一种利用语义信息检索文档的方法

摘要

本发明涉及一种利用语义信息检索文档的方法，属于计算机信息检索技术领域。通过采用基于关键词的用户检索方法，降低了用户使用难度；采用基于距离和稠密度的文档——本体映射方法，提高映射的准确率；采用基于语义的检索方法，利用多本体索引文档的方法，并且采用了一种结合本体的TF‑IDF排序方法，提高了查准率；通过本体语义扩充，提高了系统容纳无效关键词能力，提高了查全率。本方法能够显著提高文档检索的准确率，并且没有带来糟糕的用户交互复杂性。

主权项

一种利用语义信息检索文档的方法，其特征在于:步骤一、建立领域本体：令E为本体实体集合，E＝{e₁,e₂,…,e_n}，n是本体实体总数，为正整数，e_i为本体实体，1≤i≤n，每个本体实体都是本体的子概念或实例；定义所有本体实体E的label信息及label信息对应的语种，L＝{l₁,l₂,…,l_l}，下标l为正整数，本体实例对应不同语种的不同label信息表示为label_ij，i≤n且为正整数，j≤l也为正整数，其含义为e_i对应在l_j的label信息，n和l分别为领域本体的本体实体总数和本体label信息的不同语言类别数；步骤二、为文档建立映射关系：将系统输入的文档D_i解析文字部分Text_i通过分词工具对文档进行分词处理；统计出文档中出现的不同词汇T＝{t₁,t₂,…,t_m}，其中m为正整数，和词汇t_k(1≤k≤m)的词频c_k(1≤k≤m)；对于每一个词汇t_k执行如下操作：1)确定该词汇的语种l_k；2)找到领域本体中所有本体实体E，如果其拥有与词汇t_k相同语种的label信息，便比较本体实体e_k对应在l_k下的label信息与词汇t_v的相似度S_kv，如果相似度大于某一设定的阙值α，0≤α≤1，则认为词汇与本体相似；3)在本体图中标记本体，并累积命中次数ef_ik＝ef_ik+c_k·S_kv，其中ef_ik表示本体实体e_k在文档D_i中的命中次数，初始值为0，查找本体图中的稠密标记区域，并认为该稠密区域的标记本体即为映射本体；4)利用累积命中次数ef_ik，计算出关系强度w_ik，最后将该映射关系以及关系强度存入数据库中：$w_{ik}=\frac{{\mathrm{ef}}_{ik}log(N/{\mathrm{df}}_k)}{\sqrt{{\Sigma }_{E_k\in D_i}{\left[{\mathrm{ef}}_{ik}\log (N/{\mathrm{df}}_k)\right]}^2}}$0≤w_ik≤1，N为文档总数，每当输入一篇新的文档，该值递增1；ef_ik为上文提到的命中次数；df_k为匹配到本体实体e_k的文档总数；E_k∈D_i表示文档D_i匹配到的所有本体实体；步骤三、对于用户查询，进行语义扩展，将用户查询的关键字与各本体进行比较；如为本体类，则依次找到其一层子本体类、二层子本体类、三层子本体类和直接父类以及通过本体属性直接关联的其他本体类；如果该本体为本体属性，则查找该本体属性的所有Domain和Range；将以上扩展的本体标记为扩展本体，并分类分别设定一定的相似度值；步骤四、计算所有文档与查询关键词的匹配度，在实际计算时通过将文档和用户查询式转化为向量形式，计算其余弦相似度Sim(D_i,Q)为最后的评价指标，按照Sim(D_i,Q)数值对文档进行递减排序，返回排序后的文档列表。