精华内容
下载资源
问答
  • 信息检索复习笔记

    万次阅读 2020-12-17 17:14:46
    信息检索复习 第一讲 搜索 IR(信息检索是什么样的学科): 实质上是融合了文本及多媒体检索、数据挖掘、机器学习和自然语言处理的综合学科 为什么要进行信息检索信息过载 搜索 搜索的过程 从大规模非结构化数据...

    第一讲 搜索

    IR(信息检索是什么样的学科)

    实质上是融合了文本及多媒体检索、数据挖掘、机器学习和自然语言处理的综合学科

    为什么要进行信息检索?信息过载

    搜索

    搜索的过程

    从大规模非结构化数据(通常是文本)的集合(通常保存在计算机上)中找出满足用户信息需求的资料(通常是文档)的过程

    信息检索的本质

    确定文档和查询之间的相关度是IR的核心问题

    IR作为一门学科,是研究信息的获取(acquisition)、表示(representation)、存储(storage)、组织(organization)和访问(access)的一门学问

    信息检索本质:给定一个查询Q,从文档集合C中,计算每篇文档DQ相关度,并排序(Ranking)

    什么是相关度

    相关度是一个查询和文档相关的程度,形式上说,信息检索中的相关度是一个**函数*f*,**输入是查询Q、文档D和文档集合C,返回的是一个实数值 R, R = f(Q,D,C)

    相关度(relevance)不同于相似度(Similarity):

    ​ 相关度通常只有相对意义

    ​ (1)相关取决于用户的判断,是一个主观概念

    ​ (2)不同用户做出的判断很难保证一致

    ​ (3)即使是同一用户在不同时期、不同环境下做出的判断也不尽相同

    定义“相关性”的两个角度:(了解)

    系统角度:系统输出结果,用户是信息的接受者。

    用户角度:观察用户对检索结果的反应,是系统输出向用户需求的投射

    现代信息检索研究中仍然主要采用系统角度定义的主题相关性概念,当然也强调考虑用户的认知因素

    信息检索模型

    描述信息检索中的文档、查询和它们之间关系(匹配函数)的数学模型

    信息检索主要技术

    (1)文本分析(NLP)

    (2)建立索引

    (3)查询,包括查询分析(NLP),相关度计算(和信息检索模型相关)

    (4)排序(实验室评价)

    搜索引擎

    工作原理

    (1) 爬行和抓取

    (2) 文本分析

    (3)建立索引(可能会考的知识点:蜘蛛抓取的页面文件分解、分析,并以巨大表格的形式存入数据库,这个过程即是索引(index).搜索引擎的核心数据结构为倒排文件(也称倒排索引))

    (4)搜索词处理 (5)排序 (6)用户反馈

    搜索引擎评价

    (1) 覆盖面 (2)更新周期 (3)响应速度 (4)排序结果是否满足用户的查询要求

    第二讲 网络爬虫技术

    爬虫定义

    一种自动获取网页内容的程序,从一个或若干初始网页的**URL开始,获取并解析它们,提取它们指向的URL,将提取的url放在队列中,获取队列中的每个URL并重复此过程,直到满足系统的一定停止条件**

    通俗的讲,也就是通过HTML源码解析来获得想要的内容

    爬虫必须具有的功能

    4.1 礼貌性: Web服务器有显式或隐式的策略控制爬虫的访问

    只爬允许爬的内容、尊重 robots.txt

    4.2 鲁棒性: 能从采集器陷阱中跳出,能处理Web服务器的其他恶意行为

    4.3 性能和效率: 充分利用不同的系统资源,包括处理器、存储器和网络带宽

    优先抓取“有用的网页”

    4.4 分布式: 可以在多台机器上分布式运行

    ​ •分布式带来的问题

    ​ –哈希表判重

    ​ •解决方法:

    ​ –A、明确每台下载服务器的分工,即一看到某个URL就知道交给哪台服务器去执行

    ​ –B、批量处理,减少通信的次数

    可扩展性: 添加更多机器后采集率应该提高

    4.5 新鲜度: 对原来抓取的网页进行更新

    4.6功能可扩展性:支持多方面的功能扩展,例如处理新的数据格式、新的抓取协议等

    爬取框架

    3、搜索策略:深度优先, 广度优先

    ​ 实际应用的网络爬虫不是对网页次序的简单BFS或者BFS,而是一个相对复杂的下载优先级排序的方法,管理这个系统的叫做“调度系统”(Scheduler),会有一个Priority Queue。BFS成分更加多一些。

    4、URL 判重

    建立一个散列,其中存放访问过每一个网址

    在其中存放网址经过散列函数计算出的对应的固定长度的散列值

    在平均情况下**O(1)**的时间内查找和更新占用O(n)空间的网址列表

    利用哈希法,URL经过哈希函数得到哈希码,判断是否已经在散列中来判断是否爬取过

    爬虫分类

    •5.1基于整个Web的信息采集(Universal Web Crawling)

    ​ •传统的采集方式

    ​ –作为门户搜索引擎和大型的Web服务提供商的数据收集部分

    ​ –是指从一些种子URL扩充到整个Web的信息采集

    •5.2 增量式Web信息采集 (Incremental Web Crawling )

    •5.3 基于主题的Web信息采集(Focused Web Crawling )

    •5.4 基于用户个性化的Web信息采集(Customized Web Crawling )

    •基于元搜索的信息采集(Metasearch Web Crawling)

    常见的开源爬虫

    Nutch Heritrix

    •包括全文搜索和Web爬虫

    ​ –包括爬虫crawler和查询searcher。

    ​ •Crawler主要用于从网络上抓取网页并为这些网页建立索引。

    Pandas模块

    lxml模块

    lxml是一个HTML/XML的解析库

    •主要功能是如何解析和提取HTML/XML数据

    第三讲 网页分析技术

    网页解析方法

    –一种是将文档看作字符流;

    •正则表达式

    –一种是将文档看作树结构

    •基于DOM

    正则表达式

    1、正则表达式的定义

    正则表达式是对**字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。**

    2、基于正则表达式的信息提取的步骤

    (1)在获取数据前应尽量去除无用部分(2)提取网页内的链接 (3)提取网页标题(4)提取网页内的文本

    3、正则表达式的工具有哪些

    Java java.util.regex包 Python的 re模块

    4、正则表达式匹配特点是什么

    (1)正则表达式匹配速度快

    (2)但表达能力较弱,只具有正规文法的表示能力。

    (3)在对网页内容的信噪比要求不高的情况下可以使用基于正则表达式匹配的爬取程序

    (4)受网页噪音影响较大

    DOM

    5、什么叫做DOM

    文档对象模型(document object model,DOM),DOM将一个XML文档转换成一个对象集合,然后可以任意处理该对象模型。

    DOM将HTML视为树状结构的元素,所有元素以及他们的文字和属性可通过DOM树来操作与访问。

    6、开源HTML解析器(能够列出一两种即可)

    (1)JAVA:HTMLParser,jsoup

    (2)C/C++:htmlcxx

    (3)Python:Beautiful Soup

    bs 解析器

    –使用自带的html.parser解析,

    ​ •速度慢但通用

    ​ •soup = BeautifulSoup(html, “html.parser”)

    –Html5lib

    ​ •不规范的html文本转为规范的文本再进行解析

    ​ 用浏览器的方式解析文档

    –lxml

    ​ •python的一个解析库,

    ​ •支持HTML和XML的解析,

    ​ •支持XPath解析方式

    ​ •而且解析效率非常高

    ​ •lxml只会局部遍历

    两种方法比较

    正则表达式匹配

    (1)正则表达式匹配速度快,但表达能力较弱,只具有正规文法的表示能力。

    (2)在对网页内容的信噪比要求不高的情况下可以使用基于正则表达式匹配的爬取程序

    HTML DOM树

    (1)提取HTML DOM树提取在解析HTML时速度较慢,但其表达能力相当于上下文无关文法

    (2)在网页自动分类等需要进行网页去噪处理的情况时使用基HTMLDOM树的爬取程序

    Python爬虫

    工作过程

    –把URL地址中指定的网络资源从网络流中读取出来,保存到本地

    过滤

    Re

    bs4

    Scrapy shell

    交互终端,不启动爬虫的情况下调试代码

    直接用来测试XPath或者CSS表达式,不用import响应模块

    查看运行的结果方便分析网页,测试表达式是否获取到了数据

    python爬虫框架 Scrapy

    •快速、高层次的屏幕抓取和web抓取框架,

    •用于抓取web站点并从页面中提取结构化的数据。

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2rmF6m42-1608430839949)(C:\Users\yandalao\AppData\Roaming\Typora\typora-user-images\image-20201216162520302.png)]

    •爬虫文件novel_spider.py

    分析需要提取的数据

    ​ •在parse方法中做数据的提取

    ​ •使用Xpath,从页面的HTML Source里面选取要要抽取的数据

    Xpath

    XML路径语言(XML Path Language),它是一种用来确定XML文档中某部分位置的语言

    •XPath基于XML的树状结构,提供在数据结构找寻节点的能力。

    xpath为scrapy中的解析方式

    xpath函数返回的为列表

    ​ –列表中存放的数据为Selector类型数据。

    ​ –解析到的内容被封装在Selector对象中,需要调用extract()函数将解析的内容从Selector中取出

    Scrapy项目

    •制作 Scrapy 爬虫 一共需要四步:

    –新建项目 :新建一个新的爬虫项目

    –明确目标 (编写items.py):明确你想要抓取的目标

    ​ •items.py: 需要提取的数据结构定义文件

    ​ –Item 定义结构化数据字段,用来保存爬取到的数据,

    ​ •修改novel_spider.py : 分析需要提取的数据

    –制作爬虫 (spiders/xxspider.py):制作爬虫开始爬取网页

    –存储内容 (pipelines.py):设计管道存储爬取内容

    yield

    •只要是数据持久化存储,parse方法必须有返回值(也就是return后的内容)

    ​ –return items

    yield将函数转换成生成器。我们可以理解成一种特殊的return方法。

    •yield返回的是一个生成器,也是可迭代对象,有利于减小服务器资源

    •生成器相当于一种方法而不是具体的信息,占用内存小。

    爬取多个网页

    •start_urls

    •起始爬取列表,可以是多个url

    start_urls = (‘http://example.com/page1’, ‘http://example.com/page2’,)

    爬取多层网页

    •解析函数的末尾,通过Request方法对下一个页面手动发起请求

    •**先提取二级页面url,**再对二级页面发送请求

    比较

    •request和bs4

    页面级爬虫,功能

    –并行性考虑不足,性能较

    –重点在于页面下载

    •Scrapy

    网站级爬虫,框架

    并行性好,性能较

    –重点在于爬虫结构

    元搜索引擎

    •元搜索引擎又称多搜索引擎

    •通过一个统一的用户界面帮助用户在多个搜索引擎中选择和利用合适的(甚至是同时利用若干个)搜索引擎来实现检索操作,是对分布于网络的多种检索工具的全局控制机制

    第四讲 爬虫与网站的博弈

    本章知道每个方面的思路和所用工具就可

    Robot 协议

    •网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取。

    User-agent

    •向访问网站提供访问者信息

    •UA字符串在每次浏览器 HTTP 请求时发送到服务器

    –反爬虫

    IP屏蔽

    爬虫:对策

    连接代理服务器

    –写了个IP代理池

    •多个IP并行

    增大爬取时间间隔

    用户登陆

    分析登陆过程的方法

    4.1 发送post请求

    4.2 分析post过程中隐藏的变量名

    4.3 分析 Cookie

    ​ –http 请求带着Cookie

    ​ •它记录了你的用户ID,密码、浏览过的网页、停留的时间等信息,用于用户身份的辨别

    •流程

    ​ –**第一个网页通过GET(****POST)参数提交参数

    ​ •参数序列化成字符串

    ​ •和基础****url 拼接

    ​ •Urllib.request.urlopen**()**

    ​ –后台接受请求,生成cookie,发给用户

    ​ –用户带着Cookie继续访问其他网页

    4.4 携带Cookie访问已登陆网站

    •保存cookie到文件

    •从文件中读取cookie并访问

    •利用cookie模拟登录

    模拟浏览器进行交互

    selenium

    •反爬虫: 用户登陆

    1. –输入用户名
    2. –输入口令

    –点击登陆按钮

    •Selenium用程序模拟整个操作过程

    1. –忽略post或者get方式差异
    2. –不需要知道参数名字

    处理Cookie:

    selenium 获取登录****cookies,

    ​ –selenium有一个 get_cookies() 函数可以帮我们获取当前网页的cookie值

    保存cookies到文件

    并添加cookies自动登录

    AJAX 动态加载

    •通过在后台与服务器进行少量数据交换,AJAX 可以使网页实现异步更新

    在不重新加载整个网页的情况下,对网页的某部分进行更新

    验证码

    图像识别

    6.1 获取图片

    分析网页下载图片

    屏幕截图

    6.2 图片处理 Pillow与PIL模块

    6.3 获取图片中文字内容 ocr

    -6.4 图片滑动验证码

    第五讲 词项词典

    如何建立词项词典?

    一、文档解析(Parsing a document)

    ~~二、词条化 (Tokenization)~~这俩不考

    三、词项归一化 (Normalization)

    四、词干还原 (Stemming)

    五、词形归并 (Lemmatization)

    六、去掉停用词 (Stop Words)

    词项归一化

    将文档和查询中的词条“归一化”成一致的形式(希望USA和U.S.A.之间也能形成匹配 )

    归一化的结果: 在IR系统的词项词典中,形成多个近似词项的一个等价类

    策略:建立同义词扩展表

    a) 为每个查询维护一张包含多个词的查询扩展词表

    b) 在建立索引建构时就对词进行扩展

    词干还原

    a) 通常指去除单词两端词缀的启发式过程

    b) 词干还原能够提高召回率,但是会降低准确率

    词形归并

    a) 利用词汇表和词形分析来减少屈折变化的形式,将其转变为基本形式。

    b) 词形归并可以减少词项词典中的词项数量

    词干还原和词形归并的区别

    a) 代表意义不同。

    ​ i. Stemming通常指很粗略的去除单词两端词缀的启发式过程。

    ​ ii. Lemmatization通常指利用词汇表和词形分析来去除屈折词缀,从而返回词的原形或词典中的词的过程。

    b) 两个过程的区别还在于:

    ​ i. 词干还原在一般情况下会将多个派生相关词合并在一起,

    ​ ii. 而词形归并通常只将同一词元不同屈折形式进行合并。

    c) 词干还原和词形归并,都体现了不同语言之间的差异性

    d) 词干还原过程可能仅返回 s,

    e) 而词形归并过程将返回see或者saw,

    停用词

    a) 应用太广泛,区分度太低

    b) 对这样的词搜索引擎无法保证能够给出真正相关的搜索结果,难以帮助缩小搜索范围,同时还会降低搜索的效率

    消除停用词的优缺点

    a) 优点:

    ​ i. 停用词消除可以减少term的个数

    ​ ii. 缩小搜索范围,

    ​ iii. 提高搜索的效率

    ​ iv. 机器学习文本分类算法的文档的预处理

    b) 缺点:

    ​ i. 有时消除的停用词对检索是有意义的

    如何确定停用词

    a) 查表法

    b) 基于文档频率

    第六讲 中文分词

    分词方法

    a) 基于理解的分词方法

    NLP、语义分析、句法分析

    b) 基于字符串匹配的分词方法

    查字典。

    按照扫描方向:正向匹配和逆向匹配

    按照扫描长度:最大匹配和最小匹配

    a) 优点:简单,占用资源少,可自定义词库

    ​ i. 程序简单易行,开发周期短;

    ​ ii. 仅需很少的语言资源(词表),

    ​ iii. 不需要任何词法、句法、语义资源。

    ​ iv. 可以自定义词库,增加新词

    b) 缺点 : 效果差

    ​ i. Out of Vocabulary

    ​ ii. 歧义消解能力差;

    ​ iii. 切分正确率不高,一般在95%左右。

    c) 基于统计的分词方法

    字与字相邻出现的频率来反应成词的可靠度,统计语料中相邻出现的各个字的组合的频度,当组合频度高于某一个临界值时,我们便可认为此字组可能构成一个词语

    基于统计的分词方法的优缺点:

    a) 优点:

    ​ i. 分词准确度高;

    ​ ii. 能够平衡地看待词表词和未登录词的识别问题。

    b) 缺点:

    ​ i. 局限性,会经常抽出一些共现频度高、但并不是词的常用字组

    ​ ii. 对常用词的识别精度差,时空开销大

    ​ iii. 学习算法的复杂度往往较高,计算代价较大,依赖手工定义的特征工程

    基于HMM的中文分词方法

    HMM作用

    用来描述一个含有隐含未知参数马尔可夫过程。

    隐含状态之间存在转换概率;隐含状态和可见状态之间存在发射概率

    HMM模型是一个五元组:

    StatusSet: 状态值集合

    ObservedSet: 观察值集合

    TransProbMatrix: 转移概率矩阵 A

    EmitProbMatrix: 发射概率矩阵 B

    • –在某一状态下对应到某字的概率
    • –P(Observed[i]|Status[j])
      • •基于观察值只取决于当前状态值这一假设
      • •其实也是一个条件概率

    InitStatus: 初始状态分布

    ​ –句子的第一个字属于{B,E,M,S}这四种状态的概率

    •HMM三要素[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZlhDCqDG-1608430839951)(image\image-20201216190517905.png)]

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BROKijaw-1608430839953)(image\image-20201216190525015.png)]

    HMM模型可以用来解决三种问题

    a) 模型参数学习问题

    b) 预测问题

    c) 评估观察序列概率

    HMM分词

    预测问题,也叫解码问题

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NGSEDXN9-1608430839955)(image\image-20201216190642734.png)]

    Viterbi 算法

    如何分词:将句子中的词看成有可能四个状态BMES,最后求出最有可能的状态序列(根据路径)。就分词成功

    一种动态规划算法,它用于寻找最有可能产生 观测事件 序列的维特比路径——隐含状态序列

    •二维数组 weight[4] [7]

    ​ –4是状态数(0:B,1:E,2:M,3:S),

    ​ –7是输入句子的字数。

    ​ –P(Observed[i]|Status[j])

    ​ »比如 weight[0] [2] 代表 状态B的条件下,出现‘市’这个字的可能性。

    •二维数组 path[4] [15]

    –path[0] [2] 代表 weight[0] [2]取到最大时,前一个字的状态,

    •比如 path[0] [2] = 1, 则代表 weight[0] [2]取到最大时,前一个字(也就是明)的状态是E。

    第七讲 布尔模型与倒排索引

    在这里插入图片描述

    1、什么是信息检索模型

    信息检索模型(IR model),依照用户查询,对文档集合进行相关排序的一组前提假设和算法。IR模型可形式地表示为一个四元组< D, Q, F, R(qi,dj) >

    D是一个文档集合,Q是一个查询集合,R(qi,dj) 是一个排序函数,它给查询qi和文档 dj 之间的相关度赋予一个排序值,F是一个框架,用以构建文档,查询以及它们之间关系的模型

    2、基于内容的信息检索模型有哪些?

