面向互聯(lián)網(wǎng)的智能信息檢索技術(shù)研究

目錄
《博士后文庫》序言
前言
第1章 緒論 1
1.1 信息檢索技術(shù)及其發(fā)展 1
1.2 面向搜索引擎的智能信息檢索技術(shù) 2
1.3 查詢意圖理解和相關(guān)性排序 3
1.4 排序?qū)W習(xí) 4
1.4.1 點(diǎn)級排序?qū)W習(xí)模型 5
1.4.2 對級排序?qū)W習(xí)模型 6
1.4.3 列表級排序?qū)W習(xí)模型 7
1.5 智能信息檢索評價指標(biāo) 8
1.6 智能信息檢索相關(guān)應(yīng)用場景 10
1.7 本書研究內(nèi)容及章節(jié)安排 12
參考文獻(xiàn) 14
第2章 基于混合模型的查詢意圖理解 19
2.1 引言 19
2.2 相關(guān)研究工作 20
2.3 查詢意圖分類模型整體框架 21
2.4 查詢向量表示 22
2.5 基于混合模型的查詢意圖分類 23
2.5.1 面向中間類別的意圖匹配 23
2.5.2 面向最終分類的查詢意圖分類 27
2.6 查詢意圖分類方法性能評估 28
2.6.1 實(shí)驗(yàn)設(shè)置 28
2.6.2 對比模型和評價指標(biāo) 28
2.6.3 實(shí)驗(yàn)結(jié)果與分析 29
2.7 本章小結(jié) 30
參考文獻(xiàn) 31
第3章 面向生物醫(yī)學(xué)文本檢索的監(jiān)督式查詢擴(kuò)展 34
3.1 引言 34
3.2 相關(guān)研究工作 35
3.3 監(jiān)督式生物醫(yī)學(xué)擴(kuò)展詞排序方法 36
3.3.1 方法整體流程 36
3.3.2 候選擴(kuò)展詞抽取 37
3.3.3 詞項(xiàng)標(biāo)注策略 37
3.3.4 詞特征抽取 38
3.3.5 排序模型構(gòu)建 41
3.4 監(jiān)督式查詢擴(kuò)展方法性能評估 43
3.4.1 實(shí)驗(yàn)設(shè)置 43
3.4.2 標(biāo)注策略性能評估 44
3.4.3 擴(kuò)展詞特征性能評估 44
3.4.4 損失函數(shù)性能評估 45
3.4.5 整體檢索性能 45
3.4.6 實(shí)驗(yàn)結(jié)果與分析 47
3.5 本章小結(jié) 48
參考文獻(xiàn) 48
第4章 排序?qū)W習(xí)文檔特征生成 51
4.1 引言 51
4.2 相關(guān)研究工作 52
4.3 基于查詢級半監(jiān)督自編碼器的排序模型 54
4.3.1 降噪自編碼器 54
4.3.2 基于Bregman散度的損失函數(shù) 55
4.3.3 查詢約束 56
4.4 半監(jiān)督自編碼排序方法性能評估 58
4.4.1 實(shí)驗(yàn)設(shè)置 58
4.4.2 多種自編碼器強(qiáng)化的排序性能對比 59
4.4.3 多種排序?qū)W習(xí)方法的性能對比 61
4.4.4 與深度排序模型的檢索性能對比 62
4.4.5 特征維度對實(shí)驗(yàn)性能的影響 64
4.4.6 討論 64
4.5 本章小結(jié) 65
參考文獻(xiàn) 65
第5章 直接優(yōu)化信息檢索評價指標(biāo)的排序?qū)W習(xí)算法 70
5.1 引言 70
5.2 相關(guān)研究工作 72
5.3 信息檢索評價指標(biāo) 73
5.3.1 平均排序倒數(shù) 73
5.3.2 期望倒數(shù)排序 73
5.3.3 Q-measure評價指標(biāo) 74
5.4 基于AdaRank的排序特征生成方法 75
5.4.1 特征生成框架 75
5.4.2 基于AdaRank直接優(yōu)化信息檢索評價指標(biāo) 77
5.4.3 基于標(biāo)準(zhǔn)數(shù)據(jù)集的特征生成框架 79
