信息檢索原理與檢索語言.ppt

第三章 社科信息檢索原理與技術,第一節(jié) 信息檢索原理與檢索語言,第二節(jié) 信息檢索技術,第一節(jié) 信息檢索原理與檢索語言 The Principles and Language of Information Retrieval,信息檢索原理圖,A.信息存儲過程：將大量分散的文獻信息搜集起來，根據其內容特征或外表特征進行標引，形成表征這些文獻信息的特征標識，并存儲在一定的載體上，成為有查詢功能的檢索工具。 B.信息檢索過程：用戶根據自己的信息需求，提出檢索提問，然后使用有關的標引語言（也稱檢索語言）將擬定的檢索提問規(guī)范成檢索標識，用于檢索的過程。,1.信息檢索原理,簡言之，信息檢索原理就是用戶將信息需求轉變?yōu)闄z索系統(tǒng)所能識別的檢索標識，與信息檢索系統(tǒng)中存儲的信息特征進行逐一比對，兩者完全一致或基本一致時，即為檢索命中信息，可按用戶要求從檢索系統(tǒng)中輸出。其檢索結果既可能是用戶需要的最終信息(一次信息)，也可能是用戶需要的信息線索(二次信息)，用戶可據此線索進一步進行判斷、篩選，以獲取所需要的最終信息。,概念： 信息檢索語言就是信息組織和信息檢索時所使用的語言（包括自然語言）。信息檢索語言是文獻信息標引的規(guī)則和標準，標引人員可用它來標引文獻以便將文獻整理、加工、存儲于檢索系統(tǒng)中，同時，檢索人員可用它來表達檢索課題信息的內容，以便把特定文獻從檢索系統(tǒng)中檢索出來。 因此，檢索語言就是一種把文獻的存儲與檢索聯(lián)系起來，把標引人員和檢索人員溝通起來的約定人工語言。,2.信息檢索語言,功能： 對文獻的信息內容及其外表特征加以規(guī)范化的標引 對內容相同及相關的文獻信息加以集中或揭示其相關性 可使文獻信息的存儲集中化、系統(tǒng)化、組織化，便 于用戶按一定的排列次序進行有序化檢索。 便于將標引用語和檢索用語進行相符性比較,例如：有三篇文獻篇名如下： 文獻1：A Model of multimedia information retrieval 文獻2：The Information retrieval in chemistry WWW server 文獻3：ERIC resources 在對信息存儲的過程中，對這三篇文獻內容分別進行了分析，并使用檢索語言對其進行標引，標引結果為： 文獻1：篇名(title)： A Model of multimedia information retrieval 主題(subject)： information retrieval, multimedia computer applications,文獻2： 篇名(title)： The Information retrieval in chemistry WWW server 主題(subject)： chemistry, educational materials 文獻3： 篇名(title)： ERIC resources 主題(subject)： educational materials 標引后這三篇文獻分別被存儲進數據庫。,在信息檢索過程中： 如果用戶輸入“information retrieval”一詞，并將檢索范圍限定在篇名中，則文獻1與文獻2符合用戶要求，成為檢索結果。 如果用戶輸入“information retrieval”一詞，并將檢索范圍限定在主題中，則只有文獻1符合用戶要求，成為檢索結果 如果用戶輸入“educational materials”一詞，并將檢索范圍限定在主題中，則文獻2和文獻3符合用戶要求，成為檢索結果。,在上述例子中，“information retrieval”、 “educational materials”都是檢索語言，篇名和主題則 是檢索語言的標識，檢索系統(tǒng)就是通過他們將用戶需求與 信息內容進行運算匹配，最終找到檢索結果的。 由這個例子可以看出，檢索語言的主要作用就是對文 獻的外部特征和內容進行多層次描述，提供多種檢索途徑 ，以方便用戶從不同角度檢索查找。,（1）分類檢索語言 文獻分類的實質是按照知識體系分類和概念邏輯的方法，對文件的信息進行區(qū)分和歸類。