    • 集合论模型:布尔模型、模糊集合模型、扩展布尔模型

    • 代数模型: 向量空间模型、广义向量空间模型、潜在语义标引模型、神经网络模型

    • 概率模型: 经典概率论模型、推理网络模型、置信(信念)网络模型

    • 深度学习模型

    3、布尔模型是什么

    一种简单的检索模型,建立在经典的集合论和布尔代数的基础上

    遵循两条基本规则:

    (1)每个索引词在一篇文档中只有两种状态:出现或不出现,对应权值为 0或1。

    (2)每篇文档:索引词(0或1)的集合

    进行查询的时候,用布尔表达式进行匹配,计算二值的相关度。

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Py4ldaW5-1608430839958)(image\image-20201217120733627.png)]

    4、什么是bag of words 模型

    在信息检索中,Bag of words model假定

    (1)对于一个文本,忽略其词序和语法,句法,将其仅仅看做是一个词集合,或者说是词的一个组合,

    (2)文本中每个词的出现都是独立的,不依赖于其他词是否出现,在任意一个位置选择一个词汇都不受前面句子的影响而独立选择的。

    5、搜索引擎核心数据结构倒排文件(Inverted Files)(也叫倒排索引)

    6、什么是倒排索引

    有词项和倒排记录组成,**词项词典:**对于每一个词项,存储所有包含这个词项的文档的一个列表。**倒排记录表:**一个文档用一个序列号docID来表示。

    •建立索引的步骤:

    –词条序列Token Sequence

    ​ •(修改过的词条,文档ID)对 序列

    –排序

    ​ •先按照词条排序,

    ​ •再按照docID排序

    –构建词典和倒排表

    ​ •同一篇文档中多次出现的词被合并

    ​ •分割成词典和倒排表

    9、布尔检索模型的特点是什么

    优点:(1)查询简单,因此容易理解(下面的具体说明理解即可)

    • 布尔模型也许是IR系统中的最简单的模型

    • 是近30年来最主要的商业搜索工具

    • 当前使用的很多系统依然是使用的布尔模型

    • 电子邮件,图书馆分类系统,mac osx的spotlight

    (2)通过使用复杂的布尔表达式,可方便地控制查询结果

    • 同义关系 电脑 OR 计算机

    • 词组 数据 AND 挖掘

    缺点 (1)准确匹配,信息需求的能力表达不足。不能输出部分匹配的情况

    (2)无权重设计 无法排序

    (3)用户必须会用布尔表达式提问,一般而言,检出的文档或者太多或者太少。

    (4) 很难进行自动的相关反馈

    第八讲 向量空间模型

    排序检索

    系统根据文档与query的相关性排序返回文档集合中的文档;有布尔查询自由文本查询两种方式

    Jaccard 系数

    • 一种常用的衡量两个集合A,B重叠度的方法

    • Jaccard(A,B) = |A ∩ B| / |A ∪ B|(回答这个公式即可)

    • Jaccard(A,A) = 1

    • Jaccard(A,B) = 0 if A ∩ B = 0

    • 集合A和B不需要具有同样的规模

    –没有考虑

    ​ •文档长短

    ​ •词项频率(词项在文档中出现的次数)

    ​ •罕见词比高频词的信息量更大,更加具有区分度

    词项频率

    1. 词项t在文档d中出现的次数,记为tft,d)

      一种替代原始tf的方法: 对数词频 原始的词频tf以10为底取对数再加一

    2. 什么是idf:是逆文档频率,idft = log10(N/dft),df是文档频率,指出现词项的文档数目

      文档频率 (Document frequency,df)

      文档频率:出现词项的文档数目

      dft 文档集合中包含t的文档数目

      – 与词项t包含的信息量成反比

      dft <= N (N是文档的总数)

      idf (inverse document frequency)逆文档频率

      idft = log10(N/dft)

      idft 是反映词项t的信息量的一个指标

      – 用log (N/dft) 代替N/dft 来抑制idf的作用

    3. tf-idf是什么

      是信息检索中最著名的权重计算方法,表示t对于文档d的重要程度,词项t的tf-idf 由它的tf和idf组合而成 wt,d=(1+log tft,d) × log10(N/dft)

      (理解一下和重要程度是否符合:tf-idf值随着词项在单个文档中出现次数(tf)增加而增大,tf-idf值随着词项在文档集中数目(df)增加而减小)

    4. [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-s9lj0KLn-1608430839959)(image\image-20201217145033660.png)]

    向量空间模型

    是一个**|V|维实向量空间**(V是词项集合,|V|表示词项个数),空间的每一维都对应一个词项,每篇文档表示成一个基于tf-idf权重的实值向量,向量的维度是词项的个数,文档是空间中的点或者向量,这就是向量空间模型

    向量相似度计算

    余玄相似度:(认为cos(di,q) > cos(dj,q),夹角更小,所以di比dj与q更相关)

    R(d,q) = cos(d,q) = d·q/|d|×|q|

    文档长度归一化

    •一个文档向量除以它的L2 范数(Xi的平方和取根号)就是给这个文档进行了长度归一化

    向量空间模型特点

    优点:

    (1)帮助改善了检索结果。

    (2)部分匹配的文档也可以被检索到。

    (3)可以基于向量cosine 的值进行排序,提供给用户。

    缺点:

    (1)这种方法假设标记词是相互独立的,但实际可能不是这样,如同义词、近义词等往往被认为是不相关的词

    (2)维度非常高:特别是互联网搜索引擎,空间可能达到千万维或更高

    (3)向量空间非常稀疏:对每个向量来说大部分都是0

    第九讲 检索排序

    精确top K 检索及其加速办法

    (一般)步骤:对每个文档评分(余弦相似度),按照评分高低排序,选出前K个结果

    如何加速:

    方法一:快速计算余弦

    方法二:堆排序法N中选K(不对所有文档的评分结果排序而直接选出Top K篇文档)只是缩减了排序这一步骤

    方法三:提前终止计算 (不需要计算所有篇文档的得分

    非精确top K检索

    简答题不用细答,看看了解

    基本思想:找一个文档集合AK < |A |<< N,利用A中的top K结果代替整个文档集的top K结果

    下面的策略就是为了缩减文档的数量

    • 策略一:索引去除(Index elimination)

    ​ 只考虑那些词项的idf 值超过一定阈值的文档

    ​ 只考虑包含多个查询词项

    • 策略二:胜者表(Champion list) 每个词项t对应tf值高的表

    • 策略三:静态得分 不仅相关,还权威,根据相关和权威度加权,对doc进行排序

    • 策略四:影响度(Impact)排序 以词项为单位,串行遍历词项的倒排索引表

    • 策略五:簇剪枝方法—预处理

    Pagerank算法

    •随机游走模型 是个一阶马尔可夫链

    ​ –用来描述不稳定的移动。

    ​ –移动节点随机选择一个方向和速度来从当前位置移动到新的位置

    PageRank的思路:在随机游走过程中访问越频繁的网页越重要

    PageRank的一般定义

    •PageRank一般定义的想法是在基本定义的基础上导入平滑项

    一个一定平稳分布的马尔可夫链:

    ​ M是转移矩阵,–R 是n维向量,表示的就是有向图的一般PageRank

    R=dMR+1dn1R=d M R+\frac{1-d}{n} 1

    ​ •第一项表示(状态分布是平稳分布时)依照转移矩阵M访问各个结点的概率,

    ​ •第二项表示完全随机访问各个结点的概率

    • 第一项表示:•在任意一个网页上,浏览者或者以概率d决定按照超链接随机跳转,这时以等概率从连接出去的超链接跳转到下一个网页
    • 第二项表示:•或者以概率(1-d)决定完全随机跳转,这时以等概率1/n跳转到任意一个网页
    • •第二个机制保证从没有连接出去的超链接的网页也可以跳转出。这样可以保证平稳分布,即一般PageRank的存在,因而一般PageRank适用于任何结构的网络。

    对于一个节点A

    PR(A)=(PR(B)L(B)+PR(C)L(C)+PR(D)L(D)+)d+1dNP R(A)=\left(\frac{P R(B)}{L(B)}+\frac{P R(C)}{L(C)}+\frac{P R(D)}{L(D)}+\cdots \cdot \cdot\right) d+\frac{1-d}{N}

    其中,PR(A)表示页面A的级别,页面Ti链向页面A,L(Ti) 是页面Ti 链出的链接数量

    迭代算法

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CgRIEJHX-1608430839960)(image\image-20201217155401700.png)]

    HITS算法

    了解思想就行

    • 在HITS算法中,对每个网页都要计算两个值**:权威值(authority)与中心值(hub)**

    HITS和PageRank的区别

    a.HITS算法将重要性分为两个值权威值(authority)与中心值(hub),PageRank只计算一个值

    b.HITS和查询有关系,PageRank算法和查询无关

    机器学习排序

    步骤:

    –人工标注训练数据,给出文档和查询相关度

    –文档特征抽取、确定特征数量,文档转化为特征向量

    –学习分类函数、

    -在实际搜索系统中采用机器学习模型

    它有以下3种方法:

    (计算损失函数的方法,也是构造训练集的方法)

    单文档方法

    PointWise Approach

    • 损失函数评估单个 doc 的预测得分和真实得分之间差异

    文档对方法

    PairWise Approach

    • 是判断任意两个文档组成的文档对<D0C1,D0C2>是否满足顺序关系

    文档列表方法

    ListWise Approach

    • 搜索结果列表整体作为一个训练实例

    第10讲 信息检索的评价

    检索评测基础

    、•信息检索系统的目标是较少消耗情况下尽快、全面返回准确的结果。

    测试集由一个文档集、一组信息查询实例、对应于每个信息查询实例的**一组相关文档(由专家提供)**所组成

    无序评测

    查全率和查准率

    无序检索结果的评价

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ri4IinkS-1608430839961)(image\image-20201217161456944.png)]

    查准率(Precision):返回的结果中真正相关结果的比率,也称为查准率, P∈ [0,1]

    召回率(Recall): 返回的相关结果数占实际相关结果总数的比率,也称为查全率,R∈ [0,1]
    P=RRRR+RNR=RRRR+NR P=\frac{R R}{R R+R N} \quad R=\frac{R R}{R R+N R}
    关于召回率的计算:增加一个缓冲池: •对多个检索系统的Top N个结果组成的集合进行人工标注,标注出的相关文档集合作为整个相关文档集合。查准率不变,召回率增大

    精确率,不用它

    平均

    –宏平均(Macro Average): 对每个查询求出某个指标,然后对这些指标进行算术平均

    –微平均(Micro Average): 将所有查询视为一个查询,将各种情况的文档总数求和,然后进行指标的计算

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pBY2WnOS-1608430839962)(image\image-20201217162720957.png)]

    F值(F-measure)

    F值(F-measure):召回率R和查准率P加权调和平均值

    • F1 标准则综合了精度和查全率,将两者赋予同样的重要性来考虑。F1的计算由下面的公式决定(调和平均数)
    F(i,j)=2×recall(i,j)× precision(i,j)recall(i,j)+precision(i,j) F(i, j)=\frac{2 \times \operatorname{recall}(i, j) \times \text { precision}(i, j)}{\operatorname{recall}(i, j)+\operatorname{precision}(i, j)}

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8TG2e0UG-1608430839963)(image\image-20201217162932501.png)]

    调和平均值
    F=21r+1p F=\frac{2}{\frac{1}{r}+\frac{1}{p}}

    排序评测

    R-查准率是什么

    • 计算序列中第R个位置文献的查准率。在公式里指分母

    • R是指与当前查询相关的文档总数.

    • R=10, R-查准率=4/10;

    • R=3, R-查准率=2/3

    查准率/查全率曲线

    横轴查全率,纵轴查准率

    曲线下的面积被称为AP分数(Average precision score)

    去掉锯齿,对一x取最大y

    Mean Average Precision (MAP)是什么

    • 平均查准率均值

    • MAP是多个查询/排名的平均精度

    • 在每个相关文档位置上查准率的平均值,被称为平均查准率 Average Precision (AP)

    也就是对每个查询相关的R-查准率(在R位置上的那个文档是相关的)累计求和取均值

    NDCG是什么

    一种总体观察检索排序效果的方法,利用检索序列加和(每个搜索结果都要有个评价分,越高越好)的思路来衡量。

    第11讲 概率检索模型

    不考推导,只看思想,只有填空

    看不懂,这点分,不要也罢

    Probability ranking principle PRP概率排名原则

    令x代表集合中的文档。令R代表文件w.r.t.的相关性。给定(固定)查询,令R = 1表示相关,而R = 0不相关。

    • 概率检索模型作为一个分类问题

    • 对于某个文档d来说,如果其属于相关文档子集的概率大于属于不相关文档子集的概率,我们就可以认为这个文档与用户查询q
    是相关的。

    • P(R=1|q,d)代表给定一个文档D对应的相关性概率
    • P(R=0| q,d)则代表该文档的不相关概率

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZfmzRkaD-1608430839964)(image\image-20201216194643050.png)]

    概率检索策略

    1. 估计每个词项对相关性的贡献
    2. 合并以查找文档相关性概率
    3. 通过概率降低顺序对文档进行排序

    BIM Binary Independence Model 二元独立模型

    Binary” =布尔值:文档表示为词项的二进制关联向量

    Independence:term在文档中独立出现

    词包模型

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-lpCcQel0-1608430839965)(image\image-20201216195435537.png)]

    BM25

    BM25是信息索引领域用来计算query与文档相似度得分的经典算法

    • 不同于TF-IDF,BM25的公式主要由三个部分组成:
      • query中每个单词t与文档d之间的相关性
      • 单词t与query之间的相似性
      • 每个单词的权重

    目标:对术语频率和文档长度敏感,同时不添加太多参数

    文件生成模型

    ​ 使用多项式分布从词典中独立绘制单词

    ​ 词项频率(tf)的分布遵循二项式分布-由泊**松(Poisson)**近似

    泊松模型

    ​ 假设文档中的词频(tfi)遵循泊松分布

    ​ •“固定间隔”表示文档长度固定…认为大小恒定的文档摘要•…稍后将修复

    第12讲 隐语义空间

    奇异值分解需要了解,但是不考了

    •用前r大的奇异值来近似描述矩阵

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WX65Uzzn-1608430839966)(C:\Users\yandalao\AppData\Roaming\Typora\typora-user-images\image-20201220095654805.png)]

    PCA主成分分析(回忆计算机视觉)

    隐语义分析 LSA

    在这里插入图片描述

    什么是LSA

    1. –使用统计计算的方法对大量的文本集进行分析,
    2. –从而提取出词与词之间潜在的语义结构,并用这种潜在的语义结构,来表示词和文本
    3. 达到消除词之间的相关性和简化文本向量实现降维的目的

    高维的向量空间模型(VSM)表示中的文档映射低维的潜在语义空间

    基本步骤

    (1)建立词频矩阵

    (2)计算矩阵的奇异值分解

    (3)对于每一个文档d,用排除了SVD中消除后的词的新的向量替换原有的向量

    (4)用转换后的矩阵进行文档索引和相似度计算

    LSA优点

    (1)文档和单词都映射到同一个语义空间,所以可以计算文档和文档的相似度,词项和词项的相似度,词项和文档的相似度

    (2)语义空间的维度明显明显少于源单词-文章矩阵

    最关键的性质:每个奇异值对应的是每个“语义”维度的权重

    •将不太重要的权重置为0,可以保留重要的信息,去掉一些信息“枝节”。。枝节信息可能会使本来应该相似的对象不相似

    LSA缺点

    a) 无法解决多义词的问题

    b) 特征向量的方向没有对应的物理解释

    c) SVD的计算复杂度很高,而且当有新的文档来到时,若要更新模型需重新训练

    d) 维数的选择是ad-hoc的

    e) LSA具有词袋模型的缺点,即在一篇文章,或者一个句子中忽略词语的先后顺序

    f) LSA的概率模型假设文档和词的分布是服从联合正态分布的,但从观测数据来看是服从泊松分布的

    概率潜在语义分析 pLSA

    什么是pLSA

    a) PLSA是以统计学的角度来看待LSA,是基于双模式和共现的数据分析方法延伸的经典的统计学方法

    生成模型

    •在概率统计理论中,

    • –生成模型是指能够随机生成观测数据的模型,尤其是在给定某些隐含参数的条件下。
    • 它给观测值和标注数据序列指定一个联合概率分布

    什么是主题模型?

    1. 一篇文档(Document) 可以由多个主题(Topic) 混合而成
    2. 每个Topic 都是词汇上的概率分布
    3. 每个词都是由一个固定的 Topic 生成的

    “文档-词项”的生成模型的训练?

    a) 按照概率选择一篇文档d

    b) 选定文档后,从主题分布中按照概率选择一个隐含的主题类别p(z|d)

    c) 选定后,从词分布中按照概率p(w|z)选择一个词

    PLSA生成文档的过程?

    a) pLSA中生成文档的整个过程便是选定文档生成主题,确定主题生成词

    b) 自动地发现文档集中的主题(分布)

    ​ i. 根据大量已知的文档-词项信息p(w|d) ,

    ​ ii. 训练出文档-主题p(z|d)和主题-词项p(w|z)

    EM算法

    PLSA有哪些应用?

    根据p(z|d)来的

    a) 文本聚类

    b) 文本分类

    PLSA的优势?

    a) 定义了概率模型,而且每个变量以及相应的概率分布和条件概率分布都有明确的物理解释

    b) 相比于LSA隐含了高斯分布假设,pLSA隐含的Multi-nomial分布假设更符合文本特性

    c) pLSA的优化目标是是KL-divergence最小,而不是依赖于最小均方误差等准则

    d) 可以利用各种model selection和complexity control准则来确定topic

    pLSA不足

    •随着document和term 个数的增加,pLSA模型也线性增加,变得越来越庞大;

    •PLSA可以生成其所在数据集的的文档的模型,但却不能生成新文档的模型。

    •EM算法需要反复的迭代,需要很大计算量;

    •概率模型不够完备

    ​ –不是完整的贝叶斯模型

    –文档-主题p(z|d)和主题-词项p(w|z)是直接根据数据估计出来的,没有进一步引入先验

    这两点在LDA模型做了优化

    LDA模型

    什么是LDA模型?

    a) 一个隐含狄利克雷分布的主题模型

    和pLSA主题模型有什么区别

    增加了狄利克雷的先验知识,所有的参数都不是设定的,而是进行了全贝叶斯化,更符合实际的情况

    GENSIM

    Gensim是一个用于从文档中自动提取语义主题的Python库

    第一步、准备训练语料

    第二步、预处理

    ​ –分词(tokenize the documents)、去除停用词和在语料中只出现一次的词

    第三步、文本向量化

    第13讲 词嵌入

    重点:统计语言,表征学习

    统计语言模型

    什么是语言模型和统计语言模型?

    a) 语言模型根据语言客观事实而进行的语言抽象数学建模

    b) 统计语言模型为上下文相关的特性建立数学模型

    语言模型的公式

    –S :一连串特定顺序排列的词ω1,ω2,…,ωn

    a) S 的概率 P(S)等于每一个词出现的概率相乘

    b) P(S) =*P*(ω1)•*P*(ω2|ω1)•*P*(ω3|ω1,ω2)•••*P*(ωn|ω1,ω2,…,ωn-1)

    什么是n-gram语言模型?

