信息检索导论-王斌第二次课后作业(6-12).docVIP

1、习题6-10 tf-idf = tf * idf car的tf-idf值在三篇文档中分别为： Doc1:27*1.65=44.55；Doc2:4*1.65=6.6；Doc：24*1.65=39.6； auto的tf-idf值在三篇文档中分别为： Doc1:3*2.08=6.24；Doc2:33*2.08=68.64；Doc：0*2.08=0； insurance的tf-idf值在三篇文档中分别为： Doc1:0*1.62=0；Doc2:33*1.62=53.46；Doc：29*1.62=46.98； best的tf-idf值在三篇文档中分别为： Doc1:14*1.5=21.0；Doc2:0*1.5=0；Doc：17*1.5=25.5； 2、习题6-19 所用公式：wf = 1+logtft,d, tft,d00, otherwise idf=logNdf 词 查询 文档 qi*di tf Wf df idf qi=wf-idf tf wf di=归一化的wf digital 1 1 10000 3 3 1 1 0.52 1.56 video 0 0 100000 2 0 1 1 0.52 0 cameras 1 1 50000 2.301 2.301 2 1.301 0.677 1.558 归一化：12+12+1.3012=1.922 1/1.922 = 0.52 1301/1.922 = 0.677 最后的相似度结果为：1.56+1.558=3.118 3、习题7-2 胜者表是提出的一种更快获取得分较高文档的一种方法，基本思路是考虑r篇的tf值。但在实际应用中，还应考虑到文档长度以及用户对搜索结果的关注程度等因素，并希望只关注那些不仅相关度高并且权威度也大的文档。如果只根据tf值来选取最后的结果文档，很可能导致的情况是，搜索结果和查询虽然相关，但会有文档长度过长且不是用户想得到的结果的问题。因此在考虑到全局的情况下，引入了g(d)和tf-idf来对胜者表进一步扩展和精确。这样高分文档更可能在倒排索引的前期出现。 4、习题7-8 5、习题8-8 b. 系统1的返回结果中相关文档比较集中，靠前两个，靠后两个。系统2的返回结果中相关文档比较分散。系统1比系统2获得较高的MAP值。 排名靠前的相关文档对MAP值影响较大，相关文档位置越靠前，系统能获得越高的MAP值。 c. R1=2/4=0.5 R2=1/4=0.25 按照R正确性值来看，与MAP的排序结果一致。 6、习题9-3 7、习题9-7 矩阵C里的元素表示该词项是否在这些文档中同时出现，1表示同时出现，0表示没有同时出现。 8、习题11-3 9、习题12-6 D=(the, 2, martian, 1, has, 1, landed, 1, on, 1, latin, 1, pop, 1, sensation, 1, ricky, 1, martin, 1) a. P(the) = 2/11 = 0.182, P(martian) = 1/11 = 0.091 b. P(sensation|pop) = 1, P(pop|the) = 0 10、习题12-7 该文档集的查询似然模型为： click go the shears boys metal here 模型1 1/2 1/8 1/8 1/8 1/8 0 0 模型2 1 0 0 0 0 0 0 模型3 0 0 0 0 0 1/2 1/2 模型4 1/4 0 0 1/4 0 1/4 1/4 文档集模型 7/16 1/16 1/16 2/16 1/16 2/16 2/16 每篇文档模型对应的概率: Pdq∝P(d)t∈q[1-λPtMc+λP(t|Md)] query Doc1 Doc2 Doc3 Doc4 click 15/32 23/32 7/32 11/32 shears 2/16 1/16 1/16 3/16 click shears 15/256 23/512 7/512 33/512 P(click|doc1)=1/2*1/2+7/16*1/2=15/32, P(click|doc2)=1*1/2+7/16*1/2=23/32 P(shears|doc1)=1/8*1/2+2/16*1/2=2/16, P(click shears|doc1)=15/32*2/16=15/256 对于查询click shears来说，最后得到的文档次序为：doc4, doc1, doc2, doc3。