一種多視角新聞信息快速檢索方法

摘 "要： 信息檢索一直是數(shù)據(jù)挖掘研究的重要領(lǐng)域，也是情報(bào)搜集的重要手段。如果采用人工手動(dòng)搜索方式在數(shù)據(jù)庫(kù)中檢索信息，檢索效率較低。為此，以新聞信息搜集為應(yīng)用背景，以提高信息檢索效率為目的，提出了一種多視角新聞信息快速檢索方法。該方法以用戶需要檢索的多視角新聞描述信息為檢索依據(jù)，利用關(guān)鍵詞權(quán)重分割法處理多視角新聞描述信息來(lái)構(gòu)建詞匯向量，以詞匯向量在新聞信息庫(kù)中的檢索結(jié)果為依據(jù)來(lái)構(gòu)建詞匯檢索向量，以向量相似度計(jì)算模型為信息篩選規(guī)則，在新聞信息庫(kù)中快速檢索并篩選出用戶需要搜集的新聞信息。文中給出了所提方法的設(shè)計(jì)模型、涉及的關(guān)鍵技術(shù)實(shí)現(xiàn)策略、數(shù)據(jù)處理流程以及實(shí)驗(yàn)對(duì)比分析。實(shí)驗(yàn)結(jié)果表明，該方法能夠根據(jù)用戶指定的多視角新聞描述信息，在新聞信息庫(kù)中快速高效地檢索并篩選出符合用戶需求的新聞文章信息。

關(guān)鍵詞： 多視角； 新聞信息； 信息檢索； 快速檢索方法； 詞匯向量； 詞匯檢索向量； 向量相似度計(jì)算

中圖分類號(hào)： TN919?34； TP391.1 " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " "文章編號(hào)： 1004?373X（2024）18?0057?08

Method of fast news information retrieval from multiple perspective

ZHANG Zhiqiang1， 2， ZHANG Li3， ZHOU Xiaoqing1， 2， WANG Weijun2， LI Zhongwen1， 2

（1. Key Laboratory of Pattern Recognition and Intelligent Information Processing of Sichuan， Chengdu University， Chengdu 610106， China;

2. College of Computer Science， Chengdu University， Chengdu 610106， China;

3. School of Foreign Languages， Sichuan Normal University， Chengdu 610066， China）

Abstract： Information retrieval has always been an important field of data mining research and an important mean of intelligence gathering. If the manual search method is used to retrieve information in the database， the retrieval efficiency is low. Therefore， a method of fast news information retrieval from multiple perspectives is proposed with the application background of news information collection and the purpose of improving the efficiency of the information retrieval. In this method， the multi?perspective news description information that users need to retrieve is used as the retrieval basis， and the keyword weight segmentation method is used to process multi?perspective news description information to build vocabulary vectors. The retrieval results of vocabulary vectors in the news information database are used as the basis to build vocabulary retrieval vectors. The vector similarity calculation model is used as the information screening rule to rapidly retrieve and screen out the news information that users need to collect in the news information database. The design model of the proposed method， the implementation strategy for key technologies involved in the method， data processing flow， and the comparative analysis of experiments are provided. The experimental results show that， according to multi?perspective news description information specified by users， this method can quickly and efficiently retrieve and screen out news article information that meets users′ needs in the news information database.

Keywords： multiple perspective; news information; information retrieval; fast retrieval method; vocabulary vector; vocabulary retrieval vector; vector similarity calculation

隨著“互聯(lián)網(wǎng)+”技術(shù)的發(fā)展，當(dāng)前瞬息萬(wàn)變的信息時(shí)代會(huì)產(chǎn)生大量的新聞?lì)愇恼?，而新聞分析與情報(bào)檢索部門需要利用信息檢索技術(shù)，依據(jù)用戶需求對(duì)大量的新聞信息進(jìn)行檢索，并篩選出用戶需要的新聞文章。檢索操作一般是采用人工手動(dòng)搜索方式在每篇新聞文章中搜索指定信息，進(jìn)行新聞文章的篩選。但當(dāng)新聞信息量非常龐大時(shí)，采用人工手動(dòng)搜索方式進(jìn)行新聞信息檢索和篩選存在效率低、速度慢等問(wèn)題。為了提高信息檢索的速度和效率，需要研究快速高效的信息檢索技術(shù)來(lái)解決人工檢索存在的問(wèn)題。