    N-1阶马尔可夫假设:

    ​ 假定文本中的每个词ωi和前面的N-1个词有关,而与更前面的词无关

    对应的语言模型称为N元模型(N-Gram Model)

    统计语言模型、n-gram语言模型有什么应用

    • 文本生成、机器翻译

    • 拼写纠错

    • 语音识别

    • 音字转换

    • 分词

    n-gram语言模型的缺点

    a) 简单有效

    b) 只考虑了词的位置关系,

    c) 没有考虑词之间的相似度,词语法和词语义,

    d) 还存在数据稀疏的问题

    文档重复检测

    判断重复的思路:

    –为每一个web文档通过hash的方式生成一个指纹(fingerprint)。

    –将高维的特征向量映射成一个f-bit的指纹(fingerprint),

    通过比较两篇文章的f-bit指纹的Hamming Distance来确定文章是否重复或者高度近似

    shingl算法

    •核心思想是将文件相似性问题转换为集合的相似性问题

    –给定正整数k及文档d的一个词项序列,可以定义文档dk-shingled中所有k个连续词项构成的序列。

    –a rose is a rose is a rose → 4-Grams

    a_rose_is_a

    ​ rose_is_a_rose

    ​ is a rose is

    ​ a_rose_is_a …

    直观上看,如果两个文档的shingle集合几乎一样,那么它们就满足近似重复

    局部敏感哈希 LSH

    局部敏感哈希可以用来降维

    MinHash的用处

    a) 可以用来快速估算两个集合的相似度。

    b) 用于在搜索引擎中检测重复网页。

    c) 它也可以应用于大规模聚类问题

    SimHash的步骤

    a) 分词、hash、加权、合并、降维

    w指的是每个term的权重

    加权:遇到1则hash值和权值正相乘,遇到0则hash值和权值负相乘 例如W(CSDN) = 100101 4 = 4 -4 -4 4 -4 4

    降维:对于n-bit签名的累加结果,如果大于0则置1,否则置0

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-IfucazqJ-1608430839967)(image\image-20201216220909219.png)]

    相似度判断:每篇文档得到SimHash签名值后,接着计算两个签名的海明距离即可

    表征学习和词嵌入

    •表征学习:

    –在机器学习中,表征学习是学习一个特征的技术的集合

    –将原始数据转换成为能够被机器学习来有效开发的一种形式。

    ​ •向量

    •嵌入(embedding)

    ​ –是一种可用于将离散变量表示成连续向量的方法。

    神经网络语言模型

    NNLM

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7JBzTbHC-1608430839968)(image\image-20201217085938669.png)]

    知道这个图各部分意思,下面的word2vec就是改进了一下上面

    word2vec

    •对原始的NNLM模型做如下改造:

    1. –移除前向反馈神经网络中非线性的hidden layer( tanh 隐藏层),直接将中间层的embedding layer与输出层的softmax layer连接;
    2. –忽略上下文环境的序列信息:输入的所有词向量均汇总到同一个embedding layer;
    3. –将future words纳入上下文环境

    •连续词袋模型 CBOW

    根据某个词前面的C个词或者前后C个连续的词,来计算某个词出现的概率

    步骤,PPT非常清晰了

    V是词项数量,N是中间向量那个O的维度

    具体步骤:

    1. 模型输入:上下文的one hot表示方式

      ​ –1xV的向量

      ​ –V 词汇表大小

    2. 输入分别跟同一个VxN的大小的系数矩阵W1相乘得到C个1xN的隐藏层hidden layer,

    3. 然后C个取平均所以只算一个隐藏层

    4. •隐藏层跟另一个NxV大小的系数矩阵W2相乘得到1xV的输出层,

      ​ –这个输出层每个元素代表的就是词库里每个词的事后概率。

    5. •输出层需要跟ground truth也就是“coffee”的one hot形式做比较计算loss

    6. •通过大量的数据迭代,使用梯度下降更新W和W’,来最小化loss函数,

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Yf0THKo1-1608430839969)(image\image-20201217090553751.png)]

    •Skip-Gram Model

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8BKqtI1Y-1608430839970)(file:///D:\360MoveData\Users\yandalao\Documents\Tencent Files\2922610627\Image\C2C\AB502D3E6C82F00132C9127A669EA5E0.jpg)]

    Skip-Gram Model相反,是根据某个词,然后分别计算它前后出现某几个词的各个概率

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-dR2lyz5a-1608430839970)(image\image-20201217091825010.png)]

    Skip-gram–名称源于该模型在训练时会对上下文环境里的word进行采样

    •基于成对的单词来对神经网络进行训练,

    ​ –训练样本是 ( input word, output word ) 这样的单词对

    ​ –input word和output word都是one-hot编码的向量。

    ​ –最终模型的输出是一个概率分布

    ​ •输出层使用了sotfmax。

    •模型的本质:

    ​ 计算输入word和输出word的余弦相似度,并进行softmax归一化(想象一下softmax图像,所有的值都被分配到[0,1]之间的数)

    •直接对词典里的 V 个词计算相似度并归一化,显然是一件极其耗时的impossible mission。为了加快速度优化:

    1. 负采样:
    2. –层次Softmax(Hierarchical Softmax)

    word2vec 应用

    列出所有相似词语列表 和程序猿相似词语,比如攻城狮,比如猝死

    词汇的语义的类比 皇帝-皇后=男-女

    寻找对应关系: 男人——男孩 女人——女孩

    第14讲 图片检索

    图像检索

    跨媒体检索Cross-Media Retrieval

    不同媒体映射到同一低维度空间

    •基于文本的[图像检索技术]TBIR

    ​ –查询词:文本

    ​ –搜索引擎

    ​ •爬虫 图片

    ​ •索引 图片对应的文字,锚文本,URL

    ​ •基于图像周围文本的检索

    ​ •基于链接锚文本的检索

    基于内容的图像检索CBIR

    –用户输入一张图片,以查找具有相同或相似内容的其他图片

    ​ CBIR 的关键技术:图像特征提取和特征匹配

    图像特征

    •图像的特征主要包括低层特征(Primitive Features)和语义特征(Semantic Features)

    –低层视觉

    1. •与图像的具体类型或内容无关,

      –颜色、形状、纹理等

    2. •某些先验知识(或假设)

      –人的面部特征

      –指纹特征

    图片的特征有颜色特征、形状特征、纹理特征

    颜色特征

    底层、直观,鲁棒性强

    颜色特征的表示有几种

    1、颜色直方图(Color Histogram) 直方图,就是CV教的那个,但是是对颜色来的,不是灰度

    ​ 没有体现空间信息,平移尺度旋转不变性

    • **2、颜色相关图(Color Correlogram)**不考

    3、颜色矩(Color Moment)

    –在颜色直方图的基础上计算出每个颜色的矩估计

    4、颜色一致性矢量(Color Coherence Vectors, CCV)

    纹理特征

    一般说纹理就是指在图像中反复出现的局部模式和它们的排列规则

    基于统计特征的纹理特征提取

    1.灰度差分统计法

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DJPGNRYU-1608430839972)(image\image-20201217105234873.png)]

    2.基于灰度共现矩阵的纹理特征 –常用统计量:对比度、相关度、方差、熵

    3.Tamura纹理特征

    •Tamura纹理特征中所有纹理特征都在视觉上有意义。

    对比度(contrast)、粗糙度(coarseness)、方向性(directionality)对于图像检索尤为重要。

    –线像度(1ine likeness)、规整度(regularity)和粗略度(roughness)。

    基于信号处理方法描述纹理特征

    –利用某种线性变换、滤波器或者滤波器组将纹理转换到变换域,

    –然后应用某种能量准则提取纹理特征。

    形状特征

    有一定的语义信息

    •基于轮廓的形状描述符

    1. 链码–差分结果第一位是原链码最后一位和第一位相减的结果。–例如,对于4向链码10030321的一阶差分的结果为03031333

    2. 基于网格的方法

    3. 傅里叶描述子

      –物体轮廓线表示成一个一维的轮廓线函数

      –傅立叶级数中的一系列系数z(k)是直接与边界曲线的形状有关的,称为傅立叶描述子.

      •基于物体轮廓坐标序列的傅立叶描述子具有最佳的形状识别性能.

    4. 感知哈希算法

      •全局特征降维

      (1)对每张图片生成一个**“指纹”(fingerprint)字符串,也就是图片的特征**

      (2)然后比较不同图片的指纹,结果越接近,就说明图片越相似(用海明距离来计算)

      (之前计算文档相似度的局部敏感哈希也是用hash法,比较哈希码的相似度来判断文档相似程度,都是用海明距离)

      那么怎么将图片变为哈希码呢?

      (1)均值Hash算法

      缩小尺寸,收缩色彩度(比如300-64),计算所有像素的灰度平均值,阈值二值化,二值化结果为哈希值

      (2)pHash算法

      (3)颜色分布法–红绿蓝分别有4个区(颜色分段)

      –总共可以构成64种组 4^3。

      •任何一种颜色必然属于这64种组合中的一种——特征为64维向量,计算余弦相相似度

      ​ (4)•内容特征法

      (图片二值化)–原图转成一张较小的灰度图片,确定一个阈值,将灰度图片转成黑白图片

      –两张图片很相似,它们的黑白轮廓应该是相近的

    •基于区域的形状描述符

    大津法Otsu’s method

    a) 证明了 "类内差异最小"与"类间差异最大"是同一件事

    b) 计算方法:

    ​ i. 灰度值小于阈值的像素为 n1 个,

    ​ ii. 大于等于阈值的像素为 n2 个

    ​ iii. w1 和 w2 表示这两种像素各自的比重

    ​ iv. w1 = n1 / n

    ​ v. 类内差异 = w1(σ1的平方) + w2(σ2的平方)

    ​ vi. 类间差异 = w1w2(μ1-μ2)^2

    图像局部特征

    LBP特征

    局部二值模式 Local Binary Patterns,结合了纹理图像结构像素统计关系纹理特征描述方法

    LBP怎么构造

    • LBP算子定义为在3*3的窗口内,

    • 以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素 点的位置被标记为1,否则为0。

    • 3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共256种),即得到该窗口中心像 素点的LBP值,并用这个值来反映该区域的纹理信息。

    LBP的应用中,如纹理分类、人脸分析等,采用LBP特征谱的统计直方图作为特征向量用于分类识别。可将一幅图片化为多个子区域,分别求每个子区域的统计直方图。

    HOG特征

    关键词:cell,梯度直方图,行人检测

    HOG是什么?

    a) 方向梯度直方图,Histogram of Oriented Gradient, HOG

    b) 一种在计算机视觉和图像处理中用来进行物体检测的特征描述子

    c) 通过计算和统计图像局部区域的梯度方向直方图来构成特征

    Hog特征结合 SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功

    HOG特征如何提取?

    a) 灰度化

    b) 采用Gamma校正法对输入图像进行颜色空间的标准化(归一化)

    c) 计算图像每个像素的梯度

    d) 将图像划分成小cells

    e) 统计每个cell的梯度直方图

    梯度直方图,横轴是梯度方向,y轴是在该梯度方向的梯度值的和

    f) 将每几个cell组成一个block

    g) 将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image的HOG特征descriptor了

    HOG算法的优缺点?

    a) 优点

    ​ i. 由于HOG是在图像的局部方格单元上操作,所以它对图像几何的和光学的形变都能保持很好的不 变性,这两种形变只会出现在更大的空间领域上。

    ​ ii. 其次,在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下,只要行人大体上能够保持直立的姿 势,可以容许行人有一些细微的肢体动作,这些细微的动作可以被忽略而不影响检测效果。

    ​ iii. 因此HOG特征是特别适合于做图像中的人体检测的

    SIFT

    SIFT特征是什么

    尺度不变特征转换,Scale-invariant feature transform或SIFT,在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量。

    SIFT特征和HOG特征好处

    SIFT特征不只具有尺度不变性,即使改变旋转角度,图像亮度或拍摄视角,仍然能够得到好的检测效果,Hog没有旋转和尺度不变性

    SIFT有哪几个步骤

    – 步骤一:建立尺度空间

    • 即建立高斯差分(DoG)金字塔

    – 步骤二:在尺度空间中检测极值点,并进行精确定位和筛选

    – 步骤三:特征点方向赋值,

    • 完成此步骤后,每个特征点有三个信息:位置、尺度、方向

    – 步骤四:计算特征描述子

    SIFT特征的匹配是暴力匹配

    图像检索算法

    图像检索算法

    a) 图像检索领域:将局部特征表示成全局特征的编码

    b) 通常继承了局部特征的部分不变性,如对平移、旋转、缩放、光照和遮挡等与语义相关不大的因素保持不变

    三种经典的编码

    a) [BoW](http://yongyuan.name/blog/Bag of visual words model: recognizing object categories)

    b) VLAD局部聚合向量

    c) FV

    BOF

    图像视为文档,局部特征经过聚类后看作一个视觉词汇(也就是词)

    BOF算法先求出特征点,再聚类生成类心,得到视觉词汇,生成直方图(横轴视觉词汇,纵轴频数),再根据TF-IDF调整权重

    查询时,求夹角余弦

    BOF算法流程

    – 1.用surf算法生成图像库中每幅图的特征点及描述符。

    • surf算法是关键点计算和描述算法,作用和SIFT相似。

    – 2.再用k-means算法对图像库中的特征点进行训练,生成类心。

    – 3.生成每幅图像的BOF,

    • 判断图像的每个特征点与哪个类心最近,最近则放入该类心,最后将生成一列频数表,即初步的无权BOF(直方图向量)。

    – 4.通过tf-idf对频数表加上权重,生成最终的bof。

    • 因为每个类心对图像的影响不同。比如超市里条形码中的第一位总是6,它对辨别产品毫无作用,因此权重要减小。

    • TF/IDF

    – 5.对查询图像也进行3.4步操作,生成该图的直方图向量BOF。

    – 6.将查询图像的Bof向量与图像库中每幅图的Bof向量计算相似度

    • 求夹角余弦。

    Fisher vector

    FV考虑了特征点到每个聚类中心的距离,也就是用所有聚类中心的线性组合去表示该特征点

    ​ –FV描述局部特征和GMM中心之间的平均一阶和二阶差异

    VLAD特征

    •可以认为VLAD是FV的简化版本

    •如同BOF先建立出含有k个visual word的codebook,只考虑离特征点最近的聚类中心

    ​ -采用的是计算出local descriptor和每个visual word(ci)在每个分量上的差距,将每个分量的差距形成一个新的向量来代表图片

    展开全文
  • 第五章 信息法与综合性信息检索 目录: 5.1 信息法概述 5.1.1 信息法的概念 从广义上讲,信息法是调整信息活动中产生的各种社会关系的法律规范的总称。 一般来说,信息法由信息资源管理法、政府信息公开法、信息...

    第五章 信息法与综合性信息检索

    目录:
    在这里插入图片描述
    在这里插入图片描述

    5.1 信息法概述

    5.1.1 信息法的概念

    从广义上讲,信息法是调整信息活动中产生的各种社会关系的法律规范的总称。
    一般来说,信息法由信息资源管理法、政府信息公开法、信息保密法、大众传播法、知识产权法、网络信息法等组成,涉及宪法、法律、行政法规、部门规章、地方行政和规章在内的所有关于信息活动和信息工作的法律法规。

    5.1.2 信息法律关系

    信息法律关系是根据信息法规产生的,以主体之间的权利义务关系为表现形式的特殊的社会关系。信息法律关系的主体,又称信息权利主体,是指信息法律关系中的权利享有者和义务承担者。自然人(公民)、法人、国家(政府)这三类主体,是信息法规定的信息主体的法律形态。
    信息法律关系的客体,又称信息权利客体,是信息法律关系主体的权利和义务所指向的对象或称标的。信息法律关系的客体是信息,但并非一切信息,只是那些能够满足信息主体的利益或需要的,同时又能得到国家相关法律确认和保护的信息,才能成为信息法律关系的客体。

    5.1.3 信息法律与信息政策

    现代信息资源管理不仅要依赖于法律的调整,在很大程度上,也需要政策的管理。信息政策是国家机关根据需要制定的有关发展和管理信息事业的方针、原则和办法。它是调整国家信息实践活动并借以指导推动整个信息事业发展的行动指南。信息法律与信息政策作为国家调节信息活动产生的社会关系的两种重要手段,二者既有密切的联系,又有区别。
    在这里插入图片描述

    5.1.4 信息立法

    信息立法是指由一定的国家机关制定信息法律的活动。广义上的信息立法还包括国家认可的行政机关制定行政规章的活动和对有关规范性法律文件进行的修改、补充和废止等活动。在我国,信息立法的形式主要有法律、行政法规、国务院部门规章、地方法规、地方政府规章等形式。

    5.2 知识产权与信息产权

     (一)知识产权内涵的拓展到信息产权理念的提出
     (二)信息产权 (information property)
    信息产权(Information Property)是信息所有者基于信息产品享有的特定性质的人身权和财产权。与知识产权一样,信息产权也是一种无形财产权,它是信息产品法律化的表现。知识是信息的核心。知识产权是信息产权的核心部分,但信息产权的内涵要广于知识产权。

    5.2.1 知识产权的概念与法律特征

    知识产权又称智力财产权、知识所有权,英文为intellectual property,它是指人们对脑力劳动创造的智力成果所依法享有的专有权利。
    “知识产权”概念最早由17世纪中叶的法国学者卡普佐夫提出,后为比利时法学家皮卡尔所发展。1967年签署的《成立世界知识产权组织公约》(WIPO),正式采用“intellectual property”,从此知识产权作为一个法律概念逐步得到世界多数国家和众多国际组织的承认。
    在我国过去一直采用智力成果权来表示这一权利概念,直到1986年颁布的《中华人民共和国民法通则》,才正式启用了知识产权的概念。

    5.2.2 知识产权范围

    根据根据中国《民法通则》规定,知识产权的范围包括
    (1)著作权(文学、科学和艺术作品、计算机软件);
    (2)邻接权(出版物、演出、录音录像以及广播电视节目);
    (3)发现权(科学发现);
    (4)专利权(发明、实用新型、外观设计);
    (5)发明权和其他科技成果权(发明、科技进步、合理化建议、技术改进);
    (6)商标权(商标以及服务标记)。
    在这里插入图片描述

    5.2.3 知识产权法

    知识产权法是国家法律体系中综合调整公民、法人或非法人单位相互之间在创造、使用、转让智力成果过程中形成的社会关系的法律规范的总和。它是著作权法、专利法、商标法等各项与知识产权有关的单一性规律、法规的综合。一般认为,著作权、专利权、商标权是知识产权法律制度的三大支柱。
    在这里插入图片描述

    5.2.4 知识产权制度对社会信息化的影响

     (一)知识产权制度是知识和信息创新的的动力机制
     (二)知识产权制度是信息市场运行的基础机制
     (三)知识产权制度可以增强全面信息意识

    5.3 著作权

    著作权又称版权(copyright),是指作者或其他著作权人依法对文学、艺术、科学作品所享有的各项专有权利的总称。我国第一部《著作权法》颁布于1990年9月,后经多次修改,现行的《著作权法》是2010年2月第三次修正后施行的。

    5.3.1 著作权的主体与客体

     根据我国《著作权法》 (2010)中的表述,受著作权法保护的客体就是作品。我国《著作权法实施条例》规定作品是指:“文学、艺术和科学领域内具有独创性并能以某种有形形式复制的智力成果。”这些作品必须具有独创性、表达性、可复制性、合法性以及必须是著作权法意义上的作品。
     著作权保护的主体即著作权法律关系的主体,简称为著作权人,是指依法对文学、艺术和科学作品享有著作权的自然人、法人或者其他组织。根据《著作权法》规定,著作权主体可以是公民、法人或其他组织。著作权原始主体中最常见的是作者。

    5.3.2 著作权的内容与限制

    (一)著作权的内容
    1.著作人身权
    根据我国《著作权法》(2010)的规定,著作权中的人身权的内容包括署名权、发表权、修改权和保护作品完整权。
    2.著作财产权
    根据我国《著作权法》(2010)第10条的规定,著作权中的财产权包括:复制权、发行权、出租权、展览权、表演权、放映权、广播权、信息网络传播权、摄制权、改编权、翻译权、汇编权以及应当由著作权人享有的其他权利。
    (二)著作权的限制

    1. 合理使用
    2. 法定许可
    3. 强制许可

    5.3.3 著作邻接权

    著作邻接权,简称邻接权,是知识产权中与著作权相邻接的一种权利。它的实质是指作品传播者在传播作品时所享受的权利,因为它和著作权紧密相连,所以世界上大多数国家都称之为“邻接权”。我国《著作权法》将邻接权表述为“与著作权相关的权益”,且在《著作权实施条例》中规定了邻接权的范围,即“与著作权有关利益,指出版者对其出版的图书和期刊的版式设计享有的权利,表演者对其表演享有的权利,录音录像制作者对其制作的录音录像制品享有的权利,广播电台、电视台对其播放的广播、电视节目所享有的权利。

    5.3.4 著作权的法律保护

    (一)著作权的侵权行为
     所谓侵犯著作权的行为,是指未经著作权人的许可,违反法律规定而擅自行使著作权人的权利或者妨碍著作权人权利实现的行为。
     各国著作权法都规定侵犯著作权应当依法承担相应的法律责任。我国《著作权法》 (2010)第46条和第47条列举了19种侵权行为。
    (二)著作权的侵权责任
     著作权侵权的法律责任一般分为民事责任、行政责任和刑事责任。
     我国《著作权法》 (2010)第46、47条对侵犯著作权的行为规定了承担停止侵害、消除影响、赔礼道歉、赔偿损失等民事责任。这些责任方式,既可以单独使用,也可以合并使用。

    5.4 网络环境下的知识产权保护

    随着现代信息技术的飞速发展和网络的普及,人类社会中一种全新的环境——网络环境逐步成为现实。网络作为第四代信息媒体,以其独有的开放性、无国界性、无限复制性和交互性等特点,在带来作品传播和利用方式根本性变革的同时,也对传统知识产权制度产生了重大影响,这就要求我们以更广阔的视野来认识知识产权,探讨由此产生的相关问题。

    5.4.1 数字作品的知识产权保护

    (一)数字作品的著作权认定
     所谓数字作品,不仅包括文字、美术、摄影、动画、电影、电视等传统作品的数字表达形式,还包括从其被创作之时就是用二进制数字编码形式表达的计算机软件、数据库和多媒体作品等新型数字作品。
     我国国务院法制办与国家版权局共同起草的《著作权法修正案(草案)》中,已确认“数字化”应该是版权人的一项专有权利。目前更多的业内人士倾向于复制行为包括上载、下载、转贴、转寄、储存、数字化、扫描、浏览、打印等,所以未经权利人允许,擅自对他人作品进行数字化处理,就是擅自复制他人作品,应承担侵权责任。
    (二)数字作品的知识产权保护
     我国国家版权局曾于1999年12月9日发布了《关于制作数字化制品的著作权规定》,该规定第2条中指出将已有作品制成数字化作品,不论已有作品以何种形式表现和固定,都属于《著作权实施条例》第5条所指的复制行为,即《中华人民共共和国著作权法》所称的复制行为。第7条又规定,未经著作权人或者著作权集体管理组织许可,将受著作权保护的他人作品制成数字化作品的,除应承担相应的民事责任外,著作权行政管理部门可依照《著作权实施条例》有关规定给予行政处罚。

