基于矩陣分析的語義化web智能檢索平臺(tái)設(shè)計(jì)與研究*

黃 珍 蔡 亮

(蘭州文理學(xué)院數(shù)字媒體學(xué)院 甘肅蘭州 730000)

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)信息總量在不斷增加。信息數(shù)據(jù)的增加使可以開發(fā)的資源變得更多，越來越多的人能夠利用互聯(lián)網(wǎng)做信息的共享、利用和交流，不斷刷新自己的認(rèn)知，創(chuàng)新價(jià)值?，F(xiàn)在，人人基本都會(huì)利用檢索技術(shù)查找信息資源，這種方式也使人們的學(xué)習(xí)生活變得更加容易。目前，各領(lǐng)域?qū)W者都在致力于研究如何在互聯(lián)網(wǎng)環(huán)境中快速簡(jiǎn)單地提取出有價(jià)值的信息。網(wǎng)絡(luò)的表現(xiàn)形式為信息化形式，計(jì)算機(jī)自身是不能理解和處理網(wǎng)絡(luò)信息的，所以在建立信息格式時(shí)存在異構(gòu)，而網(wǎng)絡(luò)語義具有多重性，在檢索、抽取、表達(dá)等方面都存在困難，目前主要的檢索技術(shù)還是利用關(guān)鍵字檢索，應(yīng)用數(shù)學(xué)算法實(shí)現(xiàn)搜索[1]。如何解決檢索過程的語義問題是當(dāng)前研究的重點(diǎn)。在檢索時(shí)加入語義的概念不僅可以實(shí)現(xiàn)網(wǎng)絡(luò)信息的預(yù)處理，而且能夠有效提高交所效率，真正意義的實(shí)現(xiàn)智能化檢索。

Web網(wǎng)絡(luò)可以將人們輸入的智能信息以一種特定的格式顯示出來，所以人們也稱web網(wǎng)絡(luò)是超媒體數(shù)字資源平臺(tái)，web網(wǎng)絡(luò)會(huì)在上面顯示工作序列。語義化web智能檢索平臺(tái)是web網(wǎng)絡(luò)平臺(tái)的一項(xiàng)延伸，在語義化web網(wǎng)絡(luò)中信息擁有明確的格式，人們?cè)谌粘Ｉ钪姓f話會(huì)有一定的語法，但是機(jī)器并不具有人的思想觀念，所以必須通過智能化的手段將更復(fù)雜的語義轉(zhuǎn)給機(jī)器[2]。

基于矩陣分析技術(shù)設(shè)計(jì)并研究了一種新的語義化web智能檢索平臺(tái)，分析了平臺(tái)的基本構(gòu)造，對(duì)平臺(tái)的軟件工作技術(shù)進(jìn)行了深入具體的剖析。文章研究的web智能檢索平臺(tái)是一種針對(duì)整個(gè)互聯(lián)網(wǎng)的檢索平臺(tái)，換言之，是一個(gè)全球性平臺(tái)，擁有全球性的數(shù)據(jù)庫(kù)，能夠精準(zhǔn)詳細(xì)地對(duì)信息進(jìn)行解釋和處理，對(duì)于以后的檢索發(fā)展有重要的指導(dǎo)意義[3]。

1 基于矩陣分析的語義化web智能檢索平臺(tái)框架設(shè)計(jì)

在矩陣分析技術(shù)中，所有的信息都擁有獨(dú)立自主的組織方式和存儲(chǔ)方式，信息檢索實(shí)際上并不只是單單地信息檢索，而是包含信息存儲(chǔ)和信息檢索。所以在設(shè)計(jì)智能檢索平臺(tái)時(shí)也要分兩方面設(shè)計(jì)[4]，所設(shè)計(jì)的基于矩陣分析的語義化web智能檢索平臺(tái)框架如下圖1所示。

圖1 基于矩陣分析的語義化web智能檢索平臺(tái)框架

由圖1可知，信息存儲(chǔ)需要利用多方面的手段去搜索信息，在收集到的信息中進(jìn)行特征分析，根據(jù)一定的形式或者規(guī)則對(duì)信息進(jìn)行存儲(chǔ)，而信息查找是信息存儲(chǔ)的逆過程，在存儲(chǔ)信息以后根據(jù)一定的規(guī)則整理信息，在數(shù)據(jù)庫(kù)中確定用戶需要的信息。