信息檢索一直是數(shù)據(jù)挖掘研究的重要領(lǐng)域，其在知識(shí)挖掘、信息發(fā)現(xiàn)等方面都具有重要的研究意義，目前已對(duì)信息檢索技術(shù)進(jìn)行了多方面的研究。文獻(xiàn)[1]對(duì)近年來(lái)的SIGIR會(huì)議論文進(jìn)行了分析，提出了信息檢索領(lǐng)域以用戶為中心，檢索模型不斷優(yōu)化、檢索技術(shù)不斷融合發(fā)展、檢索應(yīng)用領(lǐng)域不斷擴(kuò)大的觀點(diǎn)。文獻(xiàn)[2]以數(shù)據(jù)在檢索過(guò)程中面臨的泄露風(fēng)險(xiǎn)為研究背景，詳細(xì)解析了不經(jīng)意關(guān)鍵詞檢索技術(shù)路線，對(duì)該技術(shù)的未來(lái)發(fā)展趨勢(shì)進(jìn)行了分析和探討。文獻(xiàn)[3]以用戶為中心，提出了一種基于用戶需求挖掘的交互式信息檢索方法，并將可視化技術(shù)應(yīng)用于該方法設(shè)計(jì)中。文獻(xiàn)[4?5]將大數(shù)據(jù)分析技術(shù)以及本體知識(shí)庫(kù)融入信息檢索技術(shù)，并設(shè)計(jì)了圖書館信息檢索系統(tǒng)。文獻(xiàn)[6?7]將人工智能技術(shù)融入信息檢索技術(shù)，并設(shè)計(jì)了應(yīng)用于高校和公共場(chǎng)合的圖書館檢索系統(tǒng)。文獻(xiàn)[8]將關(guān)鍵詞檢索和語(yǔ)義檢索技術(shù)相融合，提出了一種應(yīng)用于電影搜索的信息檢索方案。文獻(xiàn)[9]將深度學(xué)習(xí)方法和模型融入信息檢索技術(shù)，設(shè)計(jì)了對(duì)應(yīng)的信息檢索模型。文獻(xiàn)[10]依據(jù)圖像、文本、用戶多維度相似性，提出了面向圖情信息的快速檢索優(yōu)化算法，該算法可以解決識(shí)別率低的問(wèn)題。文獻(xiàn)[11?14]對(duì)中文文本語(yǔ)義相似度進(jìn)行了研究，提出了基于語(yǔ)義相似技術(shù)的相似度計(jì)算方法。文獻(xiàn)[15]以提高文本相似度的準(zhǔn)確性為目標(biāo)，提出了基于句向量的文本相似度計(jì)算方法。文獻(xiàn)[16?17]對(duì)短文本相似度進(jìn)行了研究，提出了短文本相似度計(jì)算方法。

雖然已有學(xué)者對(duì)信息檢索技術(shù)進(jìn)行了研究，但以新聞信息搜集為應(yīng)用背景，對(duì)新聞文章進(jìn)行多視角快速檢索的方法還較少。為此，本文以LexisNexis新聞文章信息庫(kù)檢索和篩選為研究背景，提出了一種多視角新聞信息快速檢索方法。將用戶需求的多視角新聞描述信息轉(zhuǎn)換為向量進(jìn)行處理，并利用向量相似度計(jì)算模型進(jìn)行新聞文章的篩選。實(shí)驗(yàn)結(jié)果表明，該方法具有可適應(yīng)性和設(shè)置靈活性，能夠以動(dòng)態(tài)設(shè)定的準(zhǔn)確度來(lái)實(shí)現(xiàn)新聞文章的快速篩選。

1 "快速檢索方法的目標(biāo)