分類語言的詞表即為分類表，它是由眾多類目按照一定的知識分類和概念邏輯秩序，并考慮文獻分類的需要而構成的體系。其中，類目是組成分類語言的基本單元，每一個類目都是一個相同事物構成的集合，體現單一的概念意義或復合的概念意義，表達這些概念意義的自然語言詞語為類目名稱或類名。,2.1 檢索語言的分類, 由于分類語言通常采用字母或數字符號來構詞，因而表達這些概念意義的分類語言詞語就是類目的號碼，即類號，通過自然語言的類名，可以直接的理解類目的含義，借助形勢化符號的類號，可以系統(tǒng)的揭示與組織文獻信息。 文獻分類的意義在于，根據文獻信息的內容特征和分類詞表，把相同內容的文獻集中起來，同時，又把不同內容的文獻信息區(qū)別開來，以實現相關集中的功能。,分類檢索語言的類型有： （1）體系分類法 （2）組配分類法 （3）混合式分類法 使用較多的是體系分類法，其主要特點是按學科、專業(yè)集中文獻，并從知識分類角度揭示各類文獻在內容上的區(qū)別和聯(lián)系，提供從學科分類檢索文獻信息的途徑。體系分類法具有按學科或專業(yè)集中系統(tǒng)地向人們揭示文獻資料內容的功能，這對于希望系統(tǒng)掌握和利用某一專業(yè)范圍的文獻而言，無疑是有效的。,中國圖書館分類法是國家推薦統(tǒng)一使用的分類法，被許多檢索工具采用或改編，分5大部類22大類，類號采用漢語拼音字母與阿拉伯數字的混合號碼，用一個字母代表一個大類，以字母的順序反映大類的序列，在字母后用數字表示大類下類目的劃分，數字的設置盡可能代表類的級位，并基本上遵從層累制的原則。 例如： F經濟（大類） F2- 經濟計劃與管理（二級類） F25 -物資經濟（三級類） F250 -物資經濟理論（四級類） F251.1 -物資管理（五級類）.,由此可見，按體系分類法檢索的長處是，能滿足從學科或專業(yè)角度廣泛地進行課題檢索的要求，達到較高的查全率。查準率的高低與類目的粗細多少有關，類目越細，專指度越高，查準率也越高。但類表的篇幅是有限的，類目不可能設計得很細。因此，分類法只是一種“族性檢索”，而非“特性檢索”。,概念：主題語言是以自然語言的語詞為字符，以規(guī)范化或未經規(guī)范化的名詞術語為基本詞匯，以概念之間的形式邏輯作為語法和構詞法，用語詞字順排列，主題概念以參照系統(tǒng)顯示概念之間關系的一類檢索語言。主題詞又稱敘詞，在標引和檢索中用以表達文獻主題的規(guī)范化的詞或詞組。 類型： 主題檢索語言包括標題詞語言、單元詞語言、敘詞語言和關鍵詞語言，它們可統(tǒng)稱為主題法系統(tǒng),（2）主題語言,選擇主題詞的原則,實用性原則： 所選擇的主題詞應能夠滿足標引文獻和檢索文獻的要求。 準確性原則： 所選擇的主題詞應能夠準確地表達概念的含義。 通用性原則： 應選擇通用的為人們普遍接受的詞語作為主題詞。,概念： 就是將千百年來存在于人類社會生活中自然形成的非正式語言，通過一定的語言處理技術，使之應用于信息檢索系統(tǒng)的信息組織、標引與輸出。而就信息用戶而言，自然語言檢索則主要反映在提問輸入和對話接口的語言檢索方式上。 特點： 對信息檢索領域來說，采用自然語言的方式，可以有效解決潛在語義表達上的不匹配因素，自然語言的語言思維形式，對信息的表達對應性較強，因而有利于形成在語言無損耗意義上的排序輸出問題。,（3）自然語言,自然語言（natural language）檢索用詞是從信息內容本身抽取的，主要依賴于計算機自動抽詞技術完成，輔以人工自由標引，是非規(guī)范詞（uncontrolled term）。 自然語言的標識包括： （1）關鍵詞（keyword）：直接從信息資源名稱、正文或文摘中抽出的代表信息主要內容的重要語詞。這部分有時由人工自由標引進行，如期刊論文中的作者關鍵詞，大部分由計算機標引系統(tǒng)自動完成。 （2）題名：信息資源的名稱，如論文篇名、圖書書名、網站名稱等。,（3）全文： 從資源的全部內容中自動抽取、查找，是目前網上各類搜 索引擎使用得最多的方法。 （4）引文： 將文獻所引用的參考文獻的作者、篇名、來源出版物抽取 出來進行標引。 此外，還有責任人（作者）、摘要