第一节、跨语言信息检索
利用网络进行信息检索时，语言成为人们对信息获取和理解的障碍。也就是说，一个人所能理解和利用的信息只是整个信息资源中极少的一部分，很多信息是用人们所不能理解的语言来表达的，因而不能被人们所利用。跨语言信息检索应运而生。
一、跨语言信息检索的有关概念
1.CLIR (Cross-Language Information Retrieval)：
用户用某种语言（比如中文）表示的检索条件，检索由多种语言（比如中文、英文、德文、日文等）组成的文档集，检索结果用描述检索条件的语言（比如中文）表示，这里称为跨语言信息检索。
2．查询语种和检索语种：
查询语种是用户查询请求所属语种 ,检索语种是检索目标对象所属语种 ,如何能够在这两者之间建立起沟通的桥梁是目前跨语言信息检索技术研究最核心和关键的问题。(具体过程和概念可参考王昊的《跨语言信息检索实现方法与关键技术探讨》或20050907笔记)
二、跨语言信息检索的优化技术
1．查询扩展
查询扩展是在用户输入检索提问后 ,采取一定策略 ,对用户的检索要求进行扩充 ,前提是添加的词汇必须是受控且与原检索词相关。通常利用同义词典来进行查询扩展。
首先 ,使用用户的检索式检索出排列好的文档 ,然后，在前面几篇文档中抽取ｍ个出现频率最多的词进行查询扩展。从时间上看 ,查询扩展可分为翻译前进行、翻译后进行、二者兼有三种方式。
2．检索反馈技术(ＲｅｔｒｉｅｖａｌＦｅｅｄｂａｃｋＴｅｃｈｎｉｑｕｅ) 在跨语言信息检索中,通过一次检索往往得不到想要的结果(目的文献),这时就需要通过检索结果中反馈的信息对提问式检索方法或翻译方法进行改进。特别是当用户和信息系统进行交互式检索文献时,适当的用户反馈相当重要,大量的实验也表明使用检索反馈技术可以极大地改善ＣＬＩＲ系统。
3. 关于消除检索词的多义性的研究-----共现技术(Ｃｏ-ＯｃｃｕｒｒｅｎｃｅＴｅｃｈｎｉｑｕｅ) 无论什么语种,一词多义现象都是普遍存在的。对提问式来说,确定提问式中检索词的确切含义是查询扩展的基础;对于被检索信息来说,明确信息中出现的检索词的含义,是提高检索准确率、确定信息相关性的关键。这里，利用一种词的共现技术(Ｃｏ ｏｃｃｕｒｒｅｎｃｅ),来消除词的多义性,以明确其含义。词的共现技术,就是若两个有一定关联的词共同出现在某一篇文献或者文献的某一个部分,就可以非常容易确定其含义的技术。例如,ｃｏｕｎｔｒｙ既有“国家”之义,又有“乡村”之义。如果ｃｏｕｎｔｒｙ和ｍｕｓｉｃ同时出现,那么它的含义很多情况下应该是“乡村”之义;如果ｃｏｕｎｔｒｙ和ｏｕｒ同时出现的话,那么它的含义很多情况下应该是“国家”之义。
第二节、基于Ontology的跨语言信息检索
传统的检索技术主要是基于关键字的全文检索技术和基于分类的检索技术。但是，它们的结果往往会返回大量无关信息，这样用户需要花时间排除无关信息，才能找到真正想要的信息。而且，传统的信息检索寻找的信息可能仅仅是字面本身的信息，但我们想要的是这个信息的概念及其相关的成分，而不仅仅是字面所表达的信息。
所以，这种检索的查准率和查全率都较低。究其根本原因有：
①没有对检索词的含义作限制,计算机无法识别其语义。
②对检索提问形式不做规范,计算机不能“理解”真正的检索意图。
③单纯的字符匹配无法提供基于概念的智能检索。
所以,要想彻底解决上述问题,必须在下面3个方面做改进:
①在用户的检索构造过程中增加语义制导,赋予检索式语义表达功能。
②制定严格规范的语法规则,规范检索结果的输出格式,便于检索结果的共享和重用。
③加强搜索引擎的推理功能,在完成对信息源搜索的基础之上,依据相关的背景信息实现基于概念的智能检索。
