基于历史点击数据的分布式信息检索集合选择方法-计算机应用技术专业论文.docxVIP

／『㈣㈣㈣舢Y204岩舀岑攀 ／『㈣㈣㈣舢 Y204岩舀岑攀 浙江大学硕士学位论文 摘要 集合选择是分布式信息检索过程中的重要一环，其在尽量不影响检索效果的 情况下，选择和查询相关度高的部分集合进行检索。目前大多数集合选择算法根 据主要通过集合的静态统计信息来来评价集合的相关度，忽略了集合检索返回文 档的有效性及查询日志的价值。查询日志包含大量用户查询信息及各查询对应的 点击情况，被广泛用于提高信息检索的效率和质量。 基于此，本文针对分布式信息检索时不同信息集对最终检索结果贡献度有差 异的现象，提出一种基于历史点击数据的集合选择方法(PCTDCS)。该方法利 用点击数据估计各集合与历史查询的相关度。采用基于关键词和基于检索结果相 结合的方法估计查询间的相似度。利用历史查询中的相似查询估计新查询与各集 合的相关度，进而选择相关度最高的M个集合进行检索，并给出了要获取前k 个文档的情况下各集合应当返回的文档数。采用Rm、P@n和MAP对集合选择方 法的性能进行了验证。实验结果表明：PCTD-CS较ReDDE提高了检索结果的召 回率和准确率，能更准确的定位到包含相关文档多的集合。总的来说，本文的主 要贡献如下： 1)针对用户查看检索结果时只关注排名靠前的结果，综合考虑检索的有效 性，提出了一种基于点击数据的历史查询与集合相关度的计算方法。 2)由于真实检索环境下，相同查询或相似查询经常出现，提出了一种根据 历史查询中的相似查询估计新查询与集合相关度的计算方法。 3)针对集合返回大量文档干扰最终检索结果准确率的现象，提出系统要获 取k个文档的情况下，各集合根据其相关度应返回文档数的计算方法。 关键词：分布式信息检索：集合选择：相似查询：点击数据； 浙江大学硕士学位论文 浙江大学硕士学位论文 Abstract Abstract Collection selection is a important part of Distributed information retrieval．which aim to select the most appropriate document collections to delegate the user query, Most prior research of resource selection focu严d on selecting information SOurCeS by analyzing smile information of available information sources that is sampled in the offline manner．On the other hand,most prior research ignored a large amount of valuable information of query log．Query log contains a lot of data like user queries and click-through data．which are widely used to improve the efficiency and quality of information retrieval． Motivated by this problem,considered that collections have different contributions to the final retrieval results，an approach of collection selection based on click-through data was proposed．Click4hrough data of past queries were utilized for estimating the relevance of each collection to the query．A term—based and results-based mixed approach was used to estimate the similarity between queries．Past similar queries were used to predict the relevance of collections to a specific user quer