    5.4.2 网络传输中的著作权问题

    (一)网络传输与复制权
     在网络环境下,通过缓存、浏览、粘贴和下载等手段,大量的数字作品可以被简便、高速、高质量地复制利用,并且这种复制大多是在计算机网络正常运行中自动产生的,使得对他人作品的利用几乎不需要付出什么代价。为了平衡著作权人与使用者之间的利益关系,欧美一些国家主张将网络传输中的“暂时复制”纳入复制权的保护范围内。
     暂时复制”这类复制行为能否纳入传统的“复制”概念进而获得传统复制权的保护,一直是国际版权界争论的焦点。

    (二)网络传输与发行权
     传统的发行是对有形复制件的发行,从我国的《著作权法》(2010)第10条第(6)项所表述“发行权”定义中可以推定发行的定义是:以出售或者赠与方式向公众提供作品的原件或者复制件的行为。通过发行行为,使得有形复制件(如图书)的所有权或者一定期限内的使用权从发行者的手中转移到使用者手中,但在这之前须发生“复制”行为,即发行是与复制行为相联系的。
     美国1995年的《知识产权与全国信息基础设施白皮书》认为网络传输属于向公众发行,在版权人专有的发行权之内。
     欧盟则有不同的理解,1997年12月欧盟通过了《关于协调信息社会的版权和有关权若干方面的指令》,指出发行权是指作者控制以任何形式向公众发行作品原件或有形复制件的的专有权,但是发行权不适用于服务和在线传输,网络传输因此被排除在发行的含义之外。

    (三)网络传输与信息网络传播权
     我国2001年在修改的《著作权法》第10条的有关内容中增设了信息网络传输权。所谓信息网络传播权是指以有线或者无线的方式向公众提供作品,使公众可以在其个人选定的时间和地点获得作品的权利。信息网络传播权的法律地位的确立,使著作权人对作品的传播方式的专有控制权延伸到网络空间,并能直接传播作品,行使邻接权。
     在网络环境下,作为一种信息网络传播者,图书馆在促进人类信息自由和知识共享方面具有重要作用。享有一定的信息网络传播权例外,对图书馆资源建设与信息服务具有重要意义。2006年,中国图书馆学会发布了《关于网络环境下著作权问题的声明》。

    5.4.3 网络传播权的行使

    在这里插入图片描述

    5.4.4 数据库的知识产权保护

    (一)数据库的概念和知识产权保护原则
    (二)我国对数据库的知识产权保护
    (三)数据库的合理使用和侵权界定
    (四)数据库的特殊权利保护

    小结

    信息法是调整人类在信息的采集、加工、存储、传播和利用等活动中发生的各种社会关系的法律规范的总称。随着社会信息化进程的不断加快,特别是随着计算机、网络等信息技术的广泛应用,传统的知识产权制度开始面临越来越多新的挑战。本章主要从信息法的概念、知识产权与信息产权、著作权以及网络环境下的知识产权保护四个层面来进行阐述,并基于网络和信息技术来重新审视知识产权制度,树立信息产权的新理念并注重网络环境下知识产权的保护。

    5.5 科技信息检索概观

    信息检索的发展首先是从科技信息开始的,地区性乃至国际性的信息服务也同样以科技信息为开端。科技信息是科学技术的直接反映,标志着科学技术的发展水平,最新、最及时、最有针对性的科技信息也是科学技术进一步发展和创新的基础和动力。越来越多的人将科技信息看成是重要的资源、无形的财富和资产,掌握科技信息成为增强竞争能力、提高自身实力的重要因素。正是这种对科技信息的强烈需求促进了科技信息产业的发展,促进了科技信息加工、处理、检索理论与实践的发展。

    科技信息检索技术经历了50多年的发展,从手工检索、脱机检索、联机检索、光盘检索到网络检索。其中某些方式已被其他方式取代,如脱机检索被联机检索取代,光盘检索作为一种过渡形式已发展成为网络检索。

    在电子读物日益走进人们生活的今天,传统的印刷本读物在短期内仍然占据着难以替代的重要位置。也就是说今天印刷型出版物的重要地位仍然没有改变,同样,印刷本检索工具的重要地位也依然存在。因此,我们在介绍科技信息检索时,将手工检索工具与计算机检索结合起来讲解。

    5.6 理科信息检索

    理科信息主要指以理科的学科专业为界线划分整理的科技信息,通常包括数学、物理、化学、生物学。这些学科涉及的检索工具也较多,本节以3个应用比较普遍的检索工具为例介绍其用法。

    5.6.1 《生物文献摘要》

    1.概念
    美国《生物学文摘》(Biological Abstracts,简称BA) 创刊于1926年。现为半月刊,一年二卷。BA是目前关于生命科学的最大的一部文摘型检索工具,具有广泛的收录范围,除包括传统的动物学、植物学和微生物学等领域之外,还包括实验医学、农学、药学、生化、生态学、生物医学工程及仪器等一些边缘学科或相关领域。

    2.BA印刷版
    ①BA文摘本
    BA文摘本由类目表、文摘正文、辅助索引组成。类目表决定了BA文摘正文的编排顺序,也是检索文摘的一条检索途径。文摘正文按分类组织,类目与标题等级表的类目设置一致。辅助索引自创刊以来变化较大,目前文摘本中的索引有生物体索引、主题索引和著者索引。

    ②BA来源期刊目录
    BA来源期刊目录(Serial Sources for the BIOSIS DATABASE)自1979年开始出版,单独发行。

    ③生物学文摘/报告•评论•会议
    创刊于1965年,1980年改为现刊名,现为半月刊。BA/RRM收录BA未摘录的生物学文献,BA/RRM和BioResearch Index都是题录型刊物,不带文摘。

    3.BA数字版
    BA数字版有联机数据库、光盘数据库和网络版检索系统。

    BA联机数据库(BIOSIS Previews)由BIOSIS出版,收录的文献包括BA、BA/RRM及其前身Bioresearch Index。该数据库在一些主要的联机检索系统中均有相应的文档。

    BA光盘版(BA on CD)于1980年由BIOSIS编辑出版,3个月更新一次,累积半年的数据出版一张光盘,内容等同于印刷本。

    BA网络版数据库(BIOSIS Previews)用法与光盘版基本一致,其网站 (www.biosis.org) 除提供BA数据库信息外,还提供相应的其他信息与服务。

    4.生物学相关文献检索
    除BA外,生物学信息还广泛分布在中外文其他检索工具和网络信息资源中:

    ①中文检索工具
    分别是:《中国生物学文摘》、《古生物学文摘》和《中国国土资源文摘》。

    ②外文检索工具
    英文的生物学检索工具出版量比较大,种类也较多,如英国生理学会出版的《生物科学近期文献题录》(Current Awareness in Biological Sciences), 伦敦动物学会出版的《动物学记录》(The Zoological Record)等。

    ③网上信息资源
    中文生物学网上信息有:中国科学院上海生物工程研究所中心网站(http://www.srcb.ac.cn)。此外,国内各生物学研究所和各大学生物系的网站均能提供一定的生物学信息。外文关于生物学的网上信息在一些大学的网站上也能找到。

    5.6.2 《化学文摘》

    1.概念
    美国《化学文摘》(Chemical Abstracts,简称CA),创刊于1907年,现为周刊,每年出版2卷,每卷26期。CA是检索化学文献极为重要的检索工具,由于其具有广博的收录范围、完备的索引体系、短暂的出版周期、多样化的出版形式为检索者带来了方便,成为世界上公认的最大型、最权威的化学化工信息检索工具,在我国化学界享有盛誉。

    2.CA印刷版
    CA的印刷本是最古老的出版形式,至今依然具有重要作用。掌握印刷本的编撰结构,对于熟练掌握其用法和提高检索效率具有重要意义。

    ①CA的文摘本
     CA每周出版一本文摘。
     CA的文摘本由分类目次表、文摘、索引和附录构成。
     文摘按分类目次表所列类目编排,每一类目下的文摘分四个部分编排,每一部分之间用虚线隔开。其编排次序是:
    a. 论文(包括会议录、学位论文、科技报告、存档资料和专题综述等);
    b. 新书及视听资料;
    c. 专利文献;
    d. 相关的类目参见条目。

     CA的文摘以报道型文摘为主,其报道的内容包括:
    a. 研究的目的和范围;
    b. 新的化学反应、化合物、材料、工艺设备和资源等;
    c. 已知物质的新性质、新来源及新应用;
    d. 观测的数据和结果以及作者的解释和结论。

     文摘内容以报道性文摘为主,因此,阅读CA文摘在某种程度上可以代替阅读原文。
     CA文摘本附有三种索引:关键词索引、专利索引和著者索引。

    ②CA索引本
    CA具有多种形式的索引本,包括卷索引、年索引和5年(10卷)累积索引,其中卷索引和累积索引中的索引类型是一致的,有:化学物质索引、普通主题索引、分子式索引、环系索引、著者索引、专利索引,年索引有登记号索引、来源索引(CASSI)。

    化学物质索引
    它是从1972年76卷起从CA的主题索引中分离出来而编制的索引,它所收录的化学物质具有以下特征:原子和原子数目已知;分子的价键清楚;主体化学结构稳定。
    化学物质索引由主、副二级标题组成。主标题由化学物质名称组成,副标题由表示主标题某方面或某类别的名词组成。使用该索引检索时,要注意其主标题并不是以所有的化学物质名称做标识词,特别是有机化合物通常只以母体化合物为索引标题(又称为化合物索引名称),而把母体化合物的化学功能衍生物,一般衍生物、化合物、聚合物,列于母体化合物为索引标题的条目之中。另外,一种化学物质可能会有多个名称,而化学物质索引中只用一个名称作索引标识词,该名称由CAS选用它认为是最合适的命名法来命名的。也就是说使用本索引检索前还要确定所要检索的化合物在CA中的名称,确定该名称的最好办法就是使用CAS出版的“索引指南”(Index Guide)。化学物质索引的副标题有普通副标题、类别副标题和专用副标题三类:普通副标题由比较通用的名词组成,起限定主标题的研究范围或方面的作用;类别副标题(Categories)都是表示化合物类别的词,以及取代基和官能团的词,起着把主标题(化学物质名称,即所谓化合物索引名称)的化学衍生物条目按类归并的作用;专用副标题严格专用于相应的主标题。

    环系索引
    它是专门用来查找环状化合物的索引。它首先按环状化合物环的数目由小到大排列,其次按环架上原子数和环架上元素的成分排列,并给出母体化合物名称,但不给文摘号,因此,该索引不能用来直接查找文献信息,必须再转查化学物质索引,所以我们称它为辅助索引。

    著者索引
    它与文摘本中的著者索引编排方法基本一致,所不同的是索引本中著者索引的著录项目除了作者姓名和文摘号外,还有文献篇名。通过文献篇名可以初步了解文献内容并可对同一作者的多篇文献进行区分。

    专利索引
    该索引与文摘本中的专利索引完全一致。
    来源索引(CAS Source Index 简称CASSI)
    CAS报道的化学信息来源广泛,它将CA所有的信息来源收录其中并指示给读者。
    登记号手册
    它是1974年以后出版的,原为登记号索引(Registry Number Index),专门收录化学文献中带有登记号的化学物质,每个有登记号的物质的化学成分和分子结构都是明确清晰的,每一个号码唯一地代表一种物质。

    ③检索语言
    CA没有严格意义上的检索语言,但它于1968年第69卷开始出版的索引指南就是对CA各种索引用法的指导,特别是对化学物质索引和普通主题索引的标题的规范以及标题之间关系的提示,成为使用CA的重要的辅助工具,因此,它在一定程度上起到了检索语言的作用。

    索引指南结构由两部分组成:正文部分和附录部分。
    正文部分主要帮助用户正确选择化学物质索引和普通主题索引的标题。
    正文部分使用的参照系统主要有:“见”(see)和“参见”(see also)参照项。 “见”项参照又可分为普通主题概念参照和化学物质参照,普通主题概念参照是对一些一般性的概念、混合物和一些结构不确定的化学物质的规范化控制,化学物质参照是对具有多个名称的化合物特别是有机化合物的规范化控制;“参见”参照项,将在内容上有联系的标题揭示出来,可以帮助使用者扩大检索范围;主要目的是帮助用户正确判断相关内容的含义,从而正确选择标题。

    3.CA数字版
    CA的数字化信息主要由联机数据库和光盘数据库资源组成。随着计算机和网络的发展,联机数据库进一步发展成网络化数据检索系统。

    CA的联机数据库收录从1967年至今的所有CA印刷本的化学文献,该数据库在主要的国际联机系统中均有收藏。CA的光盘数据库目前广泛使用的有由美国化学学会制作的“CA on CD”光盘和Compact Cambridge 科学文献服务社制作的“化学文摘累积索引及文摘”光盘两种。

    4.化学文献的相关检索
    化学化工相应的检索工具较多,如:《中国化学化工文摘》、《化工文摘》、《精细石油化工文摘》等,有些文摘刊物已发行了光盘版。
    网上化学、化工资源十分丰富,除DIALOG系统、ORBIT系统含有大量的化学化工文档外,还有许多专门的化工网站、各大学的化学化工学院等也是化学信息的重要来源。

    5.6.3 《科学文摘》

    1.概念
    英国《科学文摘》(Science Abstract,简称SA)由现名为国际物理学与工程信息部出版。目前具有三个分册:A辑:《物理文摘》,半月刊,报道范围包括基本粒子、核物理、原子物理、分子物理等有关物理学方方面面的研究,也包括测量与仪器等;B辑:《电气与电子学文摘》,月刊;C辑:《计算机与控制文摘》月刊。这三个分册除报道内容不同外,其结构与用法均相同。SA收录的文献类型以期刊论文为主,1977年后不再收专利。

    2.SA印刷版

    ①SA文摘本
    SA文摘本由分类目次表、文摘正文、辅助索引构成。分类目次表位于每期首页,每卷第一期还加一页主题分类表,此外每期分类目次表之后还有一个主题指南。由于SA的文摘本中没有主题索引,因此“分类目次表”是利用文摘本从主题内容角度检索文献信息的主要途径。SA的分类体系比较新,类目设置系统、完整,类目之间的参见注释多而且详细,因此,利用分类表查找文摘是比较便利的。SA文摘正文是按照分类组织的,其顺序与正文前的分类目次表一致。辅助索引有多种:著者索引、图书索引、会议索引、团体著者索引、参考书目索引,每个索引各有专门的用途,供读者快速查找那些特殊类型的文献(如专题书目、图书、会议文献,技术报告等),故又可称之为“专用索引”。

    ②SA索引本
    SA索引本有半年累积索引本和多年累积索引本,其索引的种类在文摘本基础上增加了主题索引。SA的主题索引是单级主题索引,每条索引款目由主题词、说明语和文摘地址构成,按主题词的字母顺序排列。主题词是规范化的词汇,词汇全部来自SA的叙词表(1NSPEC Thesaurus),索引中的说明语是由标引者自编的,说明语一般由一组关键词或短语构成,为节省篇幅,说明语中使用了许多缩写词。由于SA的主题索引中的索引词选自叙词表,因此,检索时应借助于叙词表选择主题词,这是检索主题索引的关键。

    ③SA检索语言
    SA检索语言由比较标准的叙词表构成,其主题索引就是以该表为基础编制的,因此,它是使用SA主题索引的重要助手。SA叙词表(INSPEC Thesaurus)由两部分组成:字顺表和词族表。字顺表是主体,有完善的词汇控制和参照系统。SA叙词词表揭示的完善的词间关系可以有效地帮助用户选择检索词。熟悉词表并充分利用词表对提高检索效率和效果都具有重要意义。

    3.SA数字版
      SA数字版包括联机版、光盘版和网络版。联机版早在1973年就投入使用,光盘版在1989年推出,网络版是在联机版基础上发展起来并进入网络化系统提供服务。SA光盘版(INSPEC数据库)每年出版一张光盘,每张光盘覆盖的文献时间跨度大约5年,每季度更新一次。SA网络版是在20世纪90年代后出版的,称为INSPEC数据库,其网址为 http://www.iee.org.uk,具体用法与光盘版数据库基本一致。

    4.相关的数理信息检索
      除了SA之外,还有以下工具可以检索数理方面的资源:美国《数学评论》(Mathematical Review,简称MR); 美国《应用力学评论》,(Applied Mechanics Review,简称AMR),另外,网上也有较多的数学物理信息资源。

    5.6.4 其他理科信息检索工具

    1.美国《科学引文索引》和《最新目次》
    美国《科学引文索引》(Science Citation Index,简称SCI)其主要报道生命科学、医学、生物、物理、化学、农业、工程技术领域内的科技文献,由“引文索引”、“来源索引”和“轮排主题索引”三部分组成,是目前国际上最具权威性的用于基础研究和应用基础研究科研成果的评价体系。《最新目次》(Current Contents,简称CC)按学科分多个分册,内容是各种期刊的目次汇集,周刊。

    2.《中国科学引文索引》
    由中国科学院文献情报中心于1995年创刊发行。分为引文索引、来源索引、机构索引和轮排主题索引四个部分。

    3.法国《文摘通报》
    简称BS,于1939年创刊,由法国国家科学研究中心编辑出版。

    4.俄罗斯《文摘杂志》
    (简称РЖ)创刊于1953年,由全俄科学技术情报研究所编辑出版。

    5.日本《科学技术文献速报》
    1958年创刊,是文摘性检索刊物。该刊现分为12个分册,报道的领域涉及科学技术各个部门。

    5.7 工科信息检索

    5.7.1 概念

    由于工程技术涉及的学科范围比较广泛,具有信息量大、学科界线不明显的特点,有相当一部分技术信息以专利发明的形式获得了专利保护,因此,本节以综合性的技术检索工具——美国《工程索引》和英国的专利信息检索工具《德温特世界专利索引》为例介绍工科技术信息的检索原理及方法。

    5.7.2 《工程索引》

    1.概念
      美国《工程索引》(The Engineering Index,简称Ei)创刊于1884年,距今已有100余年的历史。Ei是工程技术领域综合性的检索工具,也是我国科技人员经常使用的一种检索工具。Ei收录世界上50多个国家、10多种文字的工程出版物,期刊约3 000多种,此外还包括会议文献、科技报告、学位论文等,其中期刊文献和会议文献收录得比较全面。Ei不收录专利文献。在Ei的发展过程中,有过多种出版形式,如书本式、卡片式、缩微版、磁带版、光盘版,现在已发展到了网络版。

    2.Ei印刷版
      Ei的印刷型出版物有:工程索引月刊(The Engineering Index Monthly),1962年创刊,工程索引年刊 (The Engineering Index Annual),1906年正式出版,此外Ei还不定期地出版工程信息主题词表。

    ①Ei文摘本
    • Ei虽然名为索引,实为文摘刊物,其文摘本有月刊本和年刊本两种,这两种版本的正文编排方式完全相同。月刊本中的索引有主题索引、著者索引,年刊本除这两种索引外,还有出版物一览表、会议一览表。

    • Ei文摘正文是按主题词字顺编排的,主题词选自Ei的主题词表。Ei主题索引是从主题内容角度检索Ei文献的唯一途径。主题索引按主题词字母顺序排列。

    • 由于Ei主题词表在1993年由标题词表变为叙词表,所以Ei的主题索引也相应由标题词索引变为叙词索引,索引中的主题词由原来的二级主题词变为一级主题词,并且新的主题词增强了表达概念的直观性和完整性,使主题检索更加方便、快捷。

    • Ei著者索引是一种快速、准确的查找文献线索的途径。

    • 出版物一览表有2个作用,一方面它揭示了EI所收录的一次文献的数量和覆盖范围,另一方面给读者提供了出版物刊名缩写与全称转换的途径。

    • 会议一览表反映了EI当年收录的全部会议文献的会议情况,它按照会议名称字顺排列。

    ②Ei检索语言
    Ei的检索语言一直由规范化的主题词表构成,该主题词表中词的性质和形式都有过较大的调整。Ei原主题词表名为“Ei标题表”(Subject Heading for Engineering,简称SHE),1990年改名为“Ei Vocabulary”,1993年1月起,工程信息公司用一部新编的叙词表取代了以前所用的词表,新表名为“Ei叙词表”(Ei Thesaurus)。
      “Ei标题表”(SHE)是供检索1992年(91卷)以前的Ei文献时使用的一种规范化、权威性的标题表,是Ei根据多年的标引工作经验积累而成的,并不断修订。SHE全表由四部分组成,主表、副标题索引表、分类范畴表和主题指南。
      “Ei叙词表”是一部新表,收录大量的叙词和入口词(非叙词)。新表更好地满足了手检和机检两方面的需要,反映了Ei在文献处理技术上的全面变化。

