信息检索-试题.docxVIP

内容安全概念模型 Jaccard 系数的缺陷， tf-idf 要考虑哪些因素 产生式与判别式的区别 索引的建立，倒排索引 检索评价指标计算 极大似然估计，使用加 1 平滑 答案： 1. 信息安全的框架包括内容安全（信息利用的安全） 、数据安全（信息自身的安全） 、 运行安全（信息系统的安全） 、物理安全（信息系统的安全） 。如图所示： 内容安全涉及的是对流动的数据进行限制， 包括可以对指定的数据进行选择性的阻 断、修改、 转发等特定的行为以及信息对抗， 即针对信息中的信息熵而进行的隐藏、掩 盖，或发现、分析的行为。它是指对信息真实内容的隐藏、发现、选择性阻断。主要的 处置手段是信息识别与挖掘技术、过滤技术、隐藏技术等。 2. Jaccard 系数的缺陷：（1 ）不考虑词项频率，即词项在文档中的出现次数； （ 2）罕见词 比高频词的信息量更大， Jaccard 系数没有考虑这个信息； （ 3）没有仔细考虑文档的长 度因素。 tf-idf 要考虑的因素： （1 ）词项频率，即词 t 在文档 d 中出现的次数； （ 2 ）文档频率， 指出现词项 t 的文档数。（ 3 ）归一化向量 3. 判别式模型（ discriminative model ） 产生式模型（ generative model ） 寻找不同类别之间的最优分类面， 反映的 对后验概率建模， 从统计的角度表示数据 特点 是异类数据之间的差异 的分布情况， 能够反映同类数据本身的相 似度 区别 ( 假定输入 估计的 是条 件 概率分 布 (conditional 估 计 的 是 联 合 概 率 分 布 （ joint x,类别标签 y) distribution) : P(y|x) probability distribution: P(x, y), 联系 由产生式模型可以得到判别式模型，但由判别式模型得不到产生式模型。 –logistic regression –Gaussians, Naive Bayes –SVMs –Mixtures of Gaussians, Mixtures of 常见模型 –traditional neural networks experts, HMMs –Nearest neighbor –Sigmoidal belief networks, Bayesian networks –Markov random fields 1 ）分类边界更灵活， 比使用纯概率方法 1 ）实际上带的信息要比判别模型丰富； 或产生式模型更高级； 2 ）研究单类问题比判别模型灵活性强； 2 ）能清晰的分辨出多类或某一类与其他 3 ）模型可以通过增量学习得到； 类之间的差异特征； 4 ）能用于数据不完整 （ missing data ） 优点 3 ） 在 聚 类 、 viewpoint changes, 情况。 partial occlusion and scale variations 中的效果较好； 4 ）适用于较多类别的识别； 5 ）判别模型的性能比产生式模型要简 单，比较容易学习。 1 ）不能反映训练数据本身的特性。 能力 1) Tend to produce a significant 有限，可以告诉你的是 1 还是 2，但没 number of false positives. This is 有办法把整个场景描述出来； particularly true for object classes 2 ） Lack elegance of generative: which share a high visual similarity 缺点 Priors, 结构 , 不确定性； such as horses and cows ； 3 ） Alternative notions of penalty 2) 学习和计算过程比较复杂。 functions, regularization, 核函数； 4 ）黑盒操作 : 变量间的关系不清楚， 不可视。 较好（性能比生成模型稍好些， 因为利用 较差 性能 了训练数据的类别标识信息， 缺点是不能 反映训练数据本身的特性） Image and document classification NLP 主要应用 Biosequence analysis Medical Diagnosis Time series prediction 4. 设有两个文档 D1,D2 其文本内容分别如下： D1={abfcdgecfcdeag} D2={dacfggfcbbaafc} 对文档 D1,D2 建立倒排索引，并写出倒排索引结构。 用伪代码写出上述建立倒排索引的建立过程。给定查询