERLINK \l _Toc425164441 评估数据融合中得分归一化的方法  PAGEREF _Toc425164441 \h 2  HYPERLINK \l _Toc425164442 1 Abstract  PAGEREF _Toc425164442 \h 2  HYPERLINK \l _Toc425164443 2 Introduction  PAGEREF _Toc425164443 \h 2  HYPERLINK \l _Toc425164444 3数据融合  PAGEREF _Toc425164444 \h 4  HYPERLINK \l _Toc425164445 4 不同得分归一化方法对数据融合效果的影响  PAGEREF _Toc425164445 \h 6  HYPERLINK \l _Toc425164446 1. method  PAGEREF _Toc425164446 \h 6  HYPERLINK \l _Toc425164447 2.result  PAGEREF _Toc425164447 \h 10  HYPERLINK \l _Toc425164448 5 在不同的分数秩区间内相关文件的分布情况  PAGEREF _Toc425164448 \h 12  HYPERLINK \l _Toc425164449 线性转化：  PAGEREF _Toc425164449 \h 12  HYPERLINK \l _Toc425164450 实验过程  PAGEREF _Toc425164450 \h 13  HYPERLINK \l _Toc425164451 6 Conclusion  PAGEREF _Toc425164451 \h 15  评估数据融合中得分归一化的方法 1 Abstract In data fusion, score normalization is a step to make scores, which are obtained from different component systems for all documents, comparable to each other. It is an step for effective data fusion algorithms such as CombSum and CombMNZ to combine them. In this paper, we evaluate four linear score normalization methods, namely the fitting method, Zero-one, Sum, and ZMUV, through extensive experiments. The experimental results show that the fitting method and Zero-one appear to be the two leading methods. 数据融合把多个信息系统的数据融合到一起，形成一致性的数据模型；评分归一化是数据融合算法不可缺少的一步，是打分过程的一个步骤，我们从所有文件不同的系统成分中获取分数并相互比较。在本篇文献中，评估四种线性评分规一化方法，即，the fitting method, Zero-one, Sum, and ZMUV，通过大量的实验结果证明the fitting method and Zero-one是两种更好的方法。 2 Introduction 在信息检索中，数据???合是被很多研究者研究和建立的好的方法 数据融合就是把多个信息系统的数据融合到一起，形成一致性的数据模型。数据融合的主要思想是整合多重信息检索系统中得到的检索文件到一个列表中，通过给定的检索，我们能更准确的评估所有相关的文件。 它为运行有效的信息检索系统提供一种选择。它也被用来在万维网环境中，作为一种元搜索引擎，从其他的搜索引擎中融合合成的文件。元搜索引擎在接受用户查询请求时，同时在其他多个引擎上进行搜索，并将结果返回给用户。 元搜索：随着互联网的迅猛发展，Web信息成爆炸式增长的趋势，如何更好、更全、更快地从中获取对我们有价值的信息，成为信息检索领域研究的最主要任务。然而任何一个普通的搜索引擎都无法覆盖所有的Web信息，因此，在检索时，希望能够同时使用不同的搜索引擎来提高检索的覆盖率以及查全率，获取更多、更好的有价值结果。为此，元搜索引擎在这种需