    3.Ei数字版
    ① Ei光盘版
      Ei有光盘版、联机版、网络版。光盘版称为Ei Compendex,与联机数据库版相对应。Ei光盘版分Dos环境下和Windows环境下运行的两种软件系统,此外,Ei还分有Ei综合版本和专业版本。Ei Compendex有两个检索界面,菜单式检索和输入布尔逻辑检索。

    ② Ei网络版
      Ei网络版主要指20世纪90年代以来Ei公司发行的以World Wide Web为基础的网络版工程索引数据库Ei Compendex Web,它的收录范围大于Ei印刷版和Ei Compendex。1998年,国内清华大学等10所高校联合购买了Ei Compendex Web的使用权,使得这10所院校的师生在其各自校园网上均可免费检索Ei Compendex Web。目前,联合购买该数据库使用权的单位每年都有增加。
    该数据库在清华大学的镜像服务地址为:
    http://ultra2.lib.tsinghua.edu.cn/eivillage/plsql/switch
      与光盘版相比,有些检索功能在网络版中较难实现,如位置算符辅助检索手段、某些限定性检索以及对检索结果的排序功能等。但Ei Compendex Web的数据每周更新,检索结果更新更快,因而受到国内用户的普遍欢迎。

    5.7.3 Derwent 专利检索工具体系

    1.概念
    各国专利机构或国际专利组织在实施专利制度过程中都会产生各种与专利相关的文献或文件,我们称之为专利文献。
    广义的专利文献,包括与专利有关的一切文献,如申请说明书、专利说明书、专利公报、专利分类表等;
    狭义的专利文献仅指申请说明书和专利说明书。
      
    专利文献是技术文献,又兼有法律约束力和经济特性,它的技术内容新颖、先进、实用,所涉及的技术领域广泛,技术先进、应用性强,同时它还具有出版迅速、管理严格等特点。一般来说,专利文献可以满足技术内容、技术法律状态以及技术覆盖地域等具有较强应用性的查询要求,同时它也可以成为分析竞争对手的有力工具。

    使用专利文献时,应注意以下几点:
    第一,专利文献中报道的技术有时不够成熟,缺乏稳定性和可再现性;
    第二,技术发明的介绍不够全面或有所保留,因此需要作进一步的分析研究;第三,一项技术可能分散在多个专利文献之中,因为专利法规定,一件专利只能保护一项发明(专利法的单一性原则);第四,专利文献具有很强的法律性,因此,要注意专利文献的法律状态信息,如专利的有效期,专利权的转让、继承、撤销,同时也要关注那些提前失效专利和延长保护期的专利等。

    2.专利分类原则及国际专利分类法
      就分类的目的而言,专利分类更强调使用专利信息的方便性和高效性,这就决定了专利分类原则将以专利信息的应用为主,以其组织管理为辅。因此,从现行的专利分类法来看,专利信息的分类依据主要是发明的技术特征,包括功能、结构和用途,这种对技术特征的强调有助于专利文献的检索和利用,比如对某项发明的新颖性和先进性判断等。
    各国专利主要有两条分类原则:行业分类和功能分类。
      
      所谓行业分类原则就是根据发明的用途或应用领域分类,这种分类原则有利于按行业部门查找和使用专利文献,易于各行业人员接受和使用,是一种简便易用的分类方法。但这种分类法有一个最大的不足,就是在分类时会将功能相近的发明分散在不同的类。
    功能分类原则是根据发明的“直接功能、效用或产品”分类,即以装置、物质或工艺的本质效用作为分类依据。这种分类原则将实质功能相同或相似的发明归入同一类,因而也就出现了跨行业分类的现象,所以在某种程度上不利于从行业角度对专利文献的检索利用。在实际应用中,有时将这两种分类原则结合起来使用,以便适应各国不同的检索习惯。
    不同国家专利法不同,专利分类原则也不尽相同,目前,除少数国家外,各国普遍采用国际专利分类法作为本国的专利分类法,因此,国际专利分类法具有了真正的国际分类法的意义。美国专利分类法和德温特专利分类法在美国专利文献和英国专利文献中与国际专利分类法同时使用。
      
      国际专利分类表是经过长时间的倡导、酝酿和试用后形成的一部专利分类法,它于1968年正式形成完整的《国际专利分类表》(International Classification of Patent for Invention,正式简称为Int.C1,简写为IPC),每5年修订一次,以方括号中的数字表示版次。IPC的分类原则以功能分类与行业分类相结合,功能分类优先为原则。如对涉及两个技术领域的发明,应优先归入功能分类位置。IPC采用等级结构、逐级分类,形成完整的分类体系:其类目依次为部、分部、大类、小类、主组和分组。
      
      为了方便查找IPC分类号,每一版的国际专利分类表都配有一本单独出版的《IPC关键词索引》(Official Catchword Index to the International Patent Classification)。如果检索者不熟悉所查的技术内容在分类表中的位置,就需要借助《IPC关键词索引》,来确定分类范围和准确的分类号,然后再使用IPC分类表。该索引按关键词字顺排列,每个关键词对应着一个IPC分类号。该索引对于快速查找和使用IPC分类表具有很大帮助。

    3.德温特专利检索体系
      英国德温特出版公司(Derwent Publication Ltd.)所收录的专利文献来自世界30多个国家和2个国际组织,是检索世界专利文献的重要检索工具,在国际专利文献检索方面享有盛誉。Derwent对这些系列做了调整和重新命名,统称为世界专利索引,简称WPI Derwent检索刊物。目前WPI由两大系列构成:文摘本和索引本(或称为题录本),每部分按德温特专利分类体系又细分为多个系列,形成一套完整的的专利文献检索体系。除印刷本外,WPI还有多种版本,比如光盘、联机数据库和网络版等。
      
      德温特专利文献检索工具,具有以下特点:收录范围广,报道量大,报道速度快,文献加工标引质量高,可区分基本专利和相同专利,辅助索引种类多,可以多途径检索,索引本采用IPC分类体系,各国通用;整套检索工具实现了多系列+多品种和多媒体化,体系完备,可以满足多种检索需求。当然它也有不足之处,主要表现在:只能检索近几十年的专利文献;部分专利文摘写得令人费解等。

    ①Derwent文摘本检索刊物
    Derwent现在发展成了两大文摘体系:分国文摘和分类文摘。分国文摘报道8个国家2个专利组织的专利(仍用WPA名称),分类文摘按德温特专利分类体系组织专利文摘,共分为三个部分:化学专利索引(CPI),综合与机械专利索引(GMPI),电气专利索引(EPI),此外,电气专利文摘(EPA)实为EPI的累积本。

    《化学专利索引》(Chemical Patents Index,简称CPI)
    CPI分12个分册出版,每分册分别用A-M(I除外)中的一个字母表示。其内容与索引本(WPI)中的A-M分册(原名为CH分册)相对应。CPI文摘部分的著录项目与EPI相同,但编排顺序有所不同,文摘首先按德温特分类体系编排,再按专利号国别代码字母顺序排列,然后按专利号的版次与法律状态代码排列,最后按专利号大小顺序排列

    《综合与机械专利索引》(General & Mechanical Patents Index,简称GMPI)
    其前身为《世界专利文摘》(World Patents Abstracts,简称WPA)的前4个分册,即:P1-P3、P4-P8、Q1-Q4、Q5-Q7。从1996年起,GMPI也细分成国际卷和日本卷,日本卷仅报道日本专利。GMPI文摘部分的编排与著录均与CPI相同。

    《电气专利索引》(Electrical Patents Index,简称EPI)
    共有6个分册,分别用英文字母S-X命名,这六个分册与索引本(WPI)中的S-X分册相对应,从1996年起,EPI分成国际卷和日本卷两卷,日本卷仅报道日本公开专利。EPI的文摘正文首先按德温特分类体系排列;然后按专利文献的专利国别代码字母顺序排列;最后在同一国别下再按专利号大小顺序排列。

    ②德温特文摘本中的索引
    德温特三类文摘本都在文摘之后附有三个索引:专利权人索引、入藏号索引和专利号索引。这三个索引也是比较常用的索引类型。
    专利权人索引
    Derwent专利权人索引以专利权人的名称代码为标目,按字母顺序排列组织索引款目。
    专利号索引
    专利号索引是把当期报道的全部专利文献按专利号排列,供查找入藏号和专利权人代码,以便在需要时再转查其他相应的索引。
    入藏号索引
    入藏号是德温特公司对所收到的每件基本专利给予的唯一指定号码。基本专利一般是指最先到达德温特公司的专利,以后到达的该发明的相同和同族专利不再给入藏号,因此一件发明的所有基本专利、同族专利和相同专利只有一个入藏号。

    ③Derwent索引本检索工具
    Derwent在20世纪70年代创刊了《世界专利索引》(WPI),共报道33个国家和地区、2个国际专利组织的专利文献,周刊,分四个分册出版,目前这四个分册是:A-M:化工,P:综合,Q:机械,S-X:电气,此外,还出版与上述各分册对应的累积索引本。在WPI出版物体系中,索引本和累积索引的各个分册每期都有四种索引:专利权人索引、入藏号索引、专利号索引和IPC分类索引。除上述索引刊物外,Derwent公司还出版独立的《优先案索引》。

    IPC分类索引
    IPC分类索引是德温特公司按照国际专利分类法(IPC)编制的索引,因此使用该索引应结合国际专利分类表。IPC分类索引按IPC分类号的前四级类号顺序排列,同类下再按专利国别代码顺序和专利号大小排列。

    Derwent优先案索引
    Derwent优先案索引(Priority Index),集中了Derwent索引本中的所有专利的优先案。优先案索引先按优先权申请国代码及年代顺序排列,再按优先申请号和申请日期顺序排列。该索引在每个优先案下列出全部同族专利。优先案索引给人们提供了从优先权查找同族专利的有效途径,它还能在有多项优先权情况下指明相关优先权,部分接续申请及其相同专利。另外,国外著者在引用专利文献时,有时只提到国别和申请号,优先权索引也为通过国别和申请号追踪检索专利文献提供了便利。

    ④Derwent专利权人代码手册
    在Derwent出版物中,专利权人名称通常用专利权人代码来表示,该代码由四个大写的英文字母组成。为了方便用户查找和使用专利权人代码并了解其编码的规则与方法,德温特公司出版了《公司代码手册》(Company Code Manual)。该手册按两种排序方法将内容分成两大部分,专利权人名称排序和专利权人代码排序。

    4.专利文献的其他检索工具
    凡是实施专利制度的国家都有自己的专利出版物,这些出版物都可以用来检索专利文献。美国具有丰富的专利文献,受到高度的重视。我国专利文献量并不很大,但随着我国专利的申请和需求迅速增长,也应给以一定的重视。

    ①美国专利文献检索
    查找美国专利文献可以在德温特检索工具查找,也可以利用美国专利局出版的专利文献进行检索,其检索工具主要包括三类:专利局公报,专利分类表,专利索引。

    美国专利局公报
    专门公布美国专利局批准的专利申请说明书的摘要。每期公报按专利类型划分,发明专利进一步按学科领域分为“一般与机械”、“化学”和“电气”三大部分,然后按专利号大小顺序排列。每期专利公报后附有专利权人索引和分类索引。

    美国专利分类表
    整部分类表由3种出版物构成:分类手册、分类定义和分类表索引。分类手册由大类类表和大类展开表(详表)组成,分类号采用顺序制数字类号,类目等级靠排印位置和错位圆点数表示。分类定义是一部手册,对各个类进行详细定义,限制各类的内容范围。分类表索引按所收技术词汇字母顺序排列,其后列出相关的美国专利分类类号。

    美国专利索引体系
    美国专利索引由美国专利公报索引和美国专利年度索引构成,是检索美国专利的主要检索工具。

    ②中国专利文献检索
    我国专利文献最早始于1985年,经过近二十年的发展,目前印刷本有两大检索系列:文摘本和索引本。

    文摘本
    由中国专利局出版,分为专利公报和中国专利分类文摘两种类型。专利公报又按专利类型不同划分为三个分册:发明专利公报、实用新型专利公报、外观设计专利公报,现均为周刊。专利分类文摘按发明专利和实用新型专利分为两个分册,分类法采用国际专利分类法(IPC),每年出版一次。

    索引本
    中国专利索引本是累积出版的题录型专利文献检索工具,该索引将当年公开公布的全部专利累积起来,按专利类型划分后编排索引,每卷提供3种索引:国际专利分类索引、申请人•专利权人索引、申请号•专利号索引。

    5.专利文献的计算机检索
    除印刷本外,专利文献也有光盘版、联机版、网络版,世界著名的联机检索系统中都有专利文献的联机检索,如DIALOG、STN、ESA等。

    ①专利文献的光盘版
    世界上很多国家和专利组织都有专利文献光盘数据库,以满足计算机检索的要求。

    中国专利光盘数据库
    中国专利局、专利文献出版社和中国专利信息中心等部门相继出版了一些专利文献光盘数据库,如中国专利数据库光盘(CNPAT)、中国专利说明书光盘、中国专利公报光盘和中国失效专利数据库光盘等,这些光盘容纳了我国实施专利制度以来的全部专利文献。

    外国专利光盘数据库
    外国专利光盘数据库非常丰富,如欧洲专利组织、专利合作条约组织、非洲知识产权,以及美国、日本、德国、法国、英国、奥地利、瑞士等国家都有自己的专利光盘数据库。与我国一样,各国专利光盘也有多种数据库,使用专利光盘检索时应注意根据需要选择不同的数据库。

    ②专利文献的网络版
    各国专利局的网址都是网上专利信息的重要来源,此外一些专门的专利出版机构所在网址也是其重要的来源。如:中国发明专利技术信息网(网址:http://www.Lst.Com.cn);中华人民共和国专利局的中国专利信息网(http://www.Cpo.cn.net);中国专利信息网(http://www.atent.com. cn)等。各国专利局网址可以通过各国政府网站查询。

    5.7.4 其他工科信息检索工具

    工科信息检索除涉及书刊和专利文献外,还涉及技术标准、科技报告、会议论文、学位论文等特种文献,常用检索工具如下:

    1.标准文献
      检索工具有ISO Catalog、IEC Catalog、《美国材料与试验协会标准年鉴索引》、日本的《JSO总目录》、英国的《BSI目录》等。

    2.科技报告
      检索美国四大报告(即AD报告、PB报告、DOE报告、NASA报告)的工具是:检索AD报告、PB报告用《政府报告通报与索引》(GRA&I),检索DOE报告用《能源研究文摘》(ERA),检索NASA报告用《宇航科技文摘》(STAR)。检索中国科技报告的工具有:《科学技术研究成果公报》、《中国国防科技报告通报及索引》、《中国机械工业科技成果通报》等。

    3.会议文献
    检索国际会议可用美国的《世界会议》(WM)、《会议论文索引》(CPI)、《科技会议录索引》(ISTP)等。检索国内学术会议文献的检索工具主要是《国内学术会议文献通报》。

    4.学位论文
    检索欧美学位论文可用《国际学位论文文摘》(DAI)、《美国博士论文索引》等。检索中国学位论文的检索工具是:《中国学位论文通报》,《中国科学院博士学位论文文摘》等。

    5.8 医药信息检索

    5.8.1 主要医药检索工具及其发展

    1.医药信息检索概况
      作为科技信息检索中的特殊分支,医药信息检索也同样走过了从最初的手工检索为主发展至今日的计算机检索为主的历程。如题录型《中文科技资料目录》(医药卫生)是手检检索工具;《中国生物医学文献数据库》(CBMdisc)则是医学检索光盘;《万方医药子系统》以及中国期刊网专题全文数据库(Web版)的医药卫生专辑是Web环境下的核心全文医学检索工具。
      国外医药检索工具著名的有美国《医学索引》(Index Medicus, 简称IM)和荷兰《医学文摘》(Excerpta Medica,简称EM)。IM和EM与CA(Chemical Abstract)、BA(Biological Abstract)一道被誉为四大著名生物医学检索工具。

    2.主要医药信息检索工具简介
    ①国内医药信息主要检索工具:见教材表4.1
    ②国外医药信息主要检索工具:见教材表4.2

    5.8.2 美国《医药索引》与PubMed数据库

    1.美国《医学索引》(Index Medicus,简称IM)

    ①美国《医学索引》概况
    美国《医学索引》(Index Medicus,简称IM)是最常用的综合性医学文献检索工具之一。IM收录世界各国主要的生物医学及其相关学科的期刊,到2003年为止,已收录世界上72个国家和地区的46种文字出版的生物医学期刊及与医学有关的科技期刊4 521种,其中收录中国期刊64种。IM的特点是历史悠久,报道速度快,检索效率较高,检索方便,内容全面,侧重于临床医学。

    ②检索体系
    IM设置了两种索引:主题索引(Subject Section)和著者索引(Author Section)。
    主题索引:供用户从拟查课题的主题概念入口检索文献。
    著者索引:供用户从著者姓名入口检索文献。

    ③《医学主题词表》(Medical Subject Headings,MeSH)
    是NLM对生物医学文献进行主题分析、标引的权威性检索工具,也是指导用户使用主题索引进行文献检索的工具。

    3.PubMed
    ①PubMed数据库概
    PubMed是美国国家生物信息中心(National Center for Biotechnology Information, NCBI)1997年5月推出的基于Web的检索软件。NCBI提供许多特色性的生物医学类数据库信息服务,PubMed 只是其提供的数据库服务之一,并实现了与系统内其他数据库之间的交叉链接。
    通过网址:http://www.ncbi.nlm.nih.gov/entrez/query.fcgi或进入http://www.ncbi.nlm.nih.gov主页后选择PubMed即可。

    ②数据库覆盖的范围及提供的主要服务
    MEDLINE 数据库的核心与印刷版的题录型检索工具Index Medicus(IM)对应,但其在收编内容和文献记录方式上都进行了扩充与发展,MEDLINE共包含三种重要索引Index Medicus(医学索引),Index to Dental Literature(牙科文献索引) 和International Nursing Index(国际护理学索引)。PubMed可检索的数据库实际上是MEDLINE数据库扩充版,内容包括MEDLINE记录、PreMEDLINE记录(未完成MeSH标引的最新记录)以及出版商直接提供的其他记录(Record Supplied by publisher)。

    ③PubMed 检索技术及检索功能
    PubMed系统主要提供了两种检索界面:基本检索和主题词检索。此外,还设置了一些特色检索服务。

    基本检索(Search)
    PubMed 的主页面就是基本检索界面。该界面设置了一个查询输入框,用户只需要在提问框中输入任意的检索提问,系统就会以其识别的语法规则进行运算并返回检索结果。值得一提的是,有别于其他检索系统,PubMed的“Search”检索功能非常广泛,既可以输入简单的任意词或词组查询,也可以实现类同于其他检索系统的高级检索和专家检索功能。
    基本检索的主要检索功能有:逻辑组配检索;自动转化提问词;截词检索;作者姓名自动截词检索;检索有摘要或全文的记录;字段检索等。

    主题词浏览(MeSH Browser)
    为了在检索过程中控制检索的精确度,系统设置了主题词浏览检索(MeSH Browser),即查询并选择主题词进行检索。

    辅助检索功能键
    “Limits”功能键,限制条件进行检索;“Previews/Index”功能键,预检索和Index检索;“History”功能键,查看检索史并利用已有的检索提问式进行检索;“Details”功能键,单击该键后,系统会将用户的提问词及PubMed转换后的检索词与完整检索表达式详细地显示在“PubMed Query”提问栏中,用户可在该提问栏内直接对检索表达式进行修改,然后单击“Search”再次发出检索请求。

    检索策略的修正
    PubMed在许多检索页面都提供了处于查询状态的检索提问框,用户可以根据上一次的检索结果随时进行修正。在调控和修改过程中,可以调用检索系统中的所有功能键与辅助功能键,灵活运用检索技术与检索技巧,达到与具体需求的统一。

    其他检索服务
    包括:期刊数据库查询,查找指定期刊上的论文;临床咨询,查找临床相关文献;引文匹配检索,查找特定记录等。

    ④检索结果显示及相关资源链接
    包括检索结果显示,获取记录相关资源,检索结果输出等。

    5.8.3 荷兰《医药文摘》

    1.荷兰《医学文摘》印刷本

    ①荷兰《医学文摘》(Excerpta Medica,简称EM) 概况
    荷兰《医学文摘》(Excerpta Medica,简称EM),创刊于1947年,收录全世界110个国家和地区的生物医学、药学及其相关学科期刊4 000多种,年报道文献量40万篇。特点:文摘质量高;按专题分册出版;收录范围广泛,偏重于欧洲、日本文献;卫生学、药学文献量大,但无护理、口腔、兽医及心理学分册。现有44个分册(其中43个文摘分册,1个题录分册)。按照统一的版式编排并具有相同的索引系统。《医学文摘》各分册目录一览见教材。