为此提出了一种基于语义的跨语言信息检索模型Ｏｎｔｏ－ ＣＬＩＲ,该模型在传统跨语言信息检索技术的基础上,利用本体 (Ontology)在知识表示和知识描述方面的优势,以解决从查询语言到检索语言之间转换过程中出现的语义损失和曲解等问题,从而保证在检索过程中能够有效地遵循用户的查询意图,获得预期的检索信息。结果表明采用基于本体的跨语言信息检索方法之后检索的查全率和查准率平均提高,有效地改善了检索性能。
一、相关的概念和技术
1．本体（Ontology）
目前国内对Ontology的研究仍处于探索阶段,关于Ontology的中文译法也不统一,有“本体”、“概念集”、“概念体系”、“本体论”等多种提法,我们暂且称之为“本体”。
在哲学上，本体指对客观事物的本质的描述，是客观现实的抽象本质。本体的概念在引入计算机领域后，被赋予了更为具体的含义，一个本体定义了组成主体领域的词汇的基本术语和关系，以及用于组合术语和关系一起定义词汇的外延的规则。即：要建立一个本体，首先要识别所面对领域的基本术语和这些术语之间的关系，然后要识别组合这些术语和关系的规则，并提供这些术语和关系的定义。最终，科学家Studer给本体下了这样的定义：“Ontology是共享概念模型的明确的形式化规范说明。” Ontology能够将领域中的各种概念及概念之间的关系显示地、形式化表达出来,从而将术语的语义表达出来,因而在语义查询方面发挥着重要作用。
本体的定义包含了四层含义：
概念模型：是指通过抽象出客观世界中一些现象的相关概念而得到的模型，它表示的含义独立于具体的环境状态。该抽象模型类似于一个字典或术语表，一般由领域内的一组概念、公理和关系组成。但是，Ontology不仅是一个字典，这是因为它提供了一个基础良好的结构用于建立更高层的知识。Ontology中的术语经过了精心选择以确保定义是最基础、最抽象的概念。
Ontology在整体上形成了一个语义网。概念之间有4种基本关系:
Part of表达概念部分与整体的关系;
Kind of表达概念间的继承关系,类似面向对象中的父类和子类之间的关系;
Instance of表达概念间实例和概念之间的关系,类似面向对象中的对象和类之间的关系;
Attribute of表达某个概念是另一个概念的属性,例如概念“价格”可以作为概念“桌子”的一个属性。
在实际应用中,概念之间的关系将不会局限于上述4种关系,可以根据特定领域的具体情况定义相应的关系,以满足需要。
明确、显式：指出了Ontology中所使用的概念及使用这些概念的约束都有明确的、显式的定义和说明。
形式化：指Ontology所包含的内容应该被计算机所理解，以便于计算机的处理。
共享：Ontology中体现的是共同认可的指示，它不是某个个体私有的，而是可以被一个群体所接受的，反映的是相关领域中公认的概念集，从而实现系统间的知识共享和新系统的知识重用。共享和重用是使用Ontology带来的重要优势。
总之，Ontology通过对概念的严格定义和概念之间的关系来确定概念的精确含义，以表示共同认可的、可共享的知识。因此把现实世界中某个应用领域抽象或概括成一组概念及概念之间的关系，构造出这个领域的Ontology，会使计算机对该领域的信息处理大为方便。
2 . Ontology在概念检索中的作用
Ontology在概念检索中具有以下方面的作用:
1)消除自然语言理解中的歧义,明确概念涵义。检索流程的第一步就是通过人—机界面接口输入检索提问式,那么如何消除计算机对自然语言理解所产生的歧义,也就是让计算机“理解”人们检索的真正意图就显得尤为重要。可是由于自然语言具有丰富多彩的表达形式,有大量的同义词、近义词、多义词存在,计算机要自动识别检索词的准确含义就需要借助特定的工具———Ontology。利用Ontology中概念和概念约束的明确规范说明,可以帮助系统在多个可能的意义中选择最适合的意义。例如:在“春天/里/百花/开放”中,“开放”具有歧义。通过词典的语义映射,它对应下列意思:①(花)展开;②解除封锁、禁令、限制等;③性格开朗等。根据概念之间的约束,只有第一个概念是描述植物的状态,因此可以判断出在这个例子中“开放”的意义应该是“展开”。
