第10章-XML 检索.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * INEX 文档集中简化后的文档schema 示意图 * 由于CAS 查询同时包含结构信息和内容信息，其相关性判断就比非结构化中的相关性判断要复杂得多. INEX 2002 定义了部件覆盖度和主题相关性作为相关性判断的两个方面。 部件覆盖度（component coverage）评价的是返回元素在结构上是否正确，也就是说，其在树中的层次既不太高也不太低。 部件覆盖度分为以下4 种情况。 1.精确覆盖（E）。所需求的信息是部件的主要主题，并且该部件是一个有意义的信息单位。 2.覆盖度太小（S）。所需求的信息是部件的主要主题，但是该部件不是一个有意义（自包含）的信息单位。 3.覆盖度太大（L）。所需求的信息在部件中，但不是主要主题。 * 4.无覆盖（N）。所需求的信息不是部件的主题 主题相关性也有4 个层次：强相关（3）、较相关（2）、弱相关（1）和不相关（0）。 每个部件在覆盖度和主题相关性两个方面都要进行判断, 然后将判断结果组合成一个数字-字母编码。 2S 表示一个比较相关的部件，但是其覆盖度太小。而3E 表示高度相关并具有精确覆盖的一个部件。 理论上说，4 个等级的覆盖度和4 个等级的相关性相组合，则对一个部件的评价有16 种可能，但是实际评价中很多组合并不会出现。 * 4.无覆盖（N）。所需求的信息不是部件的主题 主题相关性也有4 个层次：强相关（3）、较相关（2）、弱相关（1）和不相关（0）。 每个部件在覆盖度和主题相关性两个方面都要进行判断, 然后将判断结果组合成一个数字-字母编码。 2S 表示一个比较相关的部件，但是其覆盖度太小。而3E 表示高度相关并具有精确覆盖的一个部件。 理论上说，4 个等级的覆盖度和4 个等级的相关性相组合，则对一个部件的评价有16 种可能，但是实际评价中很多组合并不会出现。 比如，一个不相关的部件不可能具有精确覆盖度， 所以，编码为3N 的组合是不可能的。 * 相关度—覆盖度组合可以采用如下量化方法： 上述评估机制实际上考虑到了这样一个事实，传统的非结构化检索（参考8.5.1 节）的二值相关性判断对于XML 检索来说是不合适的. 一个2S 部件提供的信息尽管不完整，而且如果没有更多的上下文将很难进行解释，但是它却能部分地回答查询。 * 量化函数Q 并不强制使用二值相关性（相关或不相关），而是通过对部件划分等级来处理部分相关性。 于是，检索结果集合A 中相关部件的数目可以定义为 表10-3 给出了INEX 2002 上两个向量空间系统（参考10.3 节的描述）的运行结果。 * 其中SIMMERGE 的运行结果更好一些，它融合的结构化限制很少而主要依赖于关键词匹配。 然而，SIMMERGE 的平均准确率的中位数也仅仅为0.147，这里的中位数指的是所有主题的平均准确率的中位数。 由于XML 检索更难，所以它的效果往往低于非结构化检索。 XML 检索的目标不仅仅是寻找一篇文档，还必须寻找与查询非常相关的文档片段。 另外，当采用这里介绍的衡量指标时，对XML 检索效果的评分可能会低于非结构化检索，这是因为分级评价方法会降低评价的分值 * 考虑一个系统，假定其返回结果中的第一篇文档的分级相关度为0.6，而二值相关度为1。 那么对于后者，召回率为0.00 时对应的插值正确率为1，而对于前者而言，同一点上插值的正确率为0.6。 表10-4 直接给出了使用结构对检索效果的影响，这些结果是由基于语言模型的检索系统（参考第12 章）在INEX 2003、2004 中CAS 主题的子集上所得到的。 * 表10-4 表明，结构信息能够帮助提高返回结果中排名靠前的元素的准确率，其中P@5 和P@10 都有较大的提高，而P@30 几乎没有提高。 这些结果展示了结构化检索的好处。结构化检索对返回结果增加了一些额外的限制，能够通过结构化限制条件的文档更可能相关. 当然，由于有些相关文档被过滤掉，这种做法可能会损害召回率，但是在面向正确率的任务中，结构化检索更具优势。 * 10.5 XML 检索：以文本为中心与以数据为中心的对比 在本章介绍的结构化检索中，XML 的结构作为一个框架存在，在该框架下，可以对查询中的文本和文档中的文本进行匹配. 这实际上是对以文本为中心的XML（text-centric XML）检索系统进行优化的例子. 尽管文本和结构都很重要，仍然给文本赋予更高的优先级. 具体的实现方式是通过对非结构化检索方法进行调整，使之能够处理额外的结构化限