    ②编排结构及检索体系
    EM各分册均按各自学科体系单独编排,结构较为统一,依次包括以下几部分:分类目次、文摘正文、主题索引、著者索引。EM各分册均提供分类、主题和著者三种检索途径。

    2.荷兰《医学文摘》联机数据库

    ①概况
    荷兰《医学文摘》联机数据库(EMBASE)由Elsevier出版,其对应出版物是印刷版荷兰《医学文摘》的43个分册和1册题录索引。数据库中有近30%的记录未编入印刷本。目前,EMBASE拥有光盘版和网络版,国内引进的光盘数据库主要有美国银盘公司的EMBASE:Drugs&Pharmacology。网络版EMBASE则可以通过EMBASE公司的主页(http://www.embase.com/)进行检索。

    ②EMTREE Theraurus
    1991年EBMASE正式使用的树状词表(EMTREE),是用于文献主题标引和检索的等级词表。该词表在42 000个主要等级叙词的基础上,增设了180 000个同义词。并将所有词按概念关系逐层按等级排列。检索时可以通过页面的功能键进行精确控制。点击主页上方的“EMTREE keywords”,即可以按等级浏览选词检索。

    ③检索功能
    EMBASE的检索技术和逻辑运算与PubMed有些类似,但又有其特点。可提供:快速检索、高级检索、药物检索、疾病检索、文章检索等检索方法。

    ④其他辅助检索
    内容有树状结构关键词检索、期刊浏览、著者检索。

    5.9 农业信息检索

    5.9.1 农业信息检索体系发展概况

    农业信息检索工具和检索系统是检索体系中的重要分支。由于农业与生物学以及林业、畜牧业和渔业的天然联系,农业信息必然与这些相关领域的信息相互融合,因而它们的检索工具也相互融合,有时甚至成为一体。这种现象在世界三大农业信息数据库CABI、AGRIS、AGRICOLA和我国的农业信息检索系统中均有所体现。
    与其他检索工具一样,农业检索工具也有多种版本形式,如印刷版、光盘版和网络版。印刷版中的国外与国内的主要检索工具见教材表4.4和表4.5。

    5.9.2 世界三大农业文献数据库检索

    世界三大农业文献数据库CABI、AGRIS、AGRICOLA是当今世界收录农业文献量最大、专业覆盖面最广、利用率最高的农业文献数据库。CABI是国际农业和生物科学中心(Centre for Agriculture and Bioscience International) 出版的文摘型数据库;AGRIS是联合国粮农组织(FAO)所属的国际农业科技信息系统建立的农业书目数据库;AGRICOLA(Agricultural Online Access)数据库为美国农业图书馆编制的农业文献联机存取书目数据库。
      下面以网络版WebSPIRS为例介绍农业信息数据库的检索方法与技巧。WebSPIRS是检索农业数字化信息资源的主要系统,它包括多种不同内容的数据库,因此,在进入检索界面前,首先要勾选本次检索所需的数据库,进入检索界面。WebSPIRS检索界面比较清晰,它提供的检索功能主要有基本检索和辅助检索,可以选择检索结果显示与输出形式,同时还有一些附加功能。下面分别介绍。

    1.基本检索:
      有全文检索(即全记录检索);限制检索;语种限制;Search Builder(简易的检索方式)等。

    2.辅助检索
    ①Index(索引表)
    Index是数据库中所有可被检索的词或词组构成的一个索引表。该索引表可帮助用户解决两方面的问题:一是帮助用户选择能够反映课题内容的关键词;二是帮助用户解决对某个单词或词组拼法不熟悉的问题。

    ②Thesaurus(叙词表)
    Thesaurus是一个生物叙词表,该表中的所有词和词组都是经过规范化处理的。Thesaurus有三个作用:帮助用户选择规范化的主题词,Thesaurus中的“see”(见)和“used for”(代),可起到核对(选准)主题词的作用,提高文献查准率;选用叙词表中的上位词或相关词,可实现扩检,提高文献的查全率;选用叙词表中的下位词,可实现缩检,提高查准率。

    3.结果显示与输出
    检索完成后,系统即自动显示检索结果和总记录数,并在检索历史区(Search History)生成一个检索项。点击每个检索项后的“Display”显示先前执行过的检索结果。

    4.系统附加功能
    ①Search History(检索历史)
    每完成一次检索,在检索历史区就会生成一个检索项号(#),并显示检索策略及检中记录数。每个检索项前有复选框可供勾选。

    ②Save History(存储检索历史)、Load Search History(载入检索历史)
    通过“Save History”功能键,可将用户经常使用的检索策略储存起来,只需键入自己的E-mail地址,选择保存的有效期即可。而“Load Search History”则将保存的检索策略调出重新进行检索。

    ③链接馆藏和整合电子期刊馆藏
    在检索结果界面中,某些记录后有“Link”按钮,可链接至本馆所订购的电子期刊全文。

    5.检索技术要点
    ①布尔逻辑算符:为“and”、“or”、“not”。
    ②截词算符:“?”为有限截词符,可用1到n个“?”表示0到n个字符;“*”为无限截词符,表示0到无数个字符。
    ③字段限定符:WebSPIRS提供字段限定符功能以提高查准率,限定符为“in”。
    ④位置算符:WebSPIRS提供的位置算符有三个,“with”、“near”和“ADJ”,其作用是缩小检索范围,提高文献的查准率。

    5.10 重要数据图谱

    在科技信息检索中,许多科技数据经过长期的积累形成了许多专业数据资源,并以数据、图形、表格等形式记录于工具书中,包括数表、谱图、星图、地图、图谱、图录、年表、历表等,形成了独具特色的一类信息资源。下面是几种特别重要的大型数据图表。
    1.LBT
    LBT是Landolt-Bornstein’s Zahlenwerte und Functionen aus Physik, Chemie, Astronomie, Geophysik und Technik(兰多特-波斯坦科技数据表)的简称。LBT是世界上公认的最好的科技数据大全,LBT的检索方法一般是按照其固有的体系结构查阅。

    2.Sadtler波谱
    Sadtler波谱全称为Sadtler Standard Spectra Collections(沙特莱标准波谱汇集),自1947年以来以活页本和汇编本形式连续编号出版,是世界上最庞大的一套查检光谱资料的标准工具。

    (1)Sadtler标准波谱印刷本
    Sadtler标准波谱印刷本由两部分组成,正文和索引。正文收录有关化合物的各种波谱数据及一些相关数据。使用Sadtler波谱的方法是通过索引查检,最重要的索引是1980年出版的标准光谱总索引和1981-1995年标准光谱累积索引。

    (2)Sadtler标准波谱网络版
    现在已经可以通过网络检索最新的Sadtler波谱资料,URL为http://www.sadtler.com。

    5.11 常用科技参考工具书

    除上述检索工具及数据库外,科技信息检索中也使用辞典、百科全书、年鉴、手册等参考工具书,
    (1)辞典:如《物理科学词典——术语、公式、数据》、《麦格劳- 希尔科学技术术语词典》、《单位换算词典》、《道兰氏英汉插图医学辞海》等(详见教材)。
    (2)百科全书:如《麦格劳-希尔科学技术百科全书》、《美国学术百科全书》、《电子电路百科全书》、《国际机器人学——应用和自动化百科全书》等(详见教材)。
    (3)年鉴:如《麦格劳-希尔科学技术年鉴》、《科学年鉴》、《国际电子学数据年鉴》等(详见教材)。
    (4)手册 :如《CRC化学物理手册》、《国际半导体数据手册》、《集成电路应用手册》等(详见教材)。
    (5)科技工具书指南:如《麦格劳-希尔基本科技书目》、《数学/科学使用者指南》、《国外科技工具书指南》等(详见教材)。

    展开全文
  • 文章目录信息的含义信息的特征信息的功能信息类型互联网对信息的影响网络环境下信息的新特点信息检索的原理信息检索类型信息检索的意义/作用信息检索的历程信息检索系统信息检索方法信息检索效果影响信息检索...

    信息

    在这里插入图片描述

    信息的功能(信息的功效和作用)

    在这里插入图片描述

    信息的类型(信息的分类)

    在这里插入图片描述
    依据信息的运动状态(自在、自为和再生)
    自在信息指没有进入人的认识领域,未把握自然信息。
    自为信息指人感知的信息,是已被把握的自在信息
    再生信息指主体对自为加工制作后向外界输出的信息,是主体反映客体而形成的观念性信息和思维信息

    按照信息的加工处理程度(零次、一次、二次和三次)

    零次信息指在人际交流口头携带和传播的信息

    • 包括交谈、聚会、参观以及人际通过其他直接接触方式形成的信息。
    • 零次信息产生于交流的过程,具有选择性和针对性较强、交流速度快、反馈及时等特点。
    • 由于零次信息的出现和传递都带有很大的偶然性,而且未经记录和加工,不便于积累和检验,因而增加了获取难度

    一次信息未经过加工或粗加工的原始信息资源,也称原始信息,是人们在社会实践活动中直接产生或得到的各种数据、概念、知识、经验及总结。

    • 一次信息数量庞杂而分散,主要包括著作、报纸、期刊、会议资料、研究报告、政府出版物、专利说明书、产品样本、标准文献、学位论文等等。
    • 一次信息价值高、数量大,是最基本的信息,对科学研究和社会实践具有重要的参考和使用价值。

    二次信息是以一次信息为依据进行加工整理而形成的信息,是对一次信息浓缩或有序化的产物

    • 包括目录、文摘、索引等。
    • 二次信息具有传递信息、报道信息的功能,更重要的是为查找一次信息提供线索。
    • 它具有系统性、工具性等特点。

    三次信息是在对零次信息、一次信息、二次信息进行分析研究、加工提炼和概括综合而形成的信息。

    • 具体包括综述、述评、进展报告、学科年度总结等。其中,综述和述评是三次信息最基本的两种形式。
    • 具有信息量大、综合性强和系统性好等特点。

    (3)依据信息内容(经济、科技、政务、文化、教育、军事)

    经济信息包含一切经济活动中产生的信息。
    科技信息指与科学技术有关的信息。
    政务信息指一切产生于政府活动中的信息。
    文化信息主要来自文化领域,包括文学、艺术、出版等。
    教育信息从教育活动中形成
    军事信息指与国防军事相关的信息。

    (4)按信息的出版发行特点(正式和非正式)
    正式出版信息指公开出版发行的信息,主要包括图书、期刊、报纸等。

    非正式出版信息,也称特种文献或灰色文献,指不经过公开出版物流通渠道、不大量发行、为一部分用户使用的内部文献信息资料。具有信息量大、形式多样、载体不固定等特点。包括会议文献、学位论文、政府出版物、研究报告、档案、专利文献、标准文献等。

    第一,图书。据联合国教科文组织的规定,49页以上装订成册的印刷品称为图书。凡正式出版的图书均有国际标准书号ISBN,由10位数字分为四个部分组成。图书的内容相对比较成熟、全面,是一种重要的信息。

    第二,期刊。又名杂志,是一种有固定的名称,统一的版面形式,按期出版,标有刊期等序号的连续出版物。正式出版的期刊均有国际连续出版物标准刊号ISSN,由8位数字分两个部分组成。期刊具有数量大、出版及时、内容新颖等显著特点,对于科学研究具有重要的参考价值。

    第三,报纸。属于连续出版物,具有出版周期短、时效性强的特点。报纸类的信息非常丰富,涉及经济、文化、社会、生活各个方面,能够动态地反映出最新的信息。

    网络环境下的信息变化

    (1)互联网引发了信息新的出版形式——网络出版,形成了新型的网络信息资源

    (2)互联网使人类传统的信息交流方式发生了根本性的变化:具体表现为两个方面。一方面,互联网的信息交流呈现出明显的开放性和广泛性。另一方面,信息交流方式显现出较强的交互性和实时性

    (3)互联网推动了信息技术的发展:互联网使计算机信息处理技术(数字技术为核心)得到了长足的发展。对多重信息形式进行综合处理的多媒体技术。

    网络环境下信息的新特点

    (1)信息类型多样化:印刷型信息、磁光介质型信息和网络型信息
    (2)信息的数量和内容都得到了极大的丰富:信息发布的自由性和任意性导致了网络信息的激增,现代信息技术为信息内容的展现提供了坚实的技术支持,信息内容更加深入和丰富。
    (3)信息在分布上呈现出明显的分散性:纸本文献信息主要集中在图书馆、情报所、档案馆、书店、出版社等场所。网络信息资源无论在地理上还是在组织形式上都呈现出分散分布的特点,互联网中任何一个资源服务器上都存储有提供给用户利用的信息。
    (4)信息共享程度提高:信息网络给人类带来了方便的信息获取渠道信息资源更大程度的共享,为人类提供了一个全新的信息环境。

    信息检索

    在这里插入图片描述

    • 从广义的角度讲,信息检索包含信息存储和信息获取两个过程。

    • 信息存储指通过对大量无序信息的选择和收集、著录和标引等方法,建成各种各样的信息检索工具或信息检索系统,使之成为有序化信息集合的过程

    • 获取是存储的逆过程,其实质是根据特定的需求,运用已组织好的检索系统,将特定的信息查找出来。

    • 存储是获取的前提和基础,没有存储就没有获取,而获取是存储的目的,二者密切联系,互为依存,缺一不可。

    • 狭义的信息检索是指广义的信息检索的后一个过程,即信息获取的过程。具体来说,指通过一定的方法,从已存储的信息中检索出与用户提问相关的文献、数据和事实的过程,即根据用户的特定要求查找所需信息的过程

    信息检索的原理

    信息检索的基本原理可以概括为:对信息资源集合与信息需求集合的匹配与选择

    信息检索的类型

    (1)按检索对象和内容划分(文献、数据、事实)
    文献检索信息检索的主体部分,以特定的文献为检索对象(全文、文摘、题录)。是一种相关性检索,它不直接回答用户所提技术问题的本身,只提供有关的文献供参考。
    数据检索:以特定的数据为检索对象(统计数字、工程数据、图表、计算公式、化学结构式)。是一种确定性检索,它能够提供确切的数据,直接回答用户所提问题的本身。
    事实检索:以特定的事实为检索对象,如有关某一事件发生的时间、地点、人物和过程等。是一种确定性检索,一般能够直接提供用户所需的确定的事实。但有时需要对所得到的事实进行必要的分析和推理,才能得到最终的答案。

    新的三分方法(文本、数值、音频与视频)
    文本检索。它是指以各种自然语言符号系统所表示的信息作为主要检索对象的信息检索活动。
    数值检索。主要针对数值型数据的查询而发展起来的一类较有特色的信息检索活动。在此基础上提供一定的数据运算与推导能力,以及制表、绘图功能。
    音频与视频检索。主要针对各种数字化音频与视频信息而进行查询的一类新型的信息检索操作。

    (2)按检索系统中信息的组织方式划分(全文、多媒体、超媒体)

    ①全文检索。对检索系统中存储的整篇文章乃至整本书按照自己的需要获取有关的章、段、句、节等信息,还可以进行各种频率统计和内容分析。

    ②多媒体检索。查找含有特定信息的多媒体文献的检索,其结果是以多媒体形式反映特定信息的文献或片段,如图形、图像、声音、动画、影片等。

    ③超媒体检索。包括对超文本和多媒体进行的检索。系统中存储的对象不仅有文本,还有图形、图像、声音、视频等多媒体信息。这些信息在组织结构上以超级链接的方式存在,因而检索的结果是逻辑连接链

    (3)按检索要求划分(强相关、弱相关)
    ①强相关检索。强调的是查准率
    ②弱相关检索。强调的是查全率查全率与查准率往往是成反比的

    (4)按检索性质划分(定期、回溯)
    ①定期检索。又称为SDI检索,是查找有关特定主题最新信息的检索。
    ②回溯检索。也称为追溯检索,是查找一段时期内有关特定主题信息的检索。

    (5)按检索方式划分(手工、机械、计算机)
    ①手工检索。是以手工方式、利用印刷型工具书查找文献信息的过程

    ②机械信息检索:机械信息检索系统是各种机械装置进行信息检索的机械系统,是手工检索向现代信息检索的过渡阶段。
    主要包括两种基本类型:机电信息检索系统光电信息检索系统。

    ③计算机检索:是通过计算机及网络设备,利用光、磁等媒介存储检索文献信息的过程。按信息组织方式的不同,计算机检索分为文本检索、超文本检索和超媒体检索

    信息检索的意义/作用

    在这里插入图片描述
    信息检索是有效获取人类智力资源的重要手段,是连接信息生产者和信息需求者的通道和接口。

    其主要作用表现在以下方面
    (1)信息检索是有效利用信息资源、实现其最大价值的科学方法
    包括检索策略的制定、检索工具的选择、检索手段的选择等

    (2)信息检索是再学习的工具,是获取知识的有效途径
    信息检索已成为人们获取知识、提高自我的最重要最普遍的形式。人们通过各种途径获取信息,完成知识更新,适应社会的发展,而信息检索正是人们获取知识的有效途径。
    (3)信息检索能有效地提高科研工作的效率,节省人力物力及时间

    信息检索的历程

    信息检索的发展与人们信息需求的增长以及现代信息技术的进程紧密相关

    (1)手工检索:手工检索直接发源于图书馆的参考咨询工作和文献索引工作。纸本工具书是这一时期信息检索的主要工具。
    (2)计算机检索阶段:美国海军兵器中心首先在IBM701型电子计算机上成功建立了世界第一个计算机文献检索系统,标志着人类开始步入利用计算机进行信息检索的新的历史时期。计算机检索经历了脱机检索、联机检索、光盘检索和网络检索四个阶段。

    信息检索系统

    信息检索系统的含义及工作原理

    信息检索系统是指根据特定的信息需求而建立起来的一种有关信息搜集、加工、存储和检索的程序化系统,其主要目的是为人们提供信息检索服务

    信息检索系统有多重形式,如工具书、数据库或搜索引擎等。

    信息检索系统包括信息的存储和获取两个部分,分别对应信息的输入和输出过程。
    在这里插入图片描述
    信息检索系统的输入端是针对信息,使信息能够易于识别和理解,便于回答用户的各种提问。
    信息检索系统的输出端是针对用户的提问,用户自己直接对信息检索系统进行提问,编制检索策略。

    信息检索系统的构成

    在这里插入图片描述
    信息检索系统具有对信息的输入功能、存储功能、处理功能、输出功能及控制功能

    信息选择子系统:搜集相关的信息资源,为系统提供数据来源
    信息索引子系统:根据具体的词表和名词规范,来选择准确的信息标识
    词表管理子系统:输出各种形式的词汇数据或词表产品(从个别词目、词间关系、词频数据到整部词表)。
    检索子系统:承担接收用户提问、提问校验和进行检索等功能。
    用户同系统之间交互子系统:与用户进行交流,以便真正明确用户的真实信息需求,明确检索提问,并准确表述等功能。
    匹配子系统:将信息标识检索提问进行相符性比较的子系统。

    信息检索系统的分类(手工检索系统、计算机)

    在这里插入图片描述
    ①手工检索系统:是以印刷型检索工具为基础的检索系统,它可以直接进行利用,不需要依赖任何计算机或其他设备。

    手工检索系统主要是经过大脑的判断来实施和完成检索,面对的是印刷型载体,符合人们长期以来形成的阅读习惯,而且,可以根据需要及时调整检索策略,达到满意的效果。

    但是手工检索系统收录的范围有限,更新速度慢,检索效率远不及计算机检索系统

    • 常用的手工检索系统主要有书本式的手工检索系统,以图书、期刊、附录等形式出版的各种检索工具书和检索刊物,如目录、索引、文摘、百科全书、年鉴和手册等等;
    • 卡片式的手工检索系统,以卡片的形式出现的检索系统,包括图书馆的卡片式目录等,如一般的图书馆都设有书名目录、著者目录、分类目录和主题目录等。

    在这里插入图片描述
    ②计算机检索系统:指依赖于计算机进行信息检索的系统,主要由三个部分构成,即硬件部分、软件部分和信息数据库

    硬件以计算机为中心的一系列机器设备。
    软件又称计算机程序,是指挥和控制计算机各部分协调工作并完成各项功能的程序和各种数据。
    数据库是依照某种数据模型组织起来并存放于计算机存储设备中的数据集合,是计算机信息检索系统最重要的组成部分。
    对用户而言,计算机检索系统主要是数据库的使用。国际上一般把数据库分为参考数据库和源数据库两种。