由于數(shù)據(jù)庫(kù)信息量一般都非常龐大，故需要使用快速檢索方法，依據(jù)用戶需求進(jìn)行特定數(shù)據(jù)的快速獲取。為此，快速檢索方法的目標(biāo)為：在前期構(gòu)建的新聞信息庫(kù)中，依據(jù)用戶檢索的多角度需求對(duì)信息庫(kù)中的新聞文章進(jìn)行快速檢索，從而快速篩選出用戶需求的新聞文章信息，為后期情報(bào)分析和處理提供新聞數(shù)據(jù)源。快速檢索方法在情報(bào)信息搜集和分析處理流程中的階段如圖1所示。

2 "快速檢索方法的設(shè)計(jì)

快速檢索方法實(shí)現(xiàn)的關(guān)鍵是：依據(jù)用戶檢索需求構(gòu)建有效的新聞視角詞匯向量和新聞視角詞匯檢索向量，并在此基礎(chǔ)上建立向量相似度計(jì)算模型，通過(guò)該模型進(jìn)行多視角新聞文章信息的快速篩選操作。

2.1 "新聞視角詞匯向量的構(gòu)建

對(duì)新聞信息的檢索，一般是依據(jù)用戶提出的新聞視角描述信息，從新聞信息庫(kù)中篩選出與新聞視角吻合的新聞文章。為此，首先需要利用權(quán)重分割法對(duì)新聞視角描述信息進(jìn)行詞匯分割，并構(gòu)建新聞視角詞匯向量；其次，依據(jù)字符信息在新聞信息檢索過(guò)程中的重要程度（一般可以依據(jù)用戶的需求進(jìn)行分析確定），對(duì)新聞視角描述信息串進(jìn)行分割，生成新聞視角詞匯angle_wordi

（1≤i≤新聞視角描述信息分割的總詞匯數(shù)），同時(shí)依據(jù)不同詞匯的重要程度，對(duì)不同詞匯angle_wordi設(shè)定不同的權(quán)值wi，詞匯越重要，其權(quán)值設(shè)置越大。權(quán)值設(shè)定規(guī)則如表1所示，設(shè)定的權(quán)值最大值為2。在快速檢索方法中，權(quán)值等級(jí)設(shè)定規(guī)則也可以依據(jù)用戶需求進(jìn)行動(dòng)態(tài)調(diào)整。

基于上述分析，按照權(quán)重分割法的策略對(duì)某個(gè)需要檢索的新聞視角描述信息進(jìn)行分割，以（angle_wordi，wi）為數(shù)據(jù)項(xiàng)單位，構(gòu)建一個(gè)新聞視角詞匯向量A，公式如下：

[A=（angle_wordi，wi）1≤i≤m] " "（1）

式中：（angle_wordi，wi）表示該新聞視角描述信息的第i個(gè)帶權(quán)詞匯分量，wi表示詞匯angle_wordi的權(quán)值；m表示向量A的總分量數(shù)。由此可見，針對(duì)某個(gè)新聞視角描述信息可以構(gòu)建一個(gè)帶權(quán)詞匯的新聞視角詞匯向量。

本文根據(jù)用戶提出的多個(gè)新聞視角描述信息，對(duì)每個(gè)新聞視角描述信息串進(jìn)行分割處理，從而構(gòu)建多個(gè)帶權(quán)詞匯的新聞視角詞匯向量組B，公式為：

[B=（A1，A2，…，Aj，…，An）T， " 1≤j≤nAj={（angle_wordi，j，wi，j）T1≤i≤mj}] " "（2）

式中：B為n個(gè)向量Aj組成的向量組；Aj表示依據(jù)第j個(gè)新聞視角描述信息串構(gòu)建的新聞視角詞匯向量；mj為Aj的總分量數(shù)；n為基于用戶檢索需求的新聞視角個(gè)數(shù)。

2.2 "新聞視角詞匯檢索向量的構(gòu)建

在新聞信息檢索過(guò)程中，檢索準(zhǔn)確度對(duì)于檢索效率至關(guān)重要。為了提高檢索的準(zhǔn)確度，需要確定新聞視角詞匯向量中每個(gè)詞匯在新聞信息庫(kù)中的分布情況，從而為后期向量相似度計(jì)算提供依據(jù)。