矩陣分析具有極高的自主性，可以快速準(zhǔn)確地對(duì)各個(gè)標(biāo)引程序包含的內(nèi)容作分析，然后進(jìn)行精確提煉，概括出一類信息表達(dá)的主旨概念，最后與檢索關(guān)鍵字對(duì)比[5]。

把信息檢索過程解剖開，可以發(fā)現(xiàn)這個(gè)過程是一個(gè)匹配的過程，是用戶將自己的需求與信息的存儲(chǔ)匹配到一起的過程。如果二者不存在共性，則代表檢索不成功，不能匹配，存儲(chǔ)的信息就不再具有意義。

智能檢索平臺(tái)具有不同的等級(jí)標(biāo)準(zhǔn)，可以劃分成如下幾類：①按檢索對(duì)象可分為文本檢索和圖像檢索[6]。②按匹配方式可分為模糊檢索和精確檢索。③按檢索方法可分為邏輯檢索和嵌套檢索。

檢索本質(zhì)是一種串字符的匹配手段，計(jì)算機(jī)自身不具有轉(zhuǎn)換功能，如用戶輸入“study”這個(gè)單詞，計(jì)算機(jī)只能對(duì)應(yīng)的檢索出英文結(jié)果，不能找到中文“學(xué)習(xí)”這個(gè)詞對(duì)應(yīng)的解釋詞條。而引入矩陣分析的web智能檢索平臺(tái)能夠更加精準(zhǔn)地理解出用戶想要表達(dá)的信息，對(duì)檢索方案做出有效的改善[7]。

2 基于矩陣分析的語義化web智能檢索模型

每一個(gè)信息檢索系統(tǒng)都是利用算法模型來實(shí)現(xiàn)匹配的，在合理查詢信息的基礎(chǔ)上，計(jì)算相似度，按照信息排列相關(guān)的框架和算法。智能檢索模型是智能檢索平臺(tái)的一項(xiàng)核心內(nèi)容，在信息數(shù)據(jù)中尋找關(guān)鍵詞，引用不同的關(guān)鍵詞對(duì)信息做出區(qū)分[8]。在資源空間和信息空間中進(jìn)行匹配存在很大的不確定性，所以需要源源不斷的信息資源投入，這是一個(gè)摸索過程，在摸索中尋求最精的解決方案。

基于矩陣分析的語義化web智能檢索平臺(tái)包括四元內(nèi)容：①尋求數(shù)據(jù)與數(shù)據(jù)之間的邏輯關(guān)系，畫出邏輯關(guān)系視圖；②尋找用戶信息與信息之間的關(guān)系，建立查找集合和任務(wù)列表；④通過數(shù)學(xué)函數(shù)將用戶信息和計(jì)算機(jī)數(shù)據(jù)匹配出來，找出一個(gè)權(quán)重值；④構(gòu)建數(shù)據(jù)框架，分析數(shù)據(jù)與數(shù)據(jù)之間的關(guān)系，把所有數(shù)據(jù)和信息統(tǒng)合到一個(gè)框架中，形成語義化web智能檢索平臺(tái)模型[9]，具體如圖2所示。

圖2 基于矩陣分析的語義化web智能檢索平臺(tái)

根據(jù)相關(guān)度判別各種方法，建立數(shù)學(xué)模型，由于判別方法的不同，所信息檢索模型也不同，包括邏輯模型、空間向量模型和統(tǒng)計(jì)模型[10]。這三種模型都是經(jīng)典模型的延展模型，在檢索時(shí)離不開關(guān)鍵詞。在文檔數(shù)據(jù)中，存在一些簡(jiǎn)單名詞，關(guān)鍵詞不能離開數(shù)據(jù)庫(kù)中的文檔數(shù)據(jù)。需要特別指出的是，用戶絕大多數(shù)搜索的關(guān)鍵詞都是名詞，相對(duì)于副詞和其他類連接詞而言，名詞的語義更加容易確定和識(shí)別[11]。當(dāng)然并非所有的關(guān)鍵詞都可以與文檔中的詞對(duì)應(yīng)，需要在一系列關(guān)鍵詞中找出一個(gè)權(quán)重值，根據(jù)關(guān)鍵詞的重要性來進(jìn)行搜索[12]。

