[发明专利]一种根据维基百科中话题信息使查询词项多样化的方法

权利要求书

1.一种根据维基百科中分类信息使查询词项多样化的方法，其特征在于具体步骤如下：

(1)对于候选扩展集T中的每一个词项t_x∈T，设维基百科中的相关话题信息C＝{c₁，c₂，...，c_n}由n个话题组成，根据话题对应方法，为每个词项t_x生成话题分布ζ(t_x)，该分布的概率质量函数记为P{C＝c_i|t_x}＝P(c_i|t_x)；

(2)以步骤(1)求出的|T|个分布，根据相关性函数sim₁、sim₂和参数λ，λ∈[0，1]，利用已知的MMR算法找出多样化此项扩展集合S_k，使得|S_k|＝k，且S_k中的k个词项既与目标查询词t₀相似，又尽可能在话题信息上呈现多样性；其中，MMR算法每一步优化的目标为：

(3)步骤(2)中的sim₁(t₀，t_i)为任意已知求解词项相似性的度量方法；对于sim₂(t_x，t_i)，计算时首先求出t_x和t_i在所有分类信息上的分布ζ(t_x)和ζ(t_i)，然后采用cosine距离来计算相似度，即sim₂(t_x，t_i)＝cos(ζ(t_x)，ζ(t_i))；

步骤(1)中所述话题对应方法的步骤如下：

(a)选择与t₀在分类信息上首次出现的分类c，令C＝{c₁，c₂，...，c_n}为所有c的子分类；

(b)对于分布ζ(t_x)，其概率质量函数P(c_i|t_x)按照如下方法计算：

其中词项t_x的概率P(t_x)在分布的各个分量中都相等，不会影响ζ(t_x)，因此忽略不计算P(t_x)；词项t_x在给定分类信息c_i上的概率P(t_x|c_i)是维基百科中的先验概率，它与查询所在的数据库无关；分类信息c_i的概率P(c_i)则为c_i在数据库上的概率；

步骤(b)中所述P(t_x|c_i)和P(c_i)的计算方法如下：

(b1)词项t_x在给定分类信息c_i上的概率P(t_x|c_i)分为分类短语相关概率P_ph(t_x|c_i)和统计相关概率P_st(t_x|c_i)，P(t_x|c_i)计算式为：

P(t_x|c_i)＝αP_ph(t_x|c_i)+(1-α)P_st(t_x|c_i)

其中，α是调整分类短语相关概率和统计相关概率的权重参数，取值范围为0≤α≤1；

(b2)步骤(b1)中P_ph(t_x|c_i)计算式为：

其中当词项t_x在分类系信息c_i中出现时，否则

P_ph(t_x|c_i)为P(t_x|c_i)的分类短语相关概率；

(b3)步骤(b1)中P_st(t_x|c_i)即词项t_x在文档集D(c_i)中的TF-IDF值，其中文档集D(c_i)是维基百科中分类信息c_i下的所有解释页面；

(b4)P(c_i)的计算式为：其中p＝2，Num_of_terms(c_i)为分类信息c_i中词项的个数；

(b5)步骤(b4)中Imp(t_j)＝PR(tj)×IDF(t_j)，其中PR(t_j)为词项t_j在数据库中的PageRank值，计算时，先按照数据库的模式将数据改写成图数据，然后按照PageRank的方法进行计算；IDF(t_j)为词项t_j在数据库中出现次数的倒数。