    • 参考数据库(Reference Databases)是指为用户提供信息线索的数据库(书目数据库和指南数据库)

    • 书目数据库/二次信息数据库。书目数据库中的数据来源于各种不同的一次信息,是经过加工和提炼的数据。包含文摘、目录、题录等书目数据

    • 在联机检索和光盘检索中,有许多书目数据库,可以满足用户回溯检索和定题检索的需要。

    • 指南数据库。是有关机构、人物等相关信息的简要描述。包括各种机构名录数据库、人物传记数据库、产品信息数据库、软件数据库、技术标准数据库、基金数据库等。

    • 源数据库(Soure Databases)指能直接提供原始资料或具体数据的数据库。

    • 包括数值数据库、文本—数值数据库、全文数据库、术语数据库、图像数据库和多媒体数据库等。

    目前,计算机检索系统是检索系统的主流,主要包括光盘检索系统、联机检索系统和网络检索系统。

    【四】信息检索方法(直接浏览、常用、追溯和综合法)

    信息检索的效率与具体的信息检索方法有很大的关系

    (1)直接浏览法:也称直接查找法,指检索者不依靠任何检索工具或检索系统,从本专业最新核心期刊或其它文献中直接阅读原文或浏览最新目次而获取文献的方法。

    直接浏览则可以及时获得最新文献。
    但利用这种方法查找的信息不全面,不系统且局限性较大。

    (2)常用法:指利用检索系统来查找信息的方法。常用法包括顺查法、倒查法和抽查法

    • 顺查,就是由远及近的顺时间查找。利用顺查法,一般需要了解检索课题的背景和发生简况,从而选择比较适宜的检索工具及检索系统,从问题产生的时间开始查起,直到最新的文献信息。这种方法查全率较高
    • 倒查,就是由近及远地逆时间查找。倒查法的重点是放在近期信息资源上,检索效率较高。但不如顺查法查全率高,对检索课题的来龙去脉不易掌握。写作论文做资料准备时常采用这种办法。
    • 抽查,即抽取其中某段时间查找。抽查法关注有关课题的文献信息最可能出现或最多出现的时间段。用这种方法能获得相对集中、具有代表性且能反映该课题发展水平的文献信息

    (3)追溯法:指从已有的文献信息后所列的参考文献入手,逐一追查原文,从这些新查到的原文后面所附的参考文献再逐一追查,不断扩大检索范围的检索方法。

    • 其优点是在没有检索工具或检索工具不齐全的情况下,借助此种方法,也可以查到一批有关的文献。
    • 其缺点是原文作者引用的参考文献是有限的,不可能列出全部有关文献,而且有的引用文献又与原文关系较小或较远,参考价值不大。单独使用这种方法,还是存在一定的局限性。

    美国的《科学引文索引 就是按照这一原理而编制的一种检索工具。比如,它可以从作者途径去检索引用该作者著作的有关文献,它不仅反映出某个作者历来发表了哪些文献,而且也反映出其他作者引用该文献从而发表新的著作的情况。它揭示了科技文献中引用与被引用的客观状况

    (4)综合法:也称分段查找法、循环法或交替法。先利用检索工具查出一定时期内的一批有用的文献,然后依据这些文献后所附的参考文献,利用追溯法查出前一时期的文献,如此分期分段地交替使用常用法和追溯法两种查找方法,直到满足要求为止。这种方法兼有上述两种方法的优点,可以查得全面而准确的信息,适合于查阅那些过去文献量较小的专业资料,并可弥补因检索工具不全而造成的漏检,检索效果较好。

    在这里插入图片描述

    【五】信息检索效果

    衡量了检索结果对用户需求的满足程度,是检索系统性能的直接反映。

    信息检索效果评价是指运用科学的方法,按照设定的指标体系,对信息检索效果进行评价的过程
    信息检索效果评价的核心问题是建立一套切实可行的评价指标
    在这里插入图片描述
    目前,主要从三个方面进行评价:
    检索结果有效性评价:主要以查全率和查准率为评价标准;
    检索系统实用性的评价:包括系统对用户是否需要,是否实用,有多大的实用效果,即检索的社会效果的评价,需要应用社会学方法;
    检索费用—效率评价:即检索的经济效果的评价,包括检索系统完成检索服务的成本及时间消耗,需要应用经济学方法。

    美国著名情报学家兰卡斯特提出,用户可以从质量、费用和时间三方面来评价检索系统。
    质量标准主要通过数据库覆盖范围、查全率、查准率、数据的完整性和准确性来反映。
    费用标准即检索费用,是指用户为检索课题所投入的费用。
    时间标准是指花费时间,包括检索准备时间、检索过程时间、获取文献时间等。

    其中,查全率和查准率是判定检索效果的主要标准

    评价信息效果的指标

    据美国学者克莱弗登的研究,评价信息检索效果的指标主要有六个:收录范围、查全率、查准率、响应时间、用户负担和输出形式

    (1)查全率和查准率
    查全率和查准率现已成为评价检索效果最常用的两项关键指标。确定查全率和查准率最常用的方法是有名的2×2表。2×2表反映了检索系统在某一次检索时所得到的结果状况。

    ③查全率和查准率的局限性:首先,在计算查全率时,一个检索系统中总共有多少相关文献(a + c)难以确切计算,而只能是大概估算;其次,在计算查准率时,用户对文献的相关性估计与系统的相关性判断不一定是完全吻合的,而且,不同的用户对相关文献的认识也可能不一致,存在着太多的主观成分和一些模糊概念。因此,用上述方法求得的查全率与查准率并不是绝对的,而只能是相对近似地描述检索效果。

    ④查全率与查准率的关系:传统的情报检索理论认为,查全率与查准率具有互逆相关关系,如果提高检索的查准率,就会降低检索的查全率。目前,一些学者对查全率和查准率的关系进行了深入研究,提出这两个指标之间不仅存在互逆关系,而且还可以存在互顺关系。
    查全率与查准率之间的关系与检索提问式的结构有关,不同的检索条件下,两者之间将呈现不同的关系。

    (4)其他与检索效果相关的指标
    收录范围又称数据覆盖率,用以揭示数据库的涵盖范围。

    输出形式是系统检索出文献信息的展示形式,可能是文献号、题录、文摘或全文等。输出的信息越多且便于浏览,用户越容易做出相关性判断。

    系统的易用性也称可存取性,反映了信息检索系统的易用程度。

    用户负担是用户在检索过程中所消耗的物力、财力乃至精力的总和。结果的重复链接率指检索结果中内容重复的结果数占全部检索结果数的比例。死链接率指检索结果中死链接的结果数占全部检索结果数的比例。

    影响信息检索效果的因素

    在这里插入图片描述

    (1)标引的质量:信息标引的正确性对信息检索的查全率和查准率有着直接影响。

    正确的标引可以使同一主题的信息准确而全面地被检索出来。标引误差主要来自主题分析误差、标引深度误差(查全率)等。

    (2)检索语言的性能:检索语言是将信息标引和检索提问联系起来的重要桥梁,是沟通信息存储和信息检索的纽带,对于特定信息需求和信息检索系统中信息集合的准确匹配具有直接的影响。

    检索语言用于标引信息内容及其外表特征,可以对内容相同及相关信息加以集中或者揭示其相关性;
    将信息的存储集中化、系统化、组织化,便于检索者按照一定的排列次序进行有序化检索;
    便于将标引用语和检索用语进行相符性比较,保证不同检索人员表述相同信息内容的一致性,以及检索人员与标引人员对相同信息内容表述的一致性。

    (3)检索途径的数量:也称检索入口,主要依据信息的内容特征和外部特征来确定。

    检索信息内容特征的有分类、主题和全文途径,检索信息外部特征的有题名、著者、文献编号途径等

    该系统能够提供的检索途径越多,越便于检索人员对信息的查找和获取。

    (4)检索策略的优劣:检索策略是进行检索的规划和方案,是影响检索效果的重要因素。

    (5)检索人员的素质:检索人员应该具备一定的信息检索知识,能够正确地分析检索课题,准确地表达信息需求,掌握信息检索的基本方法,了解计算机操作的基础知识,熟悉有关的信息检索工具和检索系统。

    信息检索途径

    信息检索途径是信息检索系统和检索工具所提供的检索入口。常用的检索途径包括分类途径、主题词/关键词途径、题名途径、代码途径、任意词途径、时间途径、出处途径等。
    (1)分类途径:是按文献内容的学科分类体系查找文献的途径。它是以分类语言编制的检索系统所提供的一种文献查询方式。

    分类目录和分类索引是检索系统常用的检索途径。

    (2)主题词/关键词途径:主题词及其派生出的关键词为标识查找文献的途径。

    主题目录和主题索引一般是手工检索系统提供的辅助检索途径。

    (3)题名途径:也称书名途径、篇名途径。如果知道文献的题名,即可通过题名途径查到所需文献。

    (4)著者途径:著者目录和著者索引是检索系统常用的检索途径,如图书馆的卡片著者目录。

    (5)代码途径:专用代号查找文献的途径。(国际标准书号(ISBN),国际连续出版物号(ISSN)以及专利号、合同号)International Standard Book Number

    (6)出处途径:输入原文献的刊载处,如报刊名、出版单位名,可检索到该刊载处出版、发表的有关文献。

    (7)时间途径:是以文献的时间范围查找文献的途径。一般和其他检索途径配合使用,不单独使用。

    (8)任意词途径:也称自由词途径。它是以自然语言编制的全文检索系统所提供的一种文献查询方式。输入字、字符、数字、词或词组等任意字或词,可检出所有在任一处出现该字、字符、数字、词或词组的文献。

    信息检索的模型

    不同信息检索系统获取信息的方式与途径不同,但它们的基本原理是相同的:即检索系统对用户信息需求与系统存储的信息资源所进行的匹配。

    检索模型,就是对信息检索任务的数学抽象
    信息集、用户提问集、信息集与用户提问集的相似性匹配是信息检索模型的三要素。

    信息检索模型的类型主要有集合论模型、代数论模型、概率论模型等。

    集合论模型、代数论模型和概率论模型的一个共同点是:它们都建立在对信息内容特征的标引与匹配上。下面介绍几种主要的信息检索模型:

    (1)布尔逻辑检索模型(BRM):采通过对文献标识与提问式的逻辑运算来检索文献。该模型具有逻辑运算符较少、提问式构造简单且易修改等优点

    (2)向量空间检索模型(VSM):既有布尔检索模型的简介形式化特点,又有有效的匹配算法设计以及合理的结果排序处理方式,在文本检索、文本分类、文本过滤等领域都有典型的应用。

    (3)概率检索模型(简称PRM):主要研究表示文档的随机向量在相关文档集和无关文档集中的概率分布。概率模型具有一种内在的相关反馈机制,它把检索处理过程看做是一个不断逼近并最终确认命中文档集合特征的过程

    (4)模糊检索模型(FRM):基于模糊集合理论,其出发点是用“隶属函数”的概念来描述差异的中间过渡,并通过隶属函数对经典集合论加以推广。模糊检索模型与经典布尔模型关系密切,它基本保留了布尔检索功能,但更为灵活,对那些既想利用布尔检索长处、又想避免其二值相关性判断局限性的人们来说,能够较好地满足需求。

    信息素养与信息检索

    (1)信息素养的概念:信息素养是指个体成员有目的地搜集、选择、整理、加工、评价与利用信息的过程中所具备的一种复合品质。

    信息素养包含两个核心能力,即信息意识和信息获取

    所谓信息意识,是对信息知识的价值、功能和作用的认识和理解,是自觉地获取有关信息知识、并加以及时分析与利用的内在动力。

    信息能力即人们获取信息、处理信息、利用信息和创造信息的能力,是一种了解和获取信息的过程。

    信息意识是信息能力的基础和前提,并渗透于信息能力的全过程,只有强烈的信息意识才能推动信息能力的提高。

    (2)信息素养的培养:其中信息检索能力是培养提高信息素质的重要途径。

    信息检索能够促进信息意识的增强
    文献信息具有满足人们某种需求的价值。但人们能否及时有效地获取所需的信息,则取决于信息意识的强与弱。因为,对文献信息的获取和利用的行为是收到信息意识支配的。

    但信息意识的增强是在信息检索的实践中实现的,它需要人们有意识地在信息获取与利用的过程中自觉地去培养。

    信息意识与信息检索是相辅相成的。信息意识能促进信息检索能力的提高和完善,而信息检索又是培养、增强信息意识的重要途径。

    信息检索能够促进信息能力的提高:掌握信息检索只是并在信息实践中培养信息检索能力,就能逐步提高自己的信息能力。

    展开全文
  • 第四章 信息检索原理与技术 4.1 信息检索的概念 信息检索是指从信息集合中迅速、准确地查找出所需信息的程序和方法。信息检索有广义、狭义之分 • 广义信息检索信息存储与检索两个过程。 • 狭义信息检索:仅指从...

    第四章 信息检索原理与技术

    4.1 信息检索的概念

    信息检索是指从信息集合中迅速、准确地查找出所需信息的程序和方法。信息检索有广义、狭义之分
    • 广义信息检索:信息存储与检索两个过程。
    • 狭义信息检索:仅指从检索工具或数据库中准确的检出信息这一过程,即信息查找的过程

    4.1.1 信息检索的含义

    1.狭义的信息检索(Information Retrieval)是指依据一定的方法,从已经组织好的大量有关信息集合中,查找并获取特定的相关信息的过程。这里的信息集合,往往指关于文献或信息的线索,得到检索结果后一般还要通过检索命中的文献或信息线索索取原始文献或信息。
    2.广义的检索包括信息的存储和检索两个过程(Information Storage and Retrieval)。信息存储是将大量无序的信息集中起来,根据信息源的外部特征和内容特征,经过整理、分类、浓缩、标引等处理,使其系统化、有序化,并按一定的技术要求建成一个具有检索功能的数据库或检索系统,供人们检索和利用。而检索是指运用编制好的检索工具或检索系统,查找出满足用户要求的特定信息。

    4.1.2 信息检索的实质、过程

    信息检索全过程包括两个方面:

    1.信息标引和存储过程。标引是用检索语言和分类号、主题词表示信息,通过对大量无序的信息资源进行标引处理,使之有序化,并按科学的方法存储组成检索系统,这是组织检索系统的过程。

    2.信息的需求分析和检索过程。分析用户的信息需求,利用组织好的检索系统,按照系统提供的检索方法和途径检索有关信息,这是检索系统的应用过程。
    信息检索的实质是将描述用户所需信息的提问特征,与信息存储的检索标识进行比较,从中找出与提问特征一致或基本一致的信息。
    信息检索是对信息集合与需求集合的匹配与选择。

    4.1.3 信息检索的作用

    1.避免重复研究或走弯路
    2.节省学习者的时间
    3.是获取新知识的捷径

    4.1.4 信息存储与信息检索的关系

    信息存储与信息检索是密不可分的两个过程,同时又是互逆的。存储是为了检索,而检索必须先要存储。没有存储检索就无从谈起。这是存储与检索相辅相成、相互依存的辩证关系。

    4.2 信息检索的类型

    4.2.1 按检索的方式分

    1.手工检索

    手工检索简称“手检”,是指人们通过手工的方式检索信息,其使用的检索工具主要是书本型、卡片式的信息系统,即目录、索引、文摘和各类工具书。检索过程是由人工以手工的方式完成的。

    2.计算机检索

    计算机检索简称“机捡”,是指人们利用数据库、计算机软件技术、计算机网络及通信系统进行的信息检索,其检索过程是在人机的协同作用下完成的。

    3.综合检索

    在文献信息检索的过程中,既使用手工检索方式,又使用计算机检索方式,也就是同时使用两种检索方式。

    4.2.2 按检索内容或检索目标分

    1.文献型信息检索

    文献型信息检索是指利用检索工具或检索系统查找文献的过程,包括文献线索检索和文献全文检索。
    文献线索检索是指利用检索工具或检索系统查找文献的出处,检索结果是文献线索。
    文献全文检索是以文献所含的全部信息作为检索内容,即检索系统存储的是整篇文章或整部图书的全部内容。文献全文检索是当前计算机信息检索的发展方向之一。

    2.事实型信息检索

    事实型信息检索是以特定客观事实为检索对象,借助于提供事实检索的检索工具与数据库进行捡索。其检索结果为基本事实。如某个字、词的查找,某一诗词文句的查找,某一年、月、日的查找,某一地名的查找,某一人物的查找,某一机构的查找.某一事件的查找,某一法规制度的查找,某一图像的查找,某一数据、参数、公式或化学分子式的查找等。

    3.数据型信息检索

    数据型信息检索是一种确定性检索,是以数值或图表形式表示的数据为检索对象的信息检索,又称“数值检索”。检索系统中存储的是大量的数据,这些数据既包括物质的各种参数、电话号码、银行账号、观测数据、统计数据等数字数据,也包括图表、图谱、市场行情、化学分子式、物质的各种特性等非数字数据。

    4.2.3 按系统中信息的组织方式分

    1.全文检索
    指检索系统中存储的是整篇文章乃至整本图书。用户根据个人的需求从中获取有关的章、节、段、句等信息,并且还可以做各种统计和分析。

    2.超文本检索
    超文本结构类似于人类的联想记忆结构,它采用了一种非线性的网状结构组织块状信息,没有固定的顺序.也不要求读者必须按照某个顺序来阅读。采用这种网状结构,各信息块很容易按照信息的原始结构或人们的“联想”关系加以组织。

    3.超媒体检索
    由于把多媒体信息引入超文本里.产生了多媒体超文本,也即超媒体。它是对超文本检索的补充,其存储对象超出了文本范畴,融入了静态、动态图像及声音等多媒体信息。信息存储结构从单维发展到多维,存储空间范围不断扩大。

    4.2.4 以文献的外部特征为检索途径

    1.题名途径
    文献题名是指文献的名称,如图书的书名、期刊的刊名、报纸的报纸名称、光盘的光盘名称等。它是认识一篇文献的起点。通过题名途径可查找图书、期刊、单篇文献。检索工具中的书名索引、会议名称索引、书目索引、刊名索引等都提供了从题名进行文献检索的途径。

    2.著作途径
    文献著者是指对文献内容负有责任的个人或机关团体,也就是我们常说的作者、编者、译者等。著者途径也是人们检索文献经常使用的一条途径,包含个人著者、团体著者、专利发明人、专利权人、合同户、学术会议主办单位等。利用责任者途径检索文献,主要利用的是作者索引、作者目录、个人作者索引、团体作者索引、专利权人索引等。

    3.代码途径
    很多文献因其本身特点有特定序号,如科技报告号、专利号、标准号、信息收藏单位的入藏号、ISBN、ISSN等。代码途径就是依据文献信息出版时所编的代码顺序来检索文献信息的途径。这些序号往往具有唯一性,可以据此识别特定的文献信息。依据这些序号数字顺序可编制序号索引,提供序号检索途径。同时,许多检索系统利用事物本身具有的某种符号代码编制成分子式、元素符号、结构式等索引,提供从特定符号代码顺序进行检索的途径,如化合物索引。

    4.2.5 以文献的内部特征为检索途径

    1.分类途径
    分类途径是以课题的学科属性为出发点,按学科分类体系来查找文献信息,以分类作为检索点,利用学科分类表、分类目录、分类索引等按学科体系编排的检索工具来查找有关某一学科或相关学科领域的文献信息。它能满足族性检索的需求。

    2.主题途径
    主题途径是利用信息的主题内容进行检索的途径,即利用从自然语言中抽象出来的,或者经过人工规范化的、能够代表信息内容的标引词来检索。它冲破了按学科分类的束缚,使分散在各个学科领域里的有关同一课题的信息集中于同一主题,使用时就如同查字典一样方便和快捷。其最大优点是把同性质的事物集中于一处,使用户在检索时便于选取,而且将同类事物集中在一起的方法符合人们的工作和生活习惯,直接而准确。

    4.3 检索语言

    4.3.1 检索语言的含义

    检索语言是根据信息检索的需要而创造的专供信息存储和信息检索使用的一种人工语言。
    检索语言是在文献信息检索过程中使用的特定语言形式,它的作用在于促成信息检索系统与检索用户的沟通。

