人工智能论文综述-庞凯.docVIP

电子商务中基于Hopfield 神经网络的货源信息搜索方法 文章主要内容 Internet 网络有丰富的信息资源,其中包含大量电子商务(electronic commerce , EC) 需要的货源信息。本文讨论的货源信息包括交易商品的相关信息,以及购买产品的客户、原材料的供应商和竞争对手的相关信息。随着电子商务在企业应用的不断深入,企业需要越来越多的关于潜在客户、供应商和产品等方面的货源信息,并利用这些信息为企业的采购、销售等方面的决策提供依据，所以为了适应市场要求,企业必须通过Internet准确、及时、全面地收集货源信息。 直接采用通用搜索引擎(“百度”,“Google”等) 搜索货源信息时,由于Internet 网络信息量庞大,使得查准率较低。Web 挖掘技术可以从与网络相关的资源和行为中提取感兴趣的、有用的模式和隐含信息,是提高电子商务企业效率的有效工具;因此可以将Web 挖掘技术应用到通用搜索引擎中,采用信息检索、人工智能等相关技术获取准确而全面的货源信息。 本文提出了一种基于Hopfield 神经网络的货源信息搜索方法。该方法根据用户输入的查询词, 通过Hopfield 神经网络自动生成一组查询扩展词。在通用搜索引擎中, 利用这组查询扩展词扩大搜索范围, 并对返回结果进行分析、过滤、排序, 从中筛选企业所需的客户、供应商和产品等相关的货源信息。 二、 1 　货源信息搜索问题分析 在电子商务环境下,利用通用搜索引擎从Internet 网络资源中搜索企业所需货源信息,属于一种网络资源的领域搜索问题。这里,领域是指企业关注的货源信息所涵盖的范围(例如,汽车厂商关注与汽车相关的信息) 。这种与某领域相关的网络信息搜索可以利用信息检索( informationret rieval , IR) 方法实现,实质就是利用一组扩展词分类过滤网页内容。 在利用通用搜索引擎进行货源信息搜索时,扩展词的选择要满足以下要求: ①扩展词必须反映查询词本身的特点,不同的查询词对应不同的扩展词; ②扩展词与查询词应具有很高的关联度(例如,计算机电脑、PC) ;③加入扩展词搜索的查准率应高于只用查询词的 查准率(去除了不相关文献) ; ④扩展词可以是“显性词”( positive words ) , 也可以是“隐性词”(negative words) ;隐性扩展词在一定程度上能提高搜索效果。 2 　基于Hopfield 神经网络的货源信息搜索方法 2. 1 　货源信息搜索方法的基本结构 首先根据货源信息样本的特点建立Hopfield神经网络,然后根据输入的查询词,由“Hopfield神经网络”模块自动生成一组扩展词,输入到通用搜索引擎中,最后对返回结果进行排序,将相似度高的网页信息作为企业所需的货源信息返回给企业用户。 2. 2 　Hopfield 神经网络的设计 根据Hopfield 神经网络[8 ]的特点,可以将货源信息的特征保存在连接权中,根据输入的不同的查询词,通过网络运行,自动生成一组不同的扩展词,来适应货源信息领域搜索的要求。 2. 2. 1 　确定人工神经元 从货源信息样本中选取M 个出现频率比较高的名词和部分重要动词作为候选扩展词, 并考虑隐性扩展词,则Hopfield 神经网络共有2 M 个神经元与这些候选扩展词一一对应。 2. 2. 2 　设定神经元之间的连接权值 考虑到货源信息样本的特点, 神经元间连接权值Wij定义为 Wij = S ijL ij · (1) 其中, S ij为词语i 对于词语j 的关联度权值; L ij为词语i 对于词语j 的领域权值。 2. 2. 2. 1 　关联度权值S ij的确定 词语之间关联度权值S ij定义为 S ij = Ti ·Cij · (2) Ti 为词语i 本身的权值。为了对那些在多篇文献中都出现的词语给予一定的惩罚,可使用类似逆文献频率计算的方法给每个词语一个权值: Ti = log ( N/ ni) · (3) N 为货源信息样本中的文献总数; ni 为N 篇文献中出现词语i 的文献个数。Cij为词语i 与词语j 的共现率,定义为 U ( i) , U ( j) , U ( i ∧j ) , U ( i ∨j ) 表示在所有N篇文献中出现词语i , j , i 与j , i 或j 的集合。通常情况下, Cij的计算需要考虑以下两个特点: ①经常同时出现在一篇文献中的两个词语之间应该具有很高的共现率; ②在两个词语同时出现在一篇文献中的情况下, 出现次数差别小的两个词语应该具有比较高的共现率。因此,本文定义词语i 与词语j 在文献k 中的共现率cijk为 其中, f ik为词语i 在文献k 中出现的次数;α为共现率调节参数·在式(5) 中,当f ik = f jk时,表示