(1)布爾檢索模型。布爾檢索邏輯模型是最簡(jiǎn)單的檢索模型，在布爾邏輯中向用戶提出問題，選擇一組有效的指引詞，按照布爾邏輯劃分，在數(shù)據(jù)庫(kù)中搜索，每個(gè)提問都會(huì)得到一個(gè)對(duì)應(yīng)的邏輯匹配值。在布爾邏輯檢索模型中用戶需要一個(gè)簡(jiǎn)單的框架，在框架中羅列出各個(gè)提問的優(yōu)點(diǎn)，可以完成快速檢索，檢索的結(jié)果也十分豐富。但是布爾檢索模型的檢索策略過于僵硬，只局限在關(guān)鍵詞的檢索，對(duì)于同義詞、近義詞和模糊性語句，布爾檢索模型的檢索效果往往不盡人意[13]。

(2)向量空間模型。也可以稱其為代數(shù)模型，具有很高的創(chuàng)造性，能夠精準(zhǔn)地揭示出文檔與數(shù)據(jù)之間的關(guān)系，但是復(fù)雜度和要求都要高于其它模型。向量空間模型包括屬性向量、數(shù)據(jù)向量和提問向量，在空間正產(chǎn)生不同的權(quán)重值，利用權(quán)重值決定檢索文獻(xiàn)之間的相關(guān)度。通常相關(guān)度越大，文檔數(shù)據(jù)與檢索數(shù)據(jù)的匹配能力越強(qiáng)。

向量空間模型引用最多的函數(shù)就是余弦函數(shù)，在計(jì)算出各維空間中的文檔數(shù)量和提問數(shù)量中測(cè)量余弦夾角，當(dāng)提問向量和搜索向量余弦夾角一致時(shí)，則代表二者相關(guān)性最強(qiáng)[14]。向量空間模型擁有自己獨(dú)立的排序系統(tǒng)，在檢索后把根據(jù)相關(guān)度排列出來，相關(guān)系數(shù)越大，證明二者接近。

(3)概率檢索模型?；诟怕逝判蛟砼帕形臋n之間的關(guān)系。提問和數(shù)據(jù)不僅存在某種關(guān)系，而且存在某種概率上的聯(lián)系，所以判斷二者概率關(guān)系也能很容易地確定出檢索結(jié)果是否有效。概率模型不需要尋找一個(gè)特定函數(shù)，只要找出相關(guān)度即可[15]。

隨著信息技術(shù)的發(fā)展，各種各樣新的模型被不斷提出，概率推理檢索模型具有一定的代表性。在一個(gè)概率推理模型中存在大量節(jié)點(diǎn)，包括文檔節(jié)點(diǎn)、數(shù)據(jù)節(jié)點(diǎn)、信息管理節(jié)點(diǎn)，能夠針對(duì)抽象文本、實(shí)體文本和特征文本進(jìn)行描述[16]。在查詢時(shí)，用戶只要查詢某一節(jié)點(diǎn)即可。概率推理可以借助概率推理理論分析網(wǎng)絡(luò)節(jié)點(diǎn)之間的相關(guān)性，這種方式的理論基礎(chǔ)較為堅(jiān)實(shí)。

上述三種模型為經(jīng)典模型的延伸模型，目前也有一些模型是上述三種模型的延伸模型，檢索質(zhì)量更好，檢索效率更高。

3 基于矩陣分析的語義化web智能檢索平臺(tái)工作結(jié)構(gòu)

語義web可以與現(xiàn)有的所有網(wǎng)絡(luò)平臺(tái)實(shí)現(xiàn)無縫對(duì)接，應(yīng)用服務(wù)能力極強(qiáng)。傳統(tǒng)的網(wǎng)絡(luò)只能根據(jù)現(xiàn)有的要求去連接，但是在web語義平臺(tái)中，就能夠?qū)⒉煌挠蛞淮芜B接到一起[17]。