針對(duì)B中的新聞視角詞匯向量Aj，提取Aj的每個(gè)詞匯分量angle_wordij（1≤i≤mj，1≤j≤n），在新聞信息庫(kù)的每篇文章中檢索，從而發(fā)現(xiàn)每個(gè)詞匯angle_wordij在新聞文章中的分布情況；再依據(jù)詞匯出現(xiàn)在新聞文章中的不同位置，標(biāo)識(shí)出該詞匯的分布權(quán)值k。如：有些詞匯可能會(huì)出現(xiàn)在新聞文章標(biāo)題、新聞文章熱點(diǎn)描述、新聞文章正文描述等中；而有些詞匯則沒(méi)有出現(xiàn)在新聞文章中。分布權(quán)值k表示詞匯對(duì)新聞文章信息匹配的重要程度，k值越大，表示詞匯在某篇新聞文章中分布的位置越重要。本文k值的設(shè)定規(guī)則如表2所示。另外，k值設(shè)定規(guī)則仍然可以依據(jù)新聞文章格式變化而進(jìn)行動(dòng)態(tài)調(diào)整。

根據(jù)B中新聞視角詞匯在新聞文章里的檢索結(jié)果，構(gòu)建新聞視角詞匯檢索向量組[B']，公式如下：

[B'=（A'1，A'2，…，A'j，…，A'n）T， "1≤j≤nA'j=（Cj，1，Cj，2，…，Cj，index，…，Cj，p）， "1≤index≤pCj，index=（angle_wordi，j，index，ki，j，index）T1≤i≤mj， " " " " " " " " 1≤index≤p] "（3）

式中：Cj，index為Aj中詞匯分量angle_wordij（1≤i≤mj，1≤j≤n）檢索新聞信息庫(kù)的第index篇新聞文章后，構(gòu)建的新聞視角詞匯檢索向量；index為新聞信息庫(kù)中被檢索的新聞文章編號(hào)（新聞文章編號(hào)在構(gòu)建新聞信息庫(kù)時(shí)已確定）；ki，j，index表示檢索第index篇新聞文章后，詞匯angle_wordij在該篇新聞文章中的分布權(quán)值；[A'j]為利用第j個(gè)新聞視角詞匯向量Aj檢索新聞信息庫(kù)中的p篇新聞文章后，構(gòu)建的新聞視角詞匯檢索向量組；p為新聞信息庫(kù)中包含的新聞文章總篇數(shù)；n為基于用戶檢索需求的新聞視角個(gè)數(shù)。

2.3 "向量相似度計(jì)算模型的構(gòu)建

新聞信息檢索效率主要取決于檢索準(zhǔn)確度，而檢索準(zhǔn)確度又依賴于新聞視角描述信息和新聞文章信息的文本相似度。為此，構(gòu)建向量Aj與[A'j]中的向量Cj，index相似度計(jì)算模型，利用該計(jì)算模型判斷第index篇新聞文章內(nèi)容是否為滿足檢索第j個(gè)新聞視角描述信息需求的新聞文章。

兩個(gè)向量Aj與Cj，index相似度計(jì)算模型公式如下：

[corr（Aj，Cj，index）=cosθj_index=Aj·Cj，indexAj×Cj，index， " " " " " " " " " " " " " " " "1≤j≤n，1≤index≤pAj·Cj，index=i=1mjwi，j×ki，j，indexAj=i=1mjwi，j×wi，jCj，index=i=1mjki，j，index×ki，j，indexθj_index=Aj，Cj，index] "（4）

式中：[θj_index]為第j個(gè)新聞視角詞匯向量[Aj]與新聞視角詞匯檢索向量Cj，index的夾角；cos θj_index為向量[Aj]和向量Cj，index的相似度corr（[Aj]，Cj，index）。corr（[Aj]，Cj，index）值越大，表示向量Cj，index與向量[Aj]的夾角[θj_index]越小，則說(shuō)明在新聞信息庫(kù)中第index篇新聞文章內(nèi)容與檢索第j個(gè)新聞視角描述信息需求越能夠得到滿足。

向量間的夾角變化如圖2所示，在圖2中，θj_alt;θj_b，表示第a篇新聞文章內(nèi)容比第b篇新聞文章內(nèi)容更滿足第j個(gè)新聞視角描述信息的檢索需求。