2)根据相关概念进行推理,挖掘隐含信息。推理是找出文本中没有明显表示出来或者有转义的意义,系统利用Ｏｎｔｏｌｏｇｙ中缺省的知识填充空缺的意义, 信息。比如专家甲和他的合作者乙的资料。假定现在的页面显示是:在甲的主页上提到了合作者是乙,但是在乙的网页上没有提及合作者的信息。根据Ontology定义中“合作者”成对出现原则，由于合作关系是相互对应的,即甲是乙的合作者,则乙肯定也是甲的合作者,从甲主页的合作者信息就可以推导出乙的合作者就是甲,所以说合作者甲就是乙主页上的隐含信息。
系统还可以通过计算Ontology中概念的距离找出句子的转义。如在例子:“英雄驾驶飞机起飞了”中,根据“驾驶”概念中包含的位置约束,驾驶员必须位于其驾驶的交通工具内,可以推理出英雄的位置是在飞机里。推理是从一个概念集找到和它相关的另一个概念集,因为Ontology中所有概念都是相互联系的,理论上说可以推导出结果,但是如果Ontology足够大的话,推理的效率将大大降低。因此,在推理时应注意控制搜索的进程,以保证它是面向目标的。
3．建立一个Ontology的基本过程
建立一个Ontology的基本过程包括以下步骤：
1）确定Ontology所覆盖的范围
这是建立一个Ontology所必须的最初步骤。也就是说我们必须清楚所建立的Ontology将覆盖的领域是什么，所要建立的Ontology将用于何处，Ontology中的信息必须回答哪一类的问题，谁将使用和维护Ontology等。
2）考虑重用现有的Ontology
考虑重用和扩展别人所做的工作总是十分有用的。现阶段我们可以很容易地获得不少电子版的Ontology，而且它们可以被导入到我们正在使用的Ontology开发环境中。Ontology的表达形式通常并不重要，因为很多知识表示系统不能理解某个特定的Ontology表示形式，将Ontology从一种形式转换成另一种形式已是一种比较简单的工作。
3）将关注域中的重要术语--概念列举出来，给出明确的定义以及他们的属性和性质。
4）定义类和类之间的关系
类和类之间的关系有很多种，比如is-a关系，part-of关系等等，它们体现的是概念之间的相互关系。
5）明确属性并描述其准许的赋值，为实例的属性赋值。一旦我们定义了一些类，我们就必须详细阐述这些概念的内部结构，这样一个类才有真正的意义。
4．基于Ontology的信息检索方法
1)关于模型实用性的验证
信息检索模型的检索性能的基本评价指标是查准率Ｐ( precision)和回调率Ｒ(recall) ：
查准率 :Ｐ=Ｒa/Ａ
回调率 :Ｒ=Ｒa/Ｒb
其中 ,Ａ为检索出的文档数目 ,Ｒb为所有相关的文档数目 , Ｒａ 为检索出的相关文档数目 。
下面从理论上来验证本文提出的基于本体的信息检索模型的实用性 .
设有 3个文档 ，文档 1、文档 2、文档3。文档 1中有字符串x ,它由本体中定义的词汇Ｘ来标记 ;文档 2中有字符串 y,它由本体中定义的词汇Ｙ来标记 (两个等价的概念表达同样的语义,考虑本体中所定义的概念间的等价关系：Ｘ和Ｙ属于同一个等价类 ) ；文档 3中有字符串x,它由本体中定义的词汇Ｚ来标记.用户信息需求x,它由本体中定义的词汇Ｘ来标记.根据该想定,我们知道,实际上与用户信息需求相关的是文档1和文档2。
分析：按照传统的信息检索模型,只能基于语法层次来进行检索,根据用户信息需求x,返回文档1和文档3,此时的查准率是0.5,回调率是0.5.按照本文的基于本体的信息检索模型,可以基于语义层次来进行检索,根据用户信息需求ｘ的语义标记Ｘ,返回文档1和文档2,此时的查准率是1,回调率是1.可见,由于基于本体的信息检索模型利用了本体中定义的词汇,从而实现了语义层次的检索所以较传统的信息检索模型更为优越.