在矩陣分析的基礎(chǔ)上研發(fā)的web智能檢索平臺(tái)工作結(jié)構(gòu)如圖3所示。

圖3 基于矩陣分析的語義化web智能檢索平臺(tái)工作結(jié)構(gòu)

由圖3可以看出，一個(gè)智能檢索平臺(tái)中包含多個(gè)層次：URI(統(tǒng)一字符編碼)、XML、本體、邏輯、證明、信任[18]，具體如下：

(1)統(tǒng)一字符編碼層是web智能檢索平臺(tái)的編碼基礎(chǔ)層，能夠?qū)⒖绲貐^(qū)的字符編碼統(tǒng)一成為一個(gè)標(biāo)準(zhǔn)格式。在統(tǒng)一編碼層中用于標(biāo)準(zhǔn)的編碼字符集，即國(guó)際通用字符集，當(dāng)所有的信息資源精確成一個(gè)字符集后，精確檢索信息工作就會(huì)變得更加容易[19]。

(2)第二層為NS層，是基礎(chǔ)層的進(jìn)一步延展層，能夠?qū)π畔①Y源進(jìn)行基礎(chǔ)的編程，分析檢索詞的語法結(jié)構(gòu)。NS可以按照結(jié)構(gòu)、內(nèi)容和數(shù)據(jù)將標(biāo)記的語言分離，同時(shí)允許用戶做自行標(biāo)記，記錄發(fā)布的信息。NS層對(duì)文檔類型有一定的定義，可以通過標(biāo)簽約束關(guān)鍵詞與關(guān)鍵詞之間的結(jié)構(gòu)[20]。文檔機(jī)制通常可以從語法上表示數(shù)據(jù)內(nèi)容和結(jié)構(gòu)，在格式化語言中表現(xiàn)信息資源。數(shù)據(jù)結(jié)構(gòu)和內(nèi)容的分離處理使計(jì)算機(jī)在理解結(jié)構(gòu)化語義和非結(jié)構(gòu)化語義上面更加容易。

(3)第三層是資源描述層，可以根據(jù)提供的語義模型描述資源，為資源描述提供一種有效的解決方式。資源描述層自身對(duì)于數(shù)據(jù)沒有特殊的規(guī)定，但是在描述時(shí)，需要利用一個(gè)固定的體系。資源描述層具有很強(qiáng)的開放性，利用機(jī)器描述數(shù)字語言[21]。

(4)第四層是檢索擴(kuò)展層，可以分析各個(gè)資源之間的關(guān)系，展示資源與資源之間的關(guān)系，挖掘資源的進(jìn)一步含義，信息按照內(nèi)容和結(jié)構(gòu)分離，這種分離方式是一種完全意義的形式化分離，對(duì)計(jì)算機(jī)的數(shù)據(jù)理解能力有很高的要求。

(5)第五層是邏輯層，不僅能夠推斷規(guī)則，同時(shí)也能提供智能化服務(wù)[22]。

(6)第六層為證明層，根據(jù)各項(xiàng)函數(shù)以及數(shù)據(jù)與數(shù)據(jù)之間的關(guān)系，證明邏輯層的檢索結(jié)果是否正確。

(7)第七層為信任層。Web智能化檢索平臺(tái)必須要有相關(guān)的認(rèn)證理論和信任機(jī)制，根據(jù)這些信任機(jī)制確保建立的語義web是安全且有效的。用戶在網(wǎng)絡(luò)中不僅要建立合作的關(guān)系，還會(huì)有適當(dāng)?shù)慕灰祝栽摍z索平臺(tái)必須是安全可靠的，只有這樣才能真正意義上的實(shí)現(xiàn)廣泛使用。

5 實(shí)驗(yàn)研究

為了檢測(cè)文章設(shè)計(jì)的基于矩陣分析的語義化web智能檢索平臺(tái)的實(shí)際檢索效果，與傳統(tǒng)檢索平臺(tái)進(jìn)行了對(duì)比，設(shè)計(jì)了對(duì)比實(shí)驗(yàn)。