由此可見，以第j個(gè)新聞視角描述信息為檢索條件，利用式（4）計(jì)算[Aj]和Cj，index的相似度，然后依據(jù)設(shè)定的篩選閾值來(lái)判斷第index篇新聞文章是否符合篩選需求，隨著index值的變化，可以從新聞信息庫(kù)中快速篩選出符合檢索需求的新聞文章。

2.4 "本文方法的數(shù)據(jù)處理流程

本文方法實(shí)現(xiàn)了新聞視角詞匯向量組構(gòu)建、新聞視角詞匯檢索向量組構(gòu)建、向量相似度計(jì)算、新聞文章篩選等，多個(gè)步驟的處理流程見圖3。

1） 依據(jù)已構(gòu)建的新聞信息庫(kù)（包括每篇新聞文章的新聞編號(hào)、新聞?lì)}目、新聞時(shí)間、新聞內(nèi)容長(zhǎng)度、新聞熱點(diǎn)描述信息、新聞?wù)膬?nèi)容等），利用權(quán)重分割法對(duì)用戶需要檢索的第j個(gè)新聞視角描述信息進(jìn)行詞匯分割，并構(gòu)建新聞視角詞匯向量Aj。如果新聞視角描述信息有多個(gè)，則分別構(gòu)建由多個(gè)新聞視角詞匯向量組成的新聞視角詞匯向量組B。

2） 從向量組B中依次提取每個(gè)向量Aj，利用向量Aj中詞匯分量，依次對(duì)新聞信息庫(kù)中的每篇新聞文章進(jìn)行檢索；再根據(jù)檢索結(jié)果構(gòu)建對(duì)應(yīng)的向量組[A′j]，并入B′中，由此構(gòu)建新聞視角詞匯檢索向量組B′。

3） 從向量組B中依次提取每個(gè)向量Aj，從向量組B′中依次提取每個(gè)[A′j]，利用向量相似度計(jì)算模型依次計(jì)算向量Aj和[A′j]中的每個(gè)向量Cj，index的相似度corr（Aj，Cj，index）。

4） 依據(jù)步驟3）獲得的向量相似度計(jì)算結(jié)果，從新聞信息庫(kù)中篩選出滿足條件corr（Aj，Cj，index）≥Tj的新聞文章編號(hào)index，其中Tj為第j個(gè)新聞視角描述信息檢索結(jié)果的篩選閾值。篩選閾值可以根據(jù)用戶需求、新聞文章內(nèi)容的類型、用戶對(duì)篩選結(jié)果的后期處理需求等多種因素來(lái)綜合動(dòng)態(tài)設(shè)定。

5） 依據(jù)新聞文章編號(hào)index，從新聞信息庫(kù)中獲取對(duì)應(yīng)的新聞文章內(nèi)容。

3 "實(shí)驗(yàn)與分析

實(shí)驗(yàn)的新聞文章來(lái)源于LexisNexis數(shù)據(jù)庫(kù)2020年實(shí)時(shí)新聞，新聞文章初始存儲(chǔ)格式為Word文件。實(shí)驗(yàn)?zāi)繕?biāo)是按照用戶給定的多個(gè)新聞視角描述信息，對(duì)LexisNexis數(shù)據(jù)庫(kù)中大量的新聞文章進(jìn)行快速檢索，篩選出符合用戶檢索需求的新聞文章，從而提高信息檢索的效率。方法采用Java編程語(yǔ)言實(shí)現(xiàn)。

實(shí)驗(yàn)測(cè)試的樣本數(shù)據(jù)量統(tǒng)計(jì)情況如表3所示。首先從LexisNexis數(shù)據(jù)庫(kù)中獲取新聞文章，然后從Word文件中抽取數(shù)據(jù)構(gòu)建新聞信息庫(kù)。

用戶檢索的新聞視角描述信息設(shè)定如表4所示。

依據(jù)表4的新聞視角描述信息，利用權(quán)重分割法分別對(duì)每類信息進(jìn)行詞匯分割，構(gòu)建三個(gè)新聞視角詞匯向量A1、A2、A3，如表5～表7所示。

