基于檢索結(jié)果排序的偽相關(guān)反饋

　　隨著Web的普及，越來越多的用戶希望從互聯(lián)網(wǎng)上獲取信息。對于目前主流的基于關(guān)鍵詞的搜索方式，用戶必須通過構(gòu)造有限的查詢詞來表達信息需求（ information need）。Carpineto等在查詢擴展綜述中明確指出，大多數(shù)用戶喜歡構(gòu)造短查詢交給搜索引擎，且構(gòu)造的查詢詞多以1-3個詞居多；并且用戶的查詢構(gòu)造本身就是一個抽象的過程，查詢構(gòu)造結(jié)果具有模糊性、不確定性和描述的多樣性。在這種情況下，由于缺乏上下文語境，搜索引擎很難完全理解用戶的查詢意圖，返回的結(jié)果中經(jīng)常會包含大量無關(guān)或相似的文檔。特別是當查詢詞出現(xiàn)歧義時，返回的文檔集會偏向于某一個主題，而該主題往往并不是用戶潛在查詢意圖。如果搜索引擎能夠?qū)⑴c用戶初始查詢構(gòu)造相關(guān)的信息全部返回給用戶，那么，用戶就可以在多個不同查詢結(jié)果中找到自己最想要的結(jié)果。

　　針對傳統(tǒng)偽相關(guān)反饋（PRF）算法擴展源質(zhì)量不高使得檢索效果不佳的問題，提出一種基于檢索結(jié)果的排序模型（ REM）。首先，該模型從初檢結(jié)果中選擇排名靠前的文檔怍為偽相關(guān)文檔集；然后，以用戶查詢意圖與偽相關(guān)文檔集中各文檔的相關(guān)度最大化、并且各文檔之間相似性最小化作為排序原則，將偽相關(guān)文檔集中各文檔進行重排序；最后，將排序后排名靠前的文檔作為擴展源進行二次反饋。實驗結(jié)果表明，與兩種傳統(tǒng)偽反饋方法相比，該排序模型能獲得與用戶查詢意圖相關(guān)的反饋文檔，可有效地提高檢索效果。