信息检索课-精简版- 分析处理.ppt

检索系统的一般模式 网页 互联网 匹配 检索结果 用户需求 网页采集 分 析 处 理 建立索引 索引库 格式分析与转换 编码分析与转换 词汇分析与处理 结构分析（文本分割） 类别分析（文本分类） 分词对中文有哪些信誉好的足球投注网站引擎的影响 Google 6/20 “瑞星以技术和服务开拓网络安全市场” “陈慧琳《心口不一》化妆和服装自己包办” 百度 14/20 “商品和服务实行明码标价” “青岛东和服装设备” 中搜 20/20 有哪些信誉好的足球投注网站引擎结果中的错误，是由于分词的不准确造成的。 中文分词的准确度，对有哪些信誉好的足球投注网站引擎结果相关性和准确性有相当大的影响。 无关网页从哪里来？ 互联网 匹配 瑞星以技术 和服务开拓 网络安全市场 用户需求 网页采集 分 析 处 理 建立索引 索引库 检索结果 索引策略 ……技术和服务…… 按字 技 术 和 服 务 按二元语法 技术 术和 和服 服务 按词 技术和服务 中文分词 分词是将连续的字序列按照一定的规范重新组合成词序列的过程 瑞星以技术和服务开拓网络安全市场 瑞星 / 以 / 技术 / 和 / 服务 / 开拓 / 网络安全 / 市场 中文分词与其他分词不同 英文中单词之间是以空格作为自然分界符 中文只是字、句、段有明显的分界符 词没有一个形式上分界符 从字串到词串，是一个降低不确定性的过程。 正向最大匹配法 信息检索课程是三个学时。 …… 课程 …… 信息检索 …… 学科 学时 学问 …… 分词词表 正向最大匹配的问题 最大词长 词长过短，长词就会被切错 词长过长，效率就比较低 分词歧义 “瑞星以技术和服务开拓网络安全市场” 分词歧义 发现问题 双向最大匹配 分析问题 歧义字段的类型与特点 解决问题 歧义字段库 词性 我为人民工作。 统计 技术和服务 …… 歧义字段的链长 链长：交集型歧义字段中含有交集字段的个数，称为链长。 链长为1： 从小学 链长为2： 市民政局 链长为3： 为人民工作 链长为4： 结合成分子时 链长为6： 努力学习语法规则 软件实现3：长链歧义字段获取 输入 1998年1月人民日报电子版 输出 歧义字段 按链长降序排列，前100个 要求： 1人完成 分词歧义 发现问题 双向最大匹配 分析问题 歧义字段的类型与特点 解决问题 歧义字段库 词性 我为人民工作。 统计 技术和服务 …… 歧义字段库 …… 市民政局 1300 为人民工作 12020 结合成分子时 201201 技术和服务 20120 …… 软件实现4：歧义字段规则库获取 输入 1998年1月人民日报电子版 输出 歧义字段规则库 要求： 1人完成 最大概率分词 S: 有意见分歧 W1: 有/ 意见/ 分歧/P(W1|S) W2: 有意/ 见/ 分歧/P(W2|S) 单词 概率 …… …… 有 0.0180 有意 0.0005 意见 0.0010 见 0.0002 分歧 0.0001 …… …… P(W1) = P(有) * P(意见) * P(分歧)= 1.8 × 10-9 P(W2) = P(有意) * P(见) * P(分歧)= 1×10-11 P(W1) P(W2) 软件实现5：汉语分词系统 输入 任意一段文本 可能包含中文标点、西文标点、阿拉伯数字、西文字符 输出 分词结果 词之间用“/”分隔 要求 双向最大匹配发现歧义片断 利用歧义片断库解决分词歧义 未解决的用最大概率分词 可3人完成 准确率、召回率、F值 准确率 Precision 结果中的正确样例数与结果中全部样例总数的比值 召回率 Recall 结果中的正确样例数与实际存在的正确样例数的比值 F值 准确率和召回率的加权平均 一般用F1 准确率、召回率、F值 准确率 Precision 结果中的正确样例数与结果中全部样例总数的比值 召回率 Recall 结果中的正确样例数与实际存在的正确样例数的比值 在分词性能的度量时： Precision = 切分正确的词数 / 系统切分出的词数 Recall = 切分正确的词数 / 标准答案的词数 准确率、召回率、F值 在分词性能的度量时： Precision = 切分正确的词数 / 系统切分出的词数 Recall = 切分正确的词数 / 标准答案的词数 举例 某分词系统的切分结果 瑞/星/以/技术/和服/务/开拓/市场 标准答案 瑞星/以/技术/和/服务/开拓/市场 准确率、召回率、F值 准确率 Precision 结果中的正确样例数与结果中全部样例总数的比值 召回率 Recall 结果中的正确样例数与实际存在的正确样例数的比值 在作为有哪些信誉好的足球投注网站引擎性能的度量时： Precision = 有哪些信誉好的足球投注网站到的相关文档数 / 有哪些信誉好的足球投注网站到的全部文档数 Recall = 有哪些信誉好的足球投注网站到的相关文档数