Category Archives: 自然语言处理

1.如何联系多个特征量(How Can We Combine Many Features)
一般的思想:
– 给定一个查询-文档对(Q,D),定义多种特征量Xi(Q,D)
– 特征量举例:交叠项的数量、Q和D的BM25算法得分p(Q|D)、D的页面排名p(Q|Di),其中Di可能是锚文本或者大字体文字(big font text)、URL是否包含’~’ 等
– 假设p(R=1|Q,D)=s(X1(Q,D),…,Xn(Q,D),λ)其中λ是一个参数集
– 将数据输入拟合函数s来训练λ,其中数据为三元组(D,Q,1)(D与Q相关)或者(D,Q,0)(D与Q无关)

一、文本检索中的反馈(Feedback in Text Retrieval)
反馈的概念即是,使用原始的结果反过来帮助模型进行相关的处理,改进算法精度。

在文本检索中,我们会学习多种不同的反馈机制。

1.相关性反馈(Relevance Feedback)
在相关性反馈机制中,用户看到检索结果后,可以直接对其中的内容相关性做出判断,这些反馈信息对与检索系统来说十分有用——知道用户感兴趣的究竟是什么。因此,反馈模块把用户的判断作为输入来尝试改善算法。

一、概率检索模型的基本概念(Probabilistic Retrieval Model – Basic Idea)
在之前的内容中,我们讨论了基于向量空间模型(VSM)的排名方法。在这一章中,我们会讨论一种新的方法。在基于向量空间的模型中,我们将排名结果看作一系列二进制随机变量构成的矢量,其中R=1表示文档与查询相关。而在概率检索模型中,我们定义了一个排名函数来表达某个文档与某个查询相关的概率。即

概率模型(Probabilistic models): f(d,q) = p(R=1|d,q), R∈{0,1}
– 传统的概率模型是BM25
– 语言模型是查询似然(Query Likelihood)
– 还有一种随机性差异模型PL2

一、引言(Evaluation of TR System)
正如对其他预测系统所做的一样,我们对文本搜索系统也要进行一个定量的评估。
1.用什么指标来评估(What to Measure)
精度(Effectiveness/Accuracy): 搜索结果的精度有多高?
-着眼于一个系统把相关文档排在无关文档前面的能力
效率(Efficiency):用户多久才能得到结果?为了完成询问,需要多少的计算资源?
-着眼于时间、空间复杂度
适用性(Usability):这个系统对于实际需求而言有帮助吗?
-进行用户调查

1.简单版VSM存在的问题
我们接着上一章的内容。在简化版的VSM下,有一些相似度相同的文档,但是我们可以看到其中有一些是应该“相关性更强”的,那么我们应该如何实现呢?

在这个例子中:

匹配了多次“presidential”的文档,应该得到更大的权重
匹配“presidential”比匹配“about”的重要性更高。
稍后我们就会讨论改进算法。

前言
这系列笔记是记录Coursera上伊利诺伊大学厄巴纳香槟分校翟成祥教授(Prof. Chengxiang Zhai)所开设课程“Text Retrieval and Search Engines”课程内容的。该课程没有直接给出文档版的讲义,所以笔记内容多数是自己结合课程视频与课前导学问题所写。由于水平有限,难免会有不准确的地方,诚挚欢迎大家指出,共同交流完善。

Insert math as
Block
Inline
Additional settings
Formula color
Text color
#333333
Type math using LaTeX
Preview
\({}\)
Nothing to preview
Insert