کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6903206 1446751 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Rank fusion and semantic genetic notion based automatic query expansion model
ترجمه فارسی عنوان
مدل همجوشی ریاضی و مفهوم ژنتیک معنایی بر پایه مدل گسترش خودکار پرس و جو
کلمات کلیدی
انتخاب دوره گسترش سئوال، بازیابی اطلاعات، فیلتر کردن معنایی، ترکیب رتبه، ترکیب نمره، الگوریتم ژنتیک،
ترجمه چکیده
روش انتخاب برای گسترش پرس و جو برای بهبود دقت و کارآیی بازخورد فشرده خودکار بازخورد مبتنی بر بازخورد شبه وابستگی به سیستم بازیابی اطلاعات با حذف اصطلاحات نامناسب و غیرمستقیم از متن اصلی بازخورد بازخورد با توجه به پرس و جو کاربر بسیار مهم است. روش های انتخاب یک کلمه کلیدی گسترش فردی برای بهبود عملکرد آن به طور گسترده مورد بررسی قرار گرفته است. با این حال، همیشه یک کار چالش برانگیز برای پیدا کردن یک روش انتخاب یک عبارت پرس و جو فردی است که در اکثر موارد دیگر روش های انتخاب عبارت گسترش اصطلاحات شخصی را بهتر می کند. در این مقاله ابتدا امکان بهبود عملکرد کلی با استفاده از روش های انتخاب یک واژه برای گسترش پرس و جو را مورد بررسی قرار می دهیم. دوم، ما یک مدل برای ترکیب چندین روش انتخاب روش گسترش واژهنامه با استفاده از رویکرد ترکیبی پیشنهاد می کنیم، به نام گسترش چندگانه بر اساس ترکیبی از رتبه بندی. سوم، فیلترینگ معنایی برای فیلتر کردن اصطلاح معنی نامناسب به دست آمده پس از ترکیب چندین روش انتخاب روش اصلاح پرس و جو، به نام ترکیبی رتبه بندی و گسترش پرس و جو مبتنی بر فیلتر معنایی استفاده می شود. چهارم، الگوریتم ژنتیک برای ایجاد ترکیبی مطلوب از واژه های پرس و جو و نامزد دریافت شده پس از ترکیب رتبه و رویکرد فیلترینگ معنایی، به نام فیلتر کردن ژنتیک معنایی و گسترش پرس و جو بر اساس رتبه بندی استفاده می شود. نتایج تجربی ما نشان داد که رویکردهای پیشنهادی ما به طور قابل توجهی بهبود یافته است برروی هر یک از روش های انتخاب واژه ی گسترش پرس و جو و روش های مربوط به پیشرفته.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
پیش نمایش مقاله
مدل همجوشی ریاضی و مفهوم ژنتیک معنایی بر پایه مدل گسترش خودکار پرس و جو
چکیده انگلیسی
Query expansion term selection methods are really very important for improving the accuracy and efficiency of pseudo-relevance feedback based automatic query expansion for information retrieval system by removing irrelevant and redundant terms from the top retrieved feedback documents corpus with respect to user query. Individual query expansion term selection methods have been widely investigated for improving its performance. However, it is always a challenging task to find an individual query expansion term selection method that would outperform other individual query expansion term selection methods in most cases. In this paper, first we explore the possibility of improving the overall performance using individual query expansion term selection methods. Second, we propose a model for combining multiple query expansion term selection methods by using rank combination approach, called multiple ranks combination based query expansion. Third, semantic filtering is used to filter semantically irrelevant term obtained after combining multiple query expansion term selection methods, called ranks combination and semantic filtering based query expansion. Fourth, the genetic algorithm is used to make an optimal combination of query terms and candidate term obtained after rank combination and semantic filtering approach, called semantic genetic filtering and rank combination based query expansion. Our experimental results demonstrated that our proposed approaches achieved significant improvement over each individual query expansion term selection method and related state-of-the-art approaches.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Swarm and Evolutionary Computation - Volume 38, February 2018, Pages 295-308
نویسندگان
, ,