2)基于Ontology的信息检索方法
一般，基于Ontology的信息检索的基本步骤如下：
⑴在领域专家的帮助下，建立相关领域的Ontology。领域Ontology（Domain Ontology）,是专业性的Ontology，提供了某个专业学科领域中概念的词表以及概念之间的关系，或在该领域里占主导地位的理论。构建领域Ontology，可以解决在用户间或软件代理间达成对于信息组织结构的共同理解和认识，也可以复用专业领域知识，使专业领域内的假设变的更加具体、明确。建立领域Ontology可以形式化地表示并分析专业领域的知识，为基于知识的信息检索提供基础。
⑵收集信息源中的数据，并参照已经建立的Ontology把收集起来的数据按规定格式存储在元数据库中。
⑶对用户检索界面获取的查询请求，查询转换器按照Ontology把查询请求转换成规定的格式，在Ontology的帮助下从元数据库中匹配出符合条件的数据集合，然后返回给用户。
二．基于Ontology的Onto-CLIR模型
通常的ＣＬＩＲ方法的主要思路是对查询语言进行翻译之后使用翻译结果来进行检索 ,最终的检索结果的准确率 (查准率和查全率 )难以令人满意 ,这很大程度上是因为翻译结果的不准确性所造成的。因此我们考虑使用本体作为搜索引擎的语义核心 ,充分利用其在知识表示和语义描述上的特性和优点 ,将语义处理结合到模型中去。为了验证该语义模型的正确性和有效性 ,我们假定使一个英 -汉信息检索平台作为研究对象 ,并选择了一个专门的知识领域来进行研究。
基于本体的ＣＬＩＲ语义模型主要分为三个部分 :基于字典的翻译模块、基于本体的语义模块以及单一语种的信息检索模块 ,结构示意图如下 :
在该语义模型中 ,我们首先构造了一个双语 (英 -汉 )本体库 ,对相关领域如体育类信息中的知识进行描述 ,包括体育方面的术语、专用名词、各术语和名词之间的关系以及相应的规则和公理进行表示 ,并且对每一类的概念都有实例库与之对应 ,其内容如下 :
概念集Ｃ ,包括 {Ｓｐｏｒｔｓｍａｎ运动员 ;Ｔｅａｍ球队 ;Ｃｌｕｂ俱乐部 ;Ｃｏａｃｈ教练 ;…… }。
概念层次ＨＣ,例如“Ｃｌｕｂ俱乐部”概念下有“ＳｏｃｃｅｒＣｌｕｂ足球俱乐部”“ＢａｓｋｅｔｂａｌｌＣｌｕｂ篮球俱乐部”等子概念 ,“ＳｏｃｃｅｒＣｌｕｂ足球俱乐部”下分“ＩｔａｌｉａｎＳｅｒｉｅＡＣｌｕｂ意甲俱乐部”、“ＥｎｇｌａｎｄＰｒｅｍｉｅｒＬｅａｇｕｅＣｌｕｂ英超俱乐部”等等。
关系集Ｒ ,包括 {ｂｅｌｏｎｇ隶属 (Ｓｐｏｒｔｓｍａｎ运动员 ,Ｔｅａｍ球队 ) ;Ｔｅａｃｈ执教 (Ｃｏａｃｈ教练 ,Ｔｅａｍ球队 ) ;Ｗｉｎ胜 (Ｔｅａｍ球队 ,Ｔｅａｍ球队 ) ;Ｌｏｓｅ负 (Ｔｅａｍ球队 ,Ｔｅａｍ球队 ) ;…… }。
公理集ＡＯ,包括 {Ａ1:Ｗｉｎ(ａ ,ｂ)→Ｌｏｓｅ(ｂ ,ａ) ;Ａ2:Ｌｏｓｅ(ａ ,ｂ)→Ｗｉｎ(ｂ ,ａ) ;Ａ3:ｉｆ(ａｉｓａＳｐｏｒｔｓｍａｎ)ａｎｄ (ｂｉｓａＴｅａｍ)ａｎｄ (ａ . .ｔｅａｍｎａｍｅ =ｂ)ｔｈｅｎｂｅｌｏｎｇ (ａ ,ｂ) ;…… }。
在基于本体的跨语言信息检索中 ,这种语义级的实现区别于传统的ＣＬＩＲ方式的主要方面在于 :
1） 在查询的跨语言转换过程中 ,并不是一味地采用词典或者其它方式来进行字符级处理 ,而是将查询的关键字进行初步区分 ,对于本体库中的内容能够识别其蕴含的语义 ,并在转换过程中予以保留。
2) 在信息检索过程中 ,也不是采用字符匹配或相关的优化策略来查找目标 ,而是对检索对象进行语义处理 ,分析该语义段落中的潜在目标对象和查询请求的语义相关性 ,从而决定是否将其作为结果返回。
3) 此外 ,还可以采用与用户交互的方式来获取更进一步的语义信息 ,通过用户对反馈的选择更深入地领会其查询意图 ,对查询条件进行修正并重新检索 ,直至用户满意为止。
系统实现