5.5 直接優(yōu)化評價指標(biāo)排序方法性能評估 79
5.5.1 語料庫 79
5.5.2 實(shí)驗(yàn)設(shè)置 80
5.5.3 所提出三種排序算法的性能評估 80
5.5.4 對生成特征集的評價 83
5.5.5 對組合特征集的評價 86
5.5.6 實(shí)驗(yàn)分析與討論 86
5.6 本章小結(jié) 87
參考文獻(xiàn) 88
第6章 融合多重?fù)p失函數(shù)的排序?qū)W習(xí)模型 91
6.1 引言 91
6.2 相關(guān)研究工作 92
6.3 問題定義 92
6.4 融合多重?fù)p失函數(shù)的排序?qū)W習(xí) 94
6.4.1 多種候選損失函數(shù) 94
6.4.2 基于梯度下降的損失優(yōu)化 95
6.4.3 基于加權(quán)損失函數(shù)的重要性進(jìn)行排序 96
6.5 多重?fù)p失函數(shù)融合排序方法性能評估 98
6.5.1 數(shù)據(jù)集和實(shí)驗(yàn)設(shè)置 98
6.5.2 對級損失函數(shù)選擇 98
6.5.3 列表級損失函數(shù)選擇 99
6.5.4 正則加權(quán)策略的效果評估 99
6.5.5 迭代敏感加權(quán)策略的效果評估 100
6.5.6 接力加權(quán)策略的效果評估 100
6.5.7 整體性能比較 101
6.5.8 與其他算法的比較 103
6.6 本章小結(jié) 103
參考文獻(xiàn) 104
第7章 基于排序?qū)W習(xí)的情感原因抽取 107
7.1 引言 107
7.2 相關(guān)研究工作 108
7.3 面向情感原因抽取的排序模型 110
7.3.1 問題定義 110
7.3.2 面向情感原因的子句排序特征 111
7.3.3 面向情感原因的排序模型構(gòu)建 113
7.4 基于排序的情感原因抽取方法性能評估 115
7.4.1 實(shí)驗(yàn)設(shè)置 115
7.4.2 與現(xiàn)有方法的比較 116
7.4.3 排序特征的比較 118
7.4.4 特征詞的性能比較 119
7.4.5 主題模型的特征比較 120
7.4.6 停用詞和情感級別歸一化的影響 120
7.4.7 討論 121
7.5 本章小結(jié) 121
參考文獻(xiàn) 121
第8章 基于預(yù)訓(xùn)練詞嵌入的詞排序模型 125
8.1 引言 125
8.2 相關(guān)研究工作 126
8.3 融合詞嵌入向量的詞排序模型 127
8.3.1 方法基本框架 127
8.3.2 候選擴(kuò)展詞的獲取 128
8.3.3 基于單詞表示的詞特征抽取 128
8.3.4 詞標(biāo)注策略 130
8.3.5 基于排序?qū)W習(xí)的擴(kuò)展詞排序模型 131
8.4 詞排序模型性能評估 132
8.4.1 實(shí)驗(yàn)設(shè)置 132
8.4.2 點(diǎn)級、對級和列表級方法的性能評估 135
8.4.3 與基線模型的結(jié)果比較 139
8.4.4 跨數(shù)據(jù)集訓(xùn)練詞排序模型的有效性 141
8.4.5 參數(shù)選擇過程 141
8.4.6 詞排序模型的分析與討論 143
8.5 本章小結(jié) 144
參考文獻(xiàn) 144
第9章 基于社會化標(biāo)注和主題模型的個性化檢索 148
9.1 引言 148
9.2 相關(guān)研究工作 149
9.3 基于社會化標(biāo)注的個性化文檔檢索 151
9.3.1 文檔重構(gòu) 151
9.3.2 主題模型優(yōu)化 152
9.3.3 個性化文檔檢索 154
9.4 個性化檢索方法性能評估 155
9.4.1 實(shí)驗(yàn)設(shè)置 155
9.4.2 實(shí)驗(yàn)結(jié)果與分析 156
9.5 本章小結(jié) 159
