隨著互聯(lián)網(wǎng)和萬(wàn)維網(wǎng)（World Wide Web）的快速繁榮發(fā)展，萬(wàn)維網(wǎng)逐漸成為人們生活中不可或缺的一種信息獲取來(lái)源。萬(wàn)維網(wǎng)給信息檢索技術(shù)帶來(lái)了極大的機(jī)遇和挑戰(zhàn)。經(jīng)過(guò)近十幾年的發(fā)展，信息檢索已經(jīng)由一個(gè)純粹的學(xué)術(shù)研究學(xué)科轉(zhuǎn)變成大多數(shù)人信息獲取的技術(shù)基礎(chǔ)。 隨著Web 2.0概念的普及和發(fā)展，萬(wàn)維網(wǎng)不再僅僅是一個(gè)巨大的信息庫(kù)，更逐漸成為一個(gè)用戶(hù)參與和交流的平臺(tái)。Web 2.0應(yīng)用網(wǎng)站的蓬勃發(fā)展將再次推動(dòng)信息檢索技術(shù)的革新。在Web 2.0時(shí)代，信息檢索技術(shù)主要有以下三方面的發(fā)展趨勢(shì)：1）更加靈活的個(gè)性化信息服務(wù)。隨著用戶(hù)的急劇增加，Web 2.0網(wǎng)站迫切需要滿(mǎn)足用戶(hù)的個(gè)性化信息需求。然而，傳統(tǒng)的Web信息檢索技術(shù)并不擅長(zhǎng)處理Web 2.0應(yīng)用的復(fù)雜結(jié)構(gòu)數(shù)據(jù)。Web 2.0需要更加靈活的個(gè)性化信息服務(wù)，如信息推薦系統(tǒng)。2）更加有效的多媒體數(shù)據(jù)檢索技術(shù)。隨著Web 2.0的普及，用戶(hù)可以很方便地上傳和分享多媒體信息。多媒體數(shù)據(jù)的迅速增多使得多媒體信息檢索技術(shù)成為人們關(guān)注的焦點(diǎn)。

　　本文在傳統(tǒng)向量空間模型的基礎(chǔ)上提出一種新的檢索方法，將N層向量空間模型應(yīng)用在Web信息檢索上，使之能較好地適應(yīng)文檔集合的動(dòng)態(tài)擴(kuò)充。理論分析和實(shí)驗(yàn)結(jié)果表明，此方法能夠進(jìn)一步提高向量空間模型的性能，節(jié)省存儲(chǔ)空間，加快檢索速度，具有較高的和召回率。

　　1  向量空間模型

　　1.1 傳統(tǒng)向量空間模型

　　向量空間或稱(chēng)線性空間，是現(xiàn)代數(shù)學(xué)中的一個(gè)基本概念，是線性代數(shù)研究的基本對(duì)象。   向量空間是線性代數(shù)的主體，它是數(shù)學(xué)中基本又重要的概念，其概念是：設(shè)V為n維向量的集合，如果集合V非空，且集合V對(duì)于加法及乘數(shù)兩種運(yùn)算封閉，那么就稱(chēng)集合V為向量空間。其理論和方法已應(yīng)用到自然科學(xué)、工程技術(shù)及社會(huì)科學(xué)的諸多領(lǐng)域。向量空間的一個(gè)直觀模型是向量幾何，幾何上的向量及相關(guān)的運(yùn)算即向量加法，標(biāo)量乘法，以及對(duì)運(yùn)算的一些限制如封閉性，結(jié)合律，已大致地描述了"向量空間"這個(gè)數(shù)學(xué)概念的直觀形象。

　　向量空間模型的出發(fā)點(diǎn)是：每篇文檔和查詢(xún)都包含一些用概念詞表達(dá)的、揭示其內(nèi)容的獨(dú)立屬性，而每個(gè)屬性都可以看成是概念空間的一個(gè)維數(shù)。因此，文檔和查詢(xún)就可以表示為這些屬性的集合，從而忽略了文本結(jié)構(gòu)中段落、句子及詞語(yǔ)之間的復(fù)雜關(guān)系。這樣，文檔和查詢(xún)可以分別用空間的一個(gè)點(diǎn)表示，并且文檔矢量與查詢(xún)矢量之間就存在空間上的不同距離，而這種距離關(guān)系在信息檢索中的意義就是文檔與查詢(xún)之間的相似度。所以，文檔與查詢(xún)之間的相似度可以用矢量間的距離來(lái)衡量。相似度的計(jì)算方法有很多種，本文采用余弦系數(shù)法，即用二個(gè)矢量之間的夾角的余弦來(lái)表示文檔與查詢(xún)間的相關(guān)度。夾角越大，距離越遠(yuǎn)，余弦越小，相關(guān)度越小，反之相關(guān)度越大。下面介紹向量空間模型的量化方法。

　　tfij為特征項(xiàng)tj在文檔di中出現(xiàn)的頻率；dfj為在整個(gè)文檔集中，包含特征項(xiàng)tj的文檔數(shù)；idfj為反轉(zhuǎn)文檔頻數(shù)，其值為：