    4.3.2 检索语言的类型

    1. 描述文献外部特征的语言
    (1)题名语言
    (2)著者语言
    (3)代码语言

    2.描述文献内部特征的语言

    (1)分类语言
    所谓“类”是指具有共同属性的事物的集合。每一种事物都有多种属性,用其某一种属性作为划分依据来对一事物进行划分就称为分类。分类是人类逻辑思维的一种最基本的形式。分类语言是用分类号表达学科体系的各种概念,将各种概念按学科性质进行分类和系统排列。

    (2)主题语言
    主题“是一组具有共性事物的总称,用以表达文献所论述和研究的具体对象和问题”,即文献的“中心内容”。每种文献都包含着若干主题,研究或阐述一个或多个问题。主题词就是表达主题概念的词汇。

    4.4 检索系统与检索方法

    4.4.1 检索系统

    1.检索系统的概念
    信息检索系统是为满足信息用户的检索需求而建立起来的、以提供信息检索为目的的信息存储与检索系统。
    可以说,一个信息检索系统便是一定范围文献、信息的全部记录的有序集合。

    2.检索系统的类型

    (1) 按加工手段和技术设备分
    可将检索系统分为:手工检索系统、机械检索系统、计算机检索系统。

    (2) 按载体形式分
    可分为卡片式、书本式、缩微式、磁性材料式等检索系统。

    (3) 按著录格式分
    可将检索系统分为目录、题录、文摘、索引、全文检索系统。

    <1>目录检索系统
    目录检索系统是对一些相关的文献,主要是单位出版物,如图书、期刊等,加以整理、分编,并按一定顺序组织起来形成的一种检索系统,主要记录这些出版物的出版单位、收藏单位及其他外部特征。

    <2>题录型检索系统
    题录型检索系统是以单篇文献为基本著录单位,将书刊、会议录等出版物中大量相关的单篇文献选出,对文献的外部特征,如文献题名、著者姓名、文献出处等加以描述,并按一定的顺序编排起来提供文献线索的检索系统,不收录内容摘要,一般用于快速报道文献信息。

    <3>文摘型检索系统
    文摘型检索系统是在文献题录基础上,加上文献篇首的摘要,或由标引人员以简练、准确的语言将文献信息的研究目的与方法、主题思想与基本观点、框架结构、实验结果与结论等摘录下来形成文摘,并按一定的方法著录、标引、组织起来的检索系统。

    <4>索引型检索系统
    索引型检索系统是将收录范围内的文献中的题名、主题、人名、地名等名词术语以及其他有关款目抽出,注明出处,并按一定的排检方式组织而成的一种检索系统。与目录相比,它有利于人们进行更深入的检索。

    <5>全文检索系统
    全文检索系统是在题录或文摘的基础上,加上完整出版物的全部内容,按一定的方法著录、标引、组织起来的检索系统。这种检索系统往往对文献全文中的词、词组及其位置等做更深入的加工、处理,一般采用自然语言进行自动标引,不仅方便人们一次性获取文献全文,而且提供更多的检索途径。

    4.4.2 检索方法

    1.常用法
    常用法是利用检索工具查找信息的一种方法,因为这种方法是目前查找信息中最常使用的,故亦称常用法。

    (1) 顺查法
    是指按年代由远及近的顺序进行查找的方法,如检索“电视文化”这一课题,首先要弄清起始时间,即“电视文化”产生的时间是哪一年,然后从这一年开始查起,一直查到当前“电视文化”方面的相关信息为止。这样,“电视文化”课题就检索完毕。这种方法的查全率和查准率都较高,但是检索整个课题较费时费力。

    (2) 倒查法
    是指按年代由近及远的逆时间查找方法,这种方法多用于新课题、新观点、新理论、新技术的检索,检索的重点在近期信息上,只需查到基本满足需要时为止。使用这种方法可以最快地获得新资料,而且近期资料总是既概括、引用前期的成果,又反映最新的水平和动向,因此这种方法比较省力,但查全率不高。

    (3) 抽查法
    是一种针对学科发展特点,抓住该学科发展迅速、信息发表较多的年代(信息的高峰期),抽出一段时间(几年或十几年),再进行逐年检索的方法。这种方法费时较少,获得信息较多,检索效率较高。但是这种方法的成功率和有效率必须建立在熟悉学科发展特点的基础上。也就是说,只有对该学科或课题的发展熟悉的情况下,才适合使用。

    2.追溯法
    追溯法是一种跟踪查找的方法,即以文献后面所附的参考文献为线索,逐一追溯查找相关文献的方法。

    3.循环法
    循环法是常用法和追溯法的结合,检索时,先利用检索工具查出一批文献,然后选择出与检索课题针对性较强的文献,再按文献后所附的参考文献回溯查找,不断扩大检索线索,分期分段地交替进行,循环下去,直到满意为止。

    4.检索方法的选择原则

    (1) 检索条件
    (2) 检索要求
    (3) 学科特点

    4.5 检索技术与检索效果

    4.5.1 常用检索技术

    1.布尔逻辑检索

    (1)逻辑与“AND”
    逻辑与(AND或“﹡”)是反映概念之间交叉和限定关系的一种组配方式,用以缩小检索范围,减少输出结果,提高查准率。

    其检索表达式为:“A AND B”或“A*B”,即检索记录中必须同时包含A词与B词才算命中。

    例如:“中国*对外贸易”。如查询“计算机文献检索”,提问式为:计算机and文献检索。如下图所示:
    在这里插入图片描述
    (2)逻辑或“OR”
    逻辑或(OR或“+”)是反映概念之间并列关系的一种组配方式,使用它相当于增加检索词主题的同义词与近义词,可扩大检索范围、增加输出结果,提高查全率。

    其检索表达式为:“A or B”或“A+B”,即检索记录中含有A词或者B词中的任何一词即可。

    例如:“高清晰电视+HDTV”。如要查询有关股票和期货方面的文献,检索提问式应为:股票or期货。

    在这里插入图片描述

    (3)逻辑非“NOT”
    逻辑非(NOT或“-”)可以用来排除不希望出现的检索词,它与逻辑与“AND”的作用类似,能够缩小命中信息的范围,提高检索的查准率。

    其检索表达式为:“A NOT B”或“A-B”,即检索记录中包含A词但不含有B词。

    例如:“能源-太阳能”。如要查询除成人教育以外的高等教育方面的文献,提问式为:高等教育not成人教育。

    在这里插入图片描述

    2.截词检索

    (1)从截断字符的数量来看

    <1> 无限截词
    常用表示符号为“*”“/”“?”,一个无限截词符可代表多个字符,表示在检索词的词干后可加任意个字符或不加字符,常用于检索同一类词。

    如使用“employ?”,可检索到:employ,employer,employers,employment等词。

    <2> 有限截词
    一个有限截词符只代表一个字符。常用符号“?”表示,代表这个单词中的某个字母可以任意变化,在检索词词干后可加一个或一个以上的有限截词符,一般有限截词符的数量有限制,其数目表示在词干后最多允许变化的字符个数
    如“solut???”可检索到包含solution、solute和soluting等词在内的信息。

    (2)根据截断的位置
    <1> 后截词
    后截词最常用,即将截词放在一个字符串之后,用以表示后面有限或无限个字符不影响其前面检索字符串的检索结果。
    如:physic*,可检出的词汇有:physic、physical、physician、physicist、physics等。

    <2> 前截词
    前截词将截词符号置于一个字符串的前方,以表示其前方有限或无限个字符不会影响后面检索字符串的检索结果。

    <3> 中截词
    又称中间屏蔽,指将检索字符置于一个检索词中间,不影响前后字符串的检索结果。具体地说,就是在一串字符中插入一个或几个屏蔽符号“?”或“!”,表示在问号的相应位置上可转换数目相当的字符。

    3.限制检索

    (1)检索系统中的限制检索
    在检索系统中,使用缩小和限定检索范围的方法称为限制检索。限定检索条件多种多样,主要和常用的是字段限制。
    其中,主题字段如题名(Title)、叙词(Descriptor)、标识词(Identifier)、文摘(Abstract)等;非主题字段如作者(Author)、文献类型(Document Type)、语种(Language)、出版年份(Publication Year)等。

    (2)搜索引擎中的限制检索
    搜索引擎中的字段检索多表现为前缀符限制形式,其中,表示内容特征的主题字段有Title,Keywords,Subject,Summary等;表示外部特征的非主题字段限制有image,text,applet等;此外,搜索引擎还提供了带有典型网络检索特征的字段限制类型。

    4.位置检索
    位置算符用于表示词与词之间的相互关系和前后的次序,通过对检索词之间位置关系的限定,进一步增强选词指令的灵活性,提高检索的查全率与查准率。

    (1)W算符(With)
    通常写作A(nW)B,表示词A与词B之间至多可以插入n个其他的词(往往包括系统禁用词),同时A、B保持前后顺序不变。

    (2)N算符(Near)
    通常写作A(nN)B,表示A与B之间至多可以插入n个其他的词,同时A、B不必保持前后顺序。

    (3)F算符(Field)
    通常写作A(F)B,表示A、B必须同时出现在记录的同一字段中,如出现在篇名字段中,两词次序、A与B间加词个数不限。

    (4)S算符(Subfield)
    通常写作A(S)B,表示A与B必须同时在一个句子中或同一子字段内出现,但次序可随意变化,且各词间可加任意个词。

    5.多媒体检索
    基于内容的多媒体信息检索是指根据媒体和媒体对象的内容及上下文联系在大规模多媒体数据库中进行检索。它的研究目标是提供在没有人类参与的情况下能自动识别或理解声音、图像、视频重要特征的算法。

    6.超文本检索
    超文本检索时其内容排列是非线性的,按照知识(信息)单元及其关系建立起知识结构网络,操作时用鼠标去点击相关的知识单元,检索便可追踪下去,进入下面各层菜单。

    4.5.2 检索效果

    1.检索效果评价
    检索效果是指检索系统检索信息的有效程度,反映了检索系统的检索能力。
    (1) 质量标准
    (2) 费用标准
    (3) 时间标准
    <1> 检索效果评价指标表
    在这里插入图片描述
    <2> 查全率和查准率
    查全率
    查全率是指检索出的相关信息量与系统中的相关信息总量之比。
    在这里插入图片描述
    查准率
    查准率是指检索出的相关信息量与检索出的信息总量之比。
    在这里插入图片描述

    2.检索效果优化
    <1> 提高检索系统的质量
    <2> 提高用户利用检索系统的能力
    <3> 制定优化的检索策略
    ① 提高查全率的方法
    为了提高查全率,往往通过采用提高检索词的泛指度,选全同义词、近义词,多用截词符;减少使用逻辑“与”、逻辑“非”运算符,增加使用逻辑“或”运算符;取消某些限制符,在多字段或全文中检索;采用分类号检索等多种方法。
    ② 提高查准率的方法
    为了提高查准率,往往通过采用提高检索词的专指度,增加或者使用下位词及专指性较强的自由词,少用截词符;增加使用逻辑“与”、逻辑“非”运算符,减少逻辑“或”运算符;多用限制符或限制字段;用文献的外部特征限制等多种方法。

    4.6 检索步骤与检索策略

    4.6.1 检索步骤
    1.分析检索课题
    2. 选择检索系统
    3.确定检索途径和检索方法
    4.构建检索式
    5.检索并调整检索策略
    6.获取原文

    4.6.2 检索策略

    1. 检索词
    检索词,就是简明、准确地概括检索要求的词语。检索词是表达用户信息需求和检索课题内容的基本元素,也是计算机检索系统进行匹配的基本单元。

    2. 检索式
    检索式,又称检索提问式,是检索策略的某种具体体现。在计算机信息检索中,指在课题分析的基础上,根据所要检索的概念及其相互关系,确定检索词,并用系统支持的各种算符和其他连接符对检索词进行逻辑组配而形成的,全面表达检索提问的逻辑表达式。
    面对一个课题,不应该只从现成的课题名称中抽取检索词或词组,应对课题名称进行切分、删除、替换、聚类、补充和组合,生成检索式,从而达到最佳检索效果。

    3. 检索策略的制定
    制定检索策略时不仅要全面、准确地对课题进行概念分析,确定概念单元和概念间的关系,而且要熟悉有关的检索系统,才能将概念单元转换成系统能够接受的检索词,并选择合适的方式组配起来,完整地表达自己的检索要求。
    另外,还要掌握各种检索方法和途径,适当地运用到检索过程中去,才能取得较好的检索效果。

    4. 检索策略的调整
    用户在每一次检索中,都需根据系统显示的命中记录的内容和数量,判断自己的检索要求是否已得到满足,如果尚未得到满足,还应调整检索策略再次检索。

    4.7 信息检索的原理
    指对搜集到的文献信息进行加工处理,将文献的特征,如文献名称、著者、分类号、主题词、分子式或代码等著录下来,形成一条条文献线索,并将其按一定目的、方法加工整理成检索工具,或组成检索系统。

    对所查的课题进行分析,找出检索提问特征,如主题词、分类号、著者、代码等,然后从检索工具或检索系统中准确地查找出来。

    4.8 信息检索的意义
    • 信息传播与控制的手段
    • 获取知识的门径,学习的助手
    • 科学研究的工具和指南
    • 为科学决策和管理提供依据与支持

    展开全文
  • 信息检索专题复习

    万次阅读 2017-06-20 16:06:49
    信息检索复习重点,山东大学信息检索考前独家整理资料。
  • 信息检索模型

    万次阅读 多人点赞 2017-09-23 10:11:28
    检索模型搜索结果排序是搜索引擎的核心,排序时最重要的两个因素就是:用户查询和网页的内容相关性及网页链接情况。 检索模型就是用来计算内容相关度的理论基础及核心组件。 一个典型的检索模型通常由三部分组成:...
  • 信息组织与检索 知识点整理 1.信息检索技术与方法 2.信息检索系统结构和功能模块 3.信息组织(信息采集,信息描述,信息标引,信息存储) 有点像知识点,事实上就是知识点,能举例的已经举例了,我尽力了。。 (会有...
  • 学会使用一个信息检索系统完成给定的信息检索任务,包括创建索引、选择检索模型并设置参数、评价检索结果等等。 二、实验描述 使用一个信息检索系统,例如Galago、Elastic Search、Terrier、Anserini等,完成TREC ...
  • 信息检索导论要点整理

    千次阅读 多人点赞 2017-07-07 10:23:24
    这是在准备期末考试的时候根据王斌博士翻译的《信息检索导论》(人民邮电出版社出版)和山东大学信息检索实验室的陈竹敏老师的授课课件进行整理的。 、归一化计算笔记繁琐。 前言 1、 IR的两种模式:pull(ad ...
  • 2.什么是检索模型 IR的核心问题:预测哪些文档是相关的,哪些文档是不相关的。主要工作在于排序这个核心的问题,如何计算这个排序从而处理文档的相关性。 检索模型描述了如下这些细节 文档表示( Docume...
  • 百度地图开发(五)之公交信息检索 + 路线规划

    万次阅读 多人点赞 2015-03-05 00:24:41
     实际上,公交信息检索与POI检索、在线建议检索非常相似,也是把你需要检索信息发送给百度地图服务器,然后解析得到的结果。  一般步骤:  1. 设置检索参数  2. 添加检索结果监听器  3. 发起检索  4.
  • 分布式信息检索

    千次阅读 2007-07-02 20:11:00
    本科毕业设计(论文) 题目 分布式信息检索
  • 网络信息检索

    千次阅读 2007-05-29 21:00:00
    信息检索(Information Retrieval)是指信息按一定的方式组织起来,并根据信息用户的需要找出有关的信息的过程和技术。狭义的信息检索就是信息检索过程的后半部分,即从信息集合中找出所需要的信息的过程,也就是...
  • 信息检索导论》读书笔记

    千次阅读 2015-12-16 23:57:20
    谷歌、百度、雅虎等公司建立了强大的互联网搜索引擎用于快速检索用户需要的网页,一些电商、专业网站往往也建立了内部的检索系统,这一系列背后的技术都离不开信息检索这一门学科的知识。本文将围绕这一方面进行详细...
  • 本系列文章为Elasticsearch 的学习笔记,主要是为了便于日后对于相关知识点的回顾,在内容的范围以及正确性上可能...作为本系列博客的开篇,先对信息检索的相关基础知识做个简单的总结 1.基本定义 信息检索的定...
  • 信息素质是人们能够敏锐地察觉信息需求,并能对信息进行检索、评价和有效利用的能力。 信息素养是一个综合性的概念,它包含多方面的内容: 1.要有信息意识; 2.能有效地利用信息源; 3.能对信息进行批判性的思考; 4...
  • 互联网上图像信息检索

    千次阅读 2006-05-09 16:58:00
    互联网上图像信息检索 微软中国研究院 陈正 李明镜 马维英图像检索技术的两个阶段随着互联网的高速发展,网上的多媒体信息也急剧增加,因此人们对多媒体
  • 信息检索技术应用的新方向:普及检索和知识检索[2001-09-26]施水才 信息检索和全文检索的发展 如何快速、准确、全面地找到信息,在知识经济时代特别重要。近年来,信息检索技术取得了飞速的发展,特别值得一提的是...
  • 信息检索-搜索引擎的搭建(Lucene)

    千次阅读 热门讨论 2017-05-19 12:42:38
    搜索引擎为信息检索课程的实验设计,爬取山东大学新闻网,使用lucene等开源工具搭建小型搜索引擎。要求 : Web网页信息抽取 以山东大学新闻网为起点进行网页的循环爬取,保 持爬虫在 view.sdu.edu.cn之内(既...
  • 第1章 信息检索基础

    千次阅读 2008-06-27 16:39:00
    第1章 信息检索基础1.1 有关信息检索的一些概念1.2信息检索类型及特点1.3信息检索的基本步骤1.4检索工具1.5 检索语言1.6 信息检索的发展趋势2008-6-27 31.1.1信息、文献、知识1.信息的定义、特征和...
  • 搜索引擎是一个提供信息检索”服务的网站,它使用某些程序把因特网上的所有信息归类以帮助人们在茫茫网海中搜寻有信息归类以帮助人们在茫茫网海中搜寻到所需要的信息。 搜索引擎常常是用户利用网上资源的第一途径...
  • 基于内容的视频信息检索系统

    千次阅读 2014-03-22 20:09:25
    基于内容的视频信息检索系统 汪志强 (江西财经大学信息管理学院 09信息管理与信息系统2班) 摘 要: 本文从基于内容的视频信息检索技术的发展历史出发,对基于内容的视频检索系统的技术要点及主要的功能模块进行...
  • 文献信息检索与利用尔雅答案

    千次阅读 2020-06-26 10:52:53
    第1章 检索也有大本领 大波“干货”等着你 1【单选题】不论分类检索语言中何种分类法,都具有三种构成要素,即类目、( )和注释。答案:类名 A、指南 B、类名 C、题名 D、类号 2【单选题】按照文献出版形式,文献...
  • 信息检索之索引压缩

    千次阅读 2013-12-12 18:38:28
     信息检索系统中两个重要的数据结构:词项词典和全体倒排记录表,为了构建高效的IR系统,需要对这两个数据结构进行压缩。进行压缩有两个隐含的优点:①、能增加高速缓存(cache)技术的利用率:将频繁使用的查询...
  • # mysql根据json字段的内容检索查询数据 mysql5.7以上支持json的操作,以及增加了json存储类型 一般数据库存储json类型的数据会用json类型或者text类型 查询根据表字段的json内容进行查询 1. 创建表 . 1)使用 ...
  • ELK包括ElasticSearch(数据存储、快速查询)、logstash(日志搜集)、kibana(展示ElasticSearch数据的图形界面)。kibana是一个图形界面,可以在上面条件检索存储在ElasticSearch里数据,相当于提供了ES的可视化...
  •  信息检索(IR - Information Retrieval)泛指从包含丰富内容的信息集中找到所需要的或感兴趣的信息或知识的过程,信息检索的主要任务包括信息项(information items)的表示(representation)、存储(storage)...
  • 信息检索这个词的含义非常广。仅从钱包中取出信用卡,然后输入信用卡号也属于信息检索的范畴。然而,从学术角度来讲,信息检索定义如下:信息检索即从大量非结构化文档集中找到满足需要的文档的过程。按照如上定义,...
  • ©PaperWeekly 原创 ·作者|刘布楼学校|清华大学博士生研究方向|表示学习传统的信息检索模型中,文本通常使用词袋模型表示。该方法有两个较为明显的缺陷:1)只能通过 TF-ID...
  • (转载)互联网上图像信息检索

    千次阅读 2012-12-23 11:01:30
    互联网上的图像检索 转载自:http://blog.csdn.net/lwm_1985/article/details/6370958 ---------------------------------------------------------------------------------------------------------------...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 220,822
精华内容 88,328
关键字:

信息检索的类型包括