參考文獻(xiàn) 159
第10章 融合語義詞向量的社交媒體文本檢索 162
10.1 引言 162
10.2 相關(guān)研究工作 163
10.3 基于詞向量的微博查詢擴(kuò)展 166
10.4 微博檢索方法性能評估 167
10.4.1 實(shí)驗(yàn)設(shè)置 167
10.4.2 微博檢索偽相關(guān)反饋的參數(shù)選擇 168
10.4.3 實(shí)驗(yàn)對比模型 169
10.4.4 基于詞向量的偽相關(guān)反饋查詢擴(kuò)展性能 170
10.5 本章小結(jié) 172
參考文獻(xiàn) 172
第11章 面向社交媒體的用戶畫像技術(shù) 175
11.1 引言 175
11.2 相關(guān)研究工作 176
11.3 基于兩階段多通路模型融合框架的用戶畫像構(gòu)建方法 178
11.4 融合特征萃取的多粒度卷積神經(jīng)網(wǎng)絡(luò)用戶畫像構(gòu)建方法 179
11.4.1 多粒度用戶特征抽取 180
11.4.2 特征融合層 181
11.4.3 綜合輸出層 183
11.5 基于社交卷積注意力網(wǎng)絡(luò)的用戶畫像構(gòu)建方法 184
11.5.1 基于文本注意力的用戶屬性分類 185
11.5.2 基于文本和社交網(wǎng)絡(luò)注意力的用戶屬性分類 186
11.6 用戶畫像方法性能評估 187
11.6.1 實(shí)驗(yàn)設(shè)置 187
11.6.2 對比模型 189
11.6.3 注意力層的效用 191
11.6.4 文本注意力和社交網(wǎng)絡(luò)注意力的效用 191
11.6.5 注意力可視化 192
11.7 本章小結(jié) 193
參考文獻(xiàn) 193
第12章 面向多樣化排序的醫(yī)療文本匹配 198
12.1 引言 198
12.2 醫(yī)療文本匹配技術(shù)及其研究進(jìn)展 199
12.2.1 醫(yī)療問答技術(shù) 199
12.2.2 面向多樣性的信息檢索 200
12.2.3 面向醫(yī)療文本的排序?qū)W習(xí)方法 200
12.3 面向多樣性排序的醫(yī)療文本匹配方法 201
12.3.1 方法整體框架 201
12.3.2 醫(yī)療答案的標(biāo)注策略 201
12.3.3 排序特征抽取 204
12.3.4 醫(yī)療答案排序?qū)W習(xí)方法 206
12.4 醫(yī)療文本匹配方法性能評估 209
12.4.1 實(shí)驗(yàn)設(shè)置 209
12.4.2 評價指標(biāo) 209
12.4.3 醫(yī)療問題和答案的標(biāo)注 210
12.4.4 對比的排序模型 211
12.4.5 檢索性能評估結(jié)果 212
12.4.6 不同排序?qū)W習(xí)方法的性能評估 213
12.4.7 討論 217
12.5 本章小結(jié) 217
參考文獻(xiàn) 218
第13章 基于膠囊網(wǎng)絡(luò)的醫(yī)療問答研究 221
13.1 引言 221
13.2 基于膠囊網(wǎng)絡(luò)的醫(yī)療問答模型 222
13.2.1 輸入表示 223
13.2.2 交互信息提取 224
13.2.3 雙向膠囊網(wǎng)絡(luò)層 224
13.3 醫(yī)療問答方法性能評估 226
13.3.1 實(shí)驗(yàn)設(shè)置 226
13.3.2 問答模型性能評估 227
13.3.3 所提出模型中不同層的影響 228
13.3.4 隨機(jī)過采樣的影響 228
13.3.5 動態(tài)路由算法中迭代次數(shù)的作用 229
13.4 本章小結(jié) 230
參考文獻(xiàn) 230
第14章 總結(jié)與展望 233
14.1 總結(jié) 233
14.2 展望 235
編后記 237
彩圖