　　可見(jiàn)，傳統(tǒng)的向量空間模型是以文本特征項(xiàng)的頻率tf和反轉(zhuǎn)文檔頻率idf作為其量化基礎(chǔ)的。其乘積作為特征項(xiàng)的權(quán)重，再通過(guò)計(jì)算文檔與查詢(xún)之間的相似度即可判斷文檔與查詢(xún)是否相關(guān)。權(quán)重值大的特征項(xiàng)是那些在文檔中出現(xiàn)頻率足夠高，但在整個(gè)文檔集的其他文檔中出現(xiàn)頻率足夠少的詞語(yǔ)，也是對(duì)區(qū)別文檔有意義的詞語(yǔ)。

　　1.2 N層向量空間模型

　　將一篇文檔從組織結(jié)構(gòu)上劃分為N層，基于每層的文本內(nèi)容建立相應(yīng)的特征項(xiàng)向量和權(quán)值。其中特征項(xiàng)抽取和權(quán)重計(jì)算等同傳統(tǒng)向量空間模型相同。這樣，對(duì)于文檔進(jìn)行N層劃分得到的向量空間模型就成為N層向量空間模型。

　　本文針對(duì)Web信息檢索進(jìn)行考慮，由于Web頁(yè)面的特殊格式，要求一篇文檔少是由指向該文檔的鏈接、文檔標(biāo)題和文檔正文三部分組成。而這三部分的內(nèi)容對(duì)于這篇文檔的表達(dá)能力是不同的。鏈接的文字是吸引別人點(diǎn)擊文檔進(jìn)行閱讀的通道，所以鏈接的內(nèi)容表達(dá)文檔的能力強(qiáng)，其次是標(biāo)題，正文的內(nèi)容表達(dá)文檔的能力弱。

　　因此，將N層向量空間模型應(yīng)用在Web信息檢索時(shí)，可將一篇Web文檔按照指向文檔的鏈接、標(biāo)題和正文劃分成3層（若Web頁(yè)面中有<meta keyword>等標(biāo)記的關(guān)鍵字部分，則可劃分為4層向量空間模型。）。

　　2  應(yīng)用N層向量空間模型進(jìn)行Web信息檢索

　　2.1 文本向量表示形式的改進(jìn)

　　向量空間模型在建完索引以后，要根據(jù)每一個(gè)特征項(xiàng)求其對(duì)于每一篇文檔和查詢(xún)的權(quán)重值。其計(jì)算量非常大，并且每一篇文檔和查詢(xún)的向量表示式為，其中大多數(shù)項(xiàng)都為零，所以導(dǎo)致了數(shù)據(jù)稀疏現(xiàn)象。另外由于Web頁(yè)面的超鏈性（hyperlink），頁(yè)面上顯示的信息有很多是和本頁(yè)內(nèi)容無(wú)關(guān)的，例如別的頁(yè)面的鏈接、版權(quán)信息、欄目導(dǎo)航等，在每個(gè)頁(yè)面上都有重復(fù)出現(xiàn)，這干擾了相似度計(jì)算。為解決這些問(wèn)題，首先引入停用詞表，例如文檔中很多不能說(shuō)明文檔內(nèi)容的語(yǔ)法詞，還有虛詞、感嘆詞、連詞等或各個(gè)文檔共有的詞，所有這些詞作為描述文檔的向量效率是非常低的。因此可以考慮降維處理，把它們作為停用詞，不計(jì)算其權(quán)重；其次，采用壓縮矩陣的辦法來(lái)解決數(shù)據(jù)稀疏問(wèn)題，定義文檔和查詢(xún)的向量表示形式為：<……，（ti,ωdi），……>,其中ti為第i個(gè)特征項(xiàng)，ωdi為其對(duì)應(yīng)的權(quán)重值且ωdi≠0.這樣既減少了計(jì)算量，又加快了計(jì)算速度，同時(shí)節(jié)省了存儲(chǔ)空間。

