现代信息检索--文档评分、词项权重计算及向量空间模型.ppt

* 非二值关联矩阵(词项频率) 每篇文档可以表示成一个词频向量 ∈ N|V| Anthony and Cleopatra Julius Caesar The Tempest Hamlet Othello Macbeth . . . ANTHONY BRUTUS CAESAR CALPURNIA CLEOPATRA MERCY WORSER . . . 157 4 232 0 57 2 2 73 157 227 10 0 0 0 0 0 0 0 0 3 1 0 2 2 0 0 8 1 0 0 1 0 0 5 1 1 0 0 0 0 8 5 * ppt课件 * 词袋(Bag of words)模型 不考虑词在文档中出现的顺序 John is quicker than Mary 及 Mary is quicker than John 的表示结果一样 这称为一个词袋模型(bag of words model, BOW模型) 在某种意思上说，这种表示方法是一种“倒退”，因为位置索引中能够区分上述两篇文档 本课程后部将介绍如何“恢复”这些位置信息 这里仅考虑词袋模型 * ppt课件 * 词项频率 tf 词项t的词项频率(以下简称词频) tft,d 是指t 在d中出现的次数，是与文档相关的一个量，可以认为是文档内代表度的一个量，也可以认为是一种局部信息。 下面将介绍利用tf来计算文档评分的方法 第一种方法是采用原始的tf值(raw tf) 但是原始tf不太合适： 某个词项在A文档中出现十次，即tf = 10，在B文档中 tf = 1，那么A比B更相关 但是相关度不会相差10倍，即相关度不会正比于词项频率tf * ppt课件 * 一种替代原始tf的方法: 对数词频 t 在 d 中的对数词频权重定义如下： tft,d → wt,d : 0 → 0, 1 → 1, 2 → 1.3, 10 → 2, 1000 → 4, 等等 文档-词项的匹配得分是所有同时出现在q和文档d中的词项的对数词频之和 t ∈q∩d (1 + log tft,d ) 如果两者没有公共词项，则得分为0 * ppt课件 提纲 上一讲回顾 排序式检索 词项频率 tf-idf权重计算 向量空间模型 * ppt课件 * 文档中的词频 vs. 文档集中的词频 除词项频率tf之外，我们还想利用词项在整个文档集中的频率进行权重和评分计算 * ppt课件 * 罕见词项所期望的权重 罕见词项比常见词所蕴含的信息更多 考虑查询中某个词项，它在整个文档集中非常罕见 (例如 ARACHNOCENTRIC). 某篇包含该词项的文档很可能相关 于是，我们希望像ARACHNOCENTRIC一样的罕见词项将有较高权重 物以稀为贵！ * ppt课件 * 常见词项所期望的权重 常见词项的信息量不如罕见词 考虑一个查询词项，它频繁出现在文档集中 (如 GOOD, INCREASE, LINE等等) 一篇包含该词项的文档当然比不包含该词项的文档的相关度要高 但是，这些词对于相关度而言并不是非常强的指示词 于是，对于诸如GOOD、INCREASE和LINE的频繁词，会给一个正的权重，但是这个权重小于罕见词权重 * ppt课件 * 文档频率(Document frequency, df) 对于罕见词项我们希望赋予高权重 对于常见词我们希望赋予正的低权重 接下来我们使用文档频率df这个因子来计算查询-文档的匹配得分 文档频率(document frequency, df)指的是出现词项的文档数目 * ppt课件 * idf 权重 dft 是出现词项t的文档数目 dft 是和词项t的信息量成反比的一个值 于是可以定义词项t的idf权重(逆文档频率): (其中N 是文档集中文档的数目) idft 是反映词项t的信息量的一个指标，是一种全局性指标，反应的是词项在全局的区别性。 实际中往往计算[log N/dft ]而不是 [N/dft ] ，这可以对idf的影响有所抑制 值得注意的是，对于tf 和idf我们都采用了对数计算方式 * ppt课件 * idf的计算样例 利用右式计算idft: 词项 dft idft calpurnia animal sunday fly under the 1 100 1000 10,000 100,000 1,000,000 6 4 3 2 1 0 假设语料中文档数目N=1，000，000 * ppt课件 * idf对排序