ＣＬＩＲ流程的第一步就是对用户的查询进行分析 ,并将的查询请求Ｑ1, 2,… ,ｎ分为两个部分 :一是在本体库中所覆盖到的关键词哦O1, 2,… ,ｎ,二是不在本体库中的其它单词Ｔ1, 2,… ,ｎ。
首先，分别利用双语本体库以及字典将它们都替换成检索语种的关键字 ,对每一个词条所对应的多个翻译结果均作保留之后 ,连同用户查询的初始内容一起进行下一步处理。
在ＣＬＩＲ语义模型的三个模块中 ,语义模块处在最核心的地位 ,其功能主要包括本体对象获取、实例获取、语义限定和逻辑推理等功能。在接收到翻译模块传递过来的查询内容和翻译结果之后 ,语义模块开始在本体库中查找到O 1, 2,… ,ｎ的语义描述 ,并且对O 1, 2,… ,ｎ以及Ｔ 1, 2,… ,ｎ中的内容进行判断其是否存在关系 ,例如Oｉ 与Oｊ 在与相互之间可能存在本体中定义的关系 ,或者Oｉ 的某个属性的值域包含Ｔｋ,等等 ,这样往往能够对查询请求形成一个语义角度的描述和刻画 ,并且通过对翻译结果的过滤去掉了其中的很多干扰项 ,为检索模块提供了比一般的ＣＬＩＲ方式更准确的信息内容。
在我们的语义模型中检索模块采用的是关键字搜索和上下文语义分析相结合的方式 ,在检索过程中 ,首先对目标文档进行分词 ,然后通过与语义模块之间的交互来获取分词结果中的对象的语义 ,在查询请求和检索对象的语义内容的匹配和比较的过程中进行判断。例如在查询某球队的情况时 ,检索过程将会对被检索文本上下文进行语义分析 ,并与该球队的各项属性进行比较 ,最后得出判断结果并作出取舍。值得一提的是 ,不同的属性在不同的比较中所具有的权重应该是有所差别的 ,这一点对提高检索的性能有着很大的影响。
若干示例：
这里给出我们在对语义模型进行实验时经常遇到的一些典型模式 ,例如Ｔ1,2,… ,ｎ 模式、Ｏ1,2,… ,ｎ模式、Ｏ1,2,… ,ｎ+Ｔ1,2,… ,ｎ模式等等 ,以下将结合模型逐个进行分析和介绍。
1）Ｔ1,2,… ,ｎ模式
此模式即为普通的基于字典的ＣＬＩＲ情况 ,查询翻译结果为字典对每个关键字翻译的选项 ,为简单起见 ,在统计之后 ,我们为每个英文单词选择使用最频繁的中文翻译作为检索对象 ,然后使用基于关键字的匹配方法来进行检索。
2）Ｏ1,2,… ,ｎ模式
此模式的查询由本体中所定义的概念、关系和实例等等组成 ,这样我们就能很容易地根据本体库中的定义判断出用户的查询意图 ,进而使语义的运用在检索过程中得到充分的体现。例如查询Ｏ1,2,… ,ｎ为“拜仁射手王”的有关信息 ,我们可以在本体库的实例中找到“拜仁”是一个球队的对象 ,“射手王”是一个抽象的关系描述 ,被定义为“ａ、ｂ是运动员 ,ｃ是某个球队 赛制 赛事 ,ａ∈ｃ,ａ≠ｂ,ｉｆ( ｂ∈ｃ,ｂ的进球数少于ａ)ｔｈｅｎａ是ｃ的射手王” ,当其属性类型为“球队”和“球员”的时候 ,我们可以用词规则应用到“拜仁”的所有球员实例上 ,继而判断出其“射手王ａ”到底是谁了。这样在查询的时候我们可以有多种方法对潜在的目标对象进行判断 ,如果搜索到涉及“拜仁”和“射手王”或者是“ａ”的信息都可以作为正确内容返回 ,都能在整个检索过程中充分体现本体的语义推理所起到的作用。
3）Ｏ1,2,… ,ｎ+Ｔ1,2,… ,ｎ模式
此模式是上两种模式混合的情况 ,在查询中既出现了已定义的本体信息 ,又出现了本体库不能直接处理的其它单词 ,可以参考前述 ,对本体的语义进行判断 ,过滤掉翻译结果中的干扰项。这种模式有两种情况 ,第一种是Ｔ1,2,… ,ｎ 中的信息与Ｏ1,2,… ,ｎ 中的属性的取值相关 ,例如“英超 19岁以下球员所在球队”中的“球员”、“球队”都是本体库中的对象或者实例 ,“英超”和“19岁”则是“球队”的联赛名称的值以及“球员”的年龄属性的值 ;第二种是Ｔ1,2,… ,ｎ中的信息与Ｏ1,2,… ,ｎ中的属性的取值并不相关 ,这样在进行检索的时候Ｔ1,2,… ,ｎ 作为关键字来匹配具体细节 ,而并不影响Ｏ1,2,… ,ｎ作为语义的载体在检索中起到的作用 ,例如Ｑ1,2,… ,ｎ对应为“英超球队飞行集训”的时候 ,“英超”、“球队”都是本体库中的对象或者实例 ,而“飞行集训”则在本体库中没有涉及到 ,这样在检索的时候将会在大量信息中抽取出联赛名称是“英超”的“球队”对象的相关信息 ,再使用“飞行集训”关键字来进行匹配 ,最终得到想要的信息。