在表5～表7中，w為1表示該詞匯為分割分析處理后的詞匯；w為2表示該詞匯是用戶指定需要直接檢索的詞匯（這些詞匯也可以是前面分割處理的詞匯，但依據(jù)詞匯的檢索重要程度來(lái)提高相應(yīng)的權(quán)值）。權(quán)值越高，表示該詞匯在新聞信息檢索過(guò)程中的重要程度越高。

分別用3個(gè)新聞視角詞匯向量對(duì)新聞信息庫(kù)中每篇新聞文章內(nèi)容進(jìn)行檢索，依據(jù)檢索結(jié)果，構(gòu)建了新聞視角詞匯檢索向量組[A′1]、[A′2]、[A′3]，如表8～表10所示。

在表8～表10中，詞匯分布權(quán)值k為3表示該詞匯分布在對(duì)應(yīng)編號(hào)的新聞文章標(biāo)題；k為2表示該詞匯分布在對(duì)應(yīng)編號(hào)的新聞文章熱點(diǎn)描述；k為1表示該詞匯分布在對(duì)應(yīng)編號(hào)的新聞文章正文；k為0表示該詞匯沒(méi)有分布在對(duì)應(yīng)編號(hào)的新聞文章中。

表8數(shù)據(jù)是將向量A1中的每個(gè)詞匯在不同新聞文章中進(jìn)行檢索，再根據(jù)檢索結(jié)果來(lái)設(shè)置詞匯分布權(quán)值k。在新聞文章中的詞匯分布權(quán)值之和越大，后期處理的相似度計(jì)算結(jié)果也會(huì)越大，該篇新聞文章內(nèi)容越符合需要檢索的新聞視角描述信息，從而越有可能被篩選出來(lái)。同理，表9和表10數(shù)據(jù)也符合相應(yīng)的判定思想。

依據(jù)向量相似度計(jì)算模型，對(duì)新聞信息庫(kù)中的新聞文章按照三個(gè)不同新聞視角同時(shí)進(jìn)行快速檢索，篩選結(jié)果統(tǒng)計(jì)如表11所示。

篩選過(guò)程的變化趨勢(shì)如圖4所示。

由表11數(shù)據(jù)可以看出，對(duì)于每一個(gè)新聞視角，相似度值越大，則該方法篩選出的新聞文章篇數(shù)越少，表明能夠篩選出更準(zhǔn)確符合用戶檢索需求的新聞文章。本文依據(jù)實(shí)驗(yàn)樣本新聞文章數(shù)量，以第1個(gè)新聞視角進(jìn)行檢索，獲得的最高相似度值是0.79；以第2個(gè)新聞視角進(jìn)行檢索，獲得的最高相似度值是0.65；以第3個(gè)新聞視角進(jìn)行檢索，獲得的最高相似度值是0.63。

方法篩選出第1個(gè)新聞視角最高相似度值的新聞文章題為“New Layoffs Add to Worries Over U.S. Economic Slowdown”；方法篩選出第2個(gè)新聞視角最高相似度值的新聞文章題為“How Loss of Varsity Teams Can Become a Win”；方法篩選出第3個(gè)新聞視角最高相似度值的新聞文章題為“The Digital Divide Starts With a Laptop Shortage”。對(duì)這些新聞文章內(nèi)容分析后發(fā)現(xiàn)，新聞文章內(nèi)容大致符合用戶需要檢索的相關(guān)新聞視角信息。

當(dāng)按照設(shè)定的篩選閾值進(jìn)行判斷后，可以獲得滿足用戶需求的新聞文章，從而為后期情報(bào)分析與處理提供重要的數(shù)據(jù)源。

由圖4的篩選過(guò)程曲線變化情況也可以看出，以向量相似度計(jì)算模型為新聞信息檢索判定規(guī)則，隨著相似度值增大，篩選出的新聞文章數(shù)量逐步降低，說(shuō)明該方法已篩選出更準(zhǔn)確符合用戶需求的新聞文章。