5.1 實(shí)驗(yàn)參數(shù)

實(shí)驗(yàn)參數(shù)如表1所示。

表1 實(shí)驗(yàn)參數(shù)

5.2 實(shí)驗(yàn)過程

根據(jù)設(shè)定的參數(shù)進(jìn)行實(shí)驗(yàn)，選用傳統(tǒng)檢索平臺(tái)和文章研究的智能化檢索平臺(tái)同時(shí)檢索幾個(gè)關(guān)鍵詞，對(duì)比檢索時(shí)間和檢索內(nèi)容的相關(guān)度，分析兩種平臺(tái)的實(shí)際工作效果。

5.3 實(shí)驗(yàn)結(jié)果與分析

(1)檢索時(shí)間。觀察圖4可知，在搜索同一內(nèi)容時(shí)，傳統(tǒng)平臺(tái)消耗的時(shí)間要多與文章研究的智能檢索平臺(tái)。如檢索內(nèi)容為2kb時(shí)，傳統(tǒng)檢索平臺(tái)花費(fèi)的時(shí)間為1.1μs，而文章研究的智能化檢索平臺(tái)花費(fèi)的時(shí)間為0.21μs。

圖4 檢索時(shí)間實(shí)驗(yàn)結(jié)果

(2)檢索相關(guān)度實(shí)驗(yàn)結(jié)果。由圖5可知，智能化檢索平臺(tái)相對(duì)于傳統(tǒng)平臺(tái)檢索到的內(nèi)容與關(guān)鍵詞的相關(guān)度更高。如當(dāng)檢索內(nèi)容為20kb時(shí)，傳統(tǒng)系統(tǒng)檢索到的結(jié)果與關(guān)鍵詞相關(guān)度為5%，文章系統(tǒng)檢索到的結(jié)果與關(guān)鍵詞相關(guān)度為16%。

圖5 檢索相關(guān)度實(shí)驗(yàn)結(jié)果

5.4 實(shí)驗(yàn)結(jié)論

由實(shí)驗(yàn)結(jié)果可知，傳統(tǒng)的檢索平臺(tái)和文章的檢索平臺(tái)都可以根據(jù)關(guān)鍵詞和輸入的信息進(jìn)行檢索工作，但是在檢索同一類型的信息時(shí)，文章研究的智能檢索平臺(tái)檢索耗費(fèi)時(shí)間要遠(yuǎn)遠(yuǎn)少于傳統(tǒng)檢索平臺(tái)。而且在短時(shí)間內(nèi)文章研究的智能檢索平臺(tái)可以檢索到大量相關(guān)性內(nèi)容，但是傳統(tǒng)的檢索平臺(tái)檢索的內(nèi)容和關(guān)鍵詞相關(guān)度相差很大。

綜上所述，基于矩陣分析的語義化web智能檢索平臺(tái)檢索的能力要遠(yuǎn)遠(yuǎn)好于傳統(tǒng)的檢索平臺(tái)，消耗的成本更低，給用戶帶來的搜索體驗(yàn)更好，更加值得推廣和使用。

6 結(jié)束語

矩陣分析是一種有效的計(jì)算機(jī)智能技術(shù)，可以賦予計(jì)算機(jī)人工性思維，在各個(gè)領(lǐng)域都有廣泛的應(yīng)用。利用矩陣分析技術(shù)設(shè)計(jì)了一款語義化web智能檢索平臺(tái)，該款平臺(tái)將最先進(jìn)的智能技術(shù)引入其中，在布爾檢索模型、向量空間模型和邏輯模型三種模型上進(jìn)行延展，通過統(tǒng)一字符編碼層、NS層、資源描述層、檢索擴(kuò)展層、邏輯層、證明層和信任層來完成檢索工作。不僅能夠有效提高檢索質(zhì)量，同時(shí)也能提高檢索速度，廣泛適用于各種網(wǎng)絡(luò)檢索。文章研究的智能化檢索平臺(tái)缺少一定的實(shí)踐，在未來的使用中可能會(huì)出現(xiàn)一些未知性的問題，有待進(jìn)一步驗(yàn)證。