基于语义模型的检索算法
Input:查询请求Ｑ1,2,… ,ｎ
Output:检索的结果集合RetrievalResults (经过标记的文本 )
Begin /* Algorithmbegin*/
RetrievalResults={}(Set Results Null);
TempRrsults={}(Set Results Null);
// QueryTranslation
对Ｑ1,2,… ,ｎ中的每一个单词 :
Begin
1 分类 ,判断其属于Ｏ1,2,… ,ｎ或者Ｔ1,2,… ,ｎ:
2 对Ｏ1,2,… ,ｎ进行语义获取 :对Ｔ1,2,… ,ｎ基于字典进行翻译 ;
End :
// QueryExpansion
对Ｏ1,2,… ,ｎ中的对象使用本体的语义推理来获取更多的信息 ,置入Ｏｎ +1,ｎ+2,… ,ｎ+ｋ;并对Ｔ1,2,… ,ｎ中的单词
进行翻译修剪 ;
// InformatinRetrieval对每一个检索对象 (中文 ) :
Begin
1 分词 ,在本体库的帮助下获取其语义 ;
2 若Ｏ1,2,… ,ｎ+ｋ不为空 ,则提取含有Ｏ1,2,… ,ｎ+ｋ对象的信息到TempResults;否则转 4;
3 若Ｔ1,2,… ,ｎ不为空 ,则对TempResults中的条目使用Ｔ1,2,… ,ｎ来进行关键字匹配 ,得到的结果置入RetrievalResults ;否则直接将TempResults作为RetrievalResults返回 ;
4 因为Ｏ1,2,… ,ｎ+ｋ为空 ,所以Ｔ1,2,… ,ｎ肯定不为空 ,直接使用Ｔ1,2,… ,ｎ来进行关键字匹配 ,得到的结果置入RetrievalResults;返回 ;
End
End /*Algorithmend */
综上所述 ,我们得到了基于语义模型的检索算法 ,主要分为两个部分 ,分别对应前文所述的语义级转换和检索。在算法里 ,集合RetrievalResults和TempResults中分别存放最终返回的结果集以及根据本体检索到的临时结果集 ,初始化时置空。我们使用本体作为查询的语义载体 ,从一开始的查询转化Ｏ1,2,… ,ｎ,到后来的查询扩展Ｏｎ +1,ｎ +2,… ,ｎ +ｋ,都是从语义的角度根据本体库中的定义和推理诠释用户的查询意图。在实验中我们发现此算法对于从原始数据集合到TempResults的查全率效果较好 ,而从TempResults到RetrievalResults的查准率则相对突出 ,这也反映了基于本体的语义检索相对于常规的检索方法的特点所在。
结束
这里在现有的ＣＬＩＲ工作和对本体的研究基础上,提出了一种新的基于本体的跨语言信息检索语义模型,利用本体来解决跨语种转换所造成的语义损失和模糊不清问题,并在信息检索阶段借助本体库协助检索目标的取舍,实验表明了本文方法是有效的。另一方面,对目前的基于本体的应用而言,其对语义信息的利用完全依赖于本体库,因此本体库的语义完整性将很大程度上决定了基于本体应用的有效性。正文提出的基于本体的跨语言信息检索模型也不例外,这也是目前本体研究领域所关注的重要问题之一。
[返回] 计算机科学论坛 →
W3CHINA.ORG讨论区 - Web新技术讨论 → 『 Semantic Web(语义Web)/描述逻辑/本体 』 → 基于Ontology的跨语言信息检索
(订阅本版)
2005/10/31 16:55:00
新浪微博
基于Ontology的跨语言信息检索