綜合上述分析可知，采用本文方法能夠快速?gòu)臄?shù)據(jù)庫(kù)中篩選用戶需求的數(shù)據(jù)，解決了人工篩選存在的問(wèn)題。但依據(jù)用戶檢索需求的新聞視角描述信息而構(gòu)建的新聞視角詞匯向量、被檢索的樣本新聞文章信息等因素都會(huì)影響方法的檢索準(zhǔn)確度，為此，可通過(guò)參數(shù)動(dòng)態(tài)調(diào)節(jié)來(lái)進(jìn)一步提高該方法檢索的準(zhǔn)確度。

4 "結(jié) "語(yǔ)

以解決常規(guī)人工檢索存在的問(wèn)題為目的，本文提出一種多視角新聞信息快速檢索方法。該方法利用詞匯向量構(gòu)建詞匯向量檢索模型和向量相似度計(jì)算模型，進(jìn)行新聞文章的快速篩選。本文方法具有參數(shù)設(shè)置靈活性和可適應(yīng)性，實(shí)驗(yàn)分析結(jié)果也證明了該方法的有效性。

參考文獻(xiàn)

[1] 李躍艷，王昊，鄧三鴻，等.近十年信息檢索領(lǐng)域的研究熱點(diǎn)與演化趨勢(shì)研究：基于SIGIR會(huì)議論文的分析[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2021，5（4）：13?24.

[2] 韓宗達(dá)，鄧宇濤，程祥.不經(jīng)意關(guān)鍵詞檢索技術(shù)綜述[J].信息通信技術(shù)與政策，2022（5）：82?90.

[3] 陳樂(lè)，劉迎春.基于用戶需求挖掘的交互式信息檢索算法設(shè)計(jì)[J].計(jì)算機(jī)仿真，2022，39（5）：418?422.

[4] 吳云.大數(shù)據(jù)分析技術(shù)的圖書館信息檢索系統(tǒng)設(shè)計(jì)與研究[J].現(xiàn)代電子技術(shù)，2020，43（19）：167?170.

[5] 黨小琴.基于本體論的數(shù)字圖書館信息檢索技術(shù)[J].科技通報(bào)，2022，38（8）：110?113.

[6] 郭美嬌，金莉.人工智能技術(shù)在高校圖書館信息檢索中的應(yīng)用[J].普洱學(xué)院學(xué)報(bào)，2022，38（3）：22?24.

[7] 陳江淮.人工智能技術(shù)在公共圖書館信息檢索中的應(yīng)用[J].科技資訊，2022，20（17）：205?208.

[8] 王元卓，沈英漢，陸源.漫威電影中的信息檢索[J].大數(shù)據(jù)，2022，8（5）：177?179.

[9] 李康.基于深度學(xué)習(xí)的信息檢索技術(shù)研究[D].成都：電子科技大學(xué)，2021.

[10] 徐繼維.一種面向圖情信息的快速檢索優(yōu)化算法[J].現(xiàn)代電子技術(shù)，2023，46（24）：165?169.

[11] 韓程程，李磊，劉婷婷，等.語(yǔ)義文本相似度計(jì)算方法[J].華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2020（5）：95?112.

[12] 楊宏偉，張紅梅，張?bào)K，等.基于TF?IDF加權(quán)文本語(yǔ)義相似度算法的變電站一鍵順控測(cè)試方法研究[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2023，38（5）：269?278.

[13] 溫雨，王琦，嚴(yán)武軍.基于相似度融合的中文文本相似性度量方法研究[J].信息技術(shù)與信息化，2023（10）：36?39.

[14] 尚福華，張洪銘，解紅濤.基于知識(shí)圖譜與依存句法分析的井控領(lǐng)域文本相似度計(jì)算[J].計(jì)算機(jī)與數(shù)字工程，2023，51（8）：1732?1737.

[15] 劉繼明，于敏敏，袁野.基于句向量的文本相似度計(jì)算方法[J].科學(xué)技術(shù)與工程，2020，20（17）：6950?6955.

[16] 石彩霞，李書琴，劉斌.多重檢驗(yàn)加權(quán)融合的短文本相似度計(jì)算方法[J].計(jì)算機(jī)工程，2021，47（2）：95?102.

[17] 陳樂(lè)，王超群，鄒全，等.基于綜合相似度的短文本匹配算法研究[J].軟件導(dǎo)刊，2023，22（7）：71?78.