　　2.2 特征項(xiàng)頻率統(tǒng)計(jì)的改進(jìn)

　　在統(tǒng)計(jì)每個(gè)區(qū)域的特征項(xiàng)頻率得到tfij后，要乘以一個(gè)反映其重要程度的比例系數(shù)來(lái)加以修正和調(diào)整，則特征項(xiàng)tj在文檔di中出現(xiàn)的頻率為：

　　其中：tfi_ji為第i個(gè)區(qū)域的頻率（i為1、2、3時(shí)分別對(duì)應(yīng)鏈接區(qū)域、標(biāo)題區(qū)域、正文區(qū)域），α＞β＞γ≥1為比例系數(shù)。
　　同樣，在文檔同一區(qū)域中，不同的特征項(xiàng)所表達(dá)文檔內(nèi)容的能力也是有差別的。例如同在正文區(qū)域的不同的特征項(xiàng)所代表文檔的內(nèi)容就有可能不同。在計(jì)算特征項(xiàng)頻率tfij時(shí)再乘以一個(gè)比例因子log₂(M/mi)，其中M為該特征項(xiàng)在本文檔中共出現(xiàn)的次數(shù)，mi為該特征項(xiàng)在文檔第i次出現(xiàn)的次數(shù)。這樣，特征項(xiàng)tj在文檔di中出現(xiàn)的頻率調(diào)整為：

　　2.3 傳統(tǒng)向量空間模型與N層向量空間模型的算法復(fù)雜度比較

　　表1為傳統(tǒng)向量空間模型與N層向量空間模型的算法復(fù)雜度比較結(jié)果。

　　3  實(shí)驗(yàn)設(shè)置

　　（1）信息檢索實(shí)驗(yàn)系統(tǒng)。信息檢索實(shí)驗(yàn)系統(tǒng)選用了Smart系統(tǒng)。SMArt系統(tǒng)是基于向量空間檢索模型實(shí)現(xiàn)的信息檢索系統(tǒng)。在本實(shí)驗(yàn)中，為便于實(shí)現(xiàn)對(duì)向量空間模型算法的修改，使用的是經(jīng)過(guò)修改的Smart信息檢索系統(tǒng)。

　　（2）測(cè)試集。測(cè)試集分為文檔和查詢(xún)（query）二部分：文檔部分采用新浪網(wǎng)站（www.sina.com.cn）的新聞部分Web版（32,145篇）。查詢(xún)部分使用新浪網(wǎng)站的新聞?dòng)懻摌?biāo)題，共50個(gè)。

　　（3）評(píng)價(jià)方法。本系統(tǒng)使用和召回率來(lái)評(píng)價(jià)。是檢索出來(lái)的相關(guān)文檔數(shù)和檢索出來(lái)的總文檔數(shù)的比值；召回率是檢索出來(lái)的相關(guān)文檔數(shù)和總的相關(guān)文檔數(shù)的比值。通常，召回率越高，越低；反之越高，召回率越低。所以有說(shuō)服力的是11個(gè)點(diǎn)的平均。世界上權(quán)威的文本檢索評(píng)測(cè)會(huì)議TREC（Text Retrieval Conference）的評(píng)測(cè)依據(jù)就是這個(gè)值。本系統(tǒng)將只提供這個(gè)值。

　　4  實(shí)驗(yàn)結(jié)果

　　這里對(duì)傳統(tǒng)的向量空間模型算法和改進(jìn)后的向量空間算法進(jìn)行了比較，并統(tǒng)計(jì)了對(duì)應(yīng)于每一條查詢(xún)的11個(gè)點(diǎn)處的平均值。其結(jié)果如表2所示。

　　因?yàn)槠骄祪H僅是11個(gè)點(diǎn)處的值的平均值，為了進(jìn)一步說(shuō)明問(wèn)題，圖1給出了這幾次檢索的-召回率曲線。 

　　從圖1中可以看出，改進(jìn)向量空間模型在索引時(shí)間和上都要優(yōu)于傳統(tǒng)向量空間，性能有了很大的提高。

　　本文提出了一種應(yīng)用N層向量空間模型算法用于Web信息檢索的辦法。理論分析和實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的方法大大提高了Web信息檢索的性能，節(jié)省了存儲(chǔ)空間，加快了計(jì)算速度，具有較高的和召回率。