學(xué)術(shù)搜索引擎的優(yōu)化策略

侯聰聰 楊世光

摘 要：該文介紹了一種新的檢索模型，提高學(xué)術(shù)搜索引擎的檢全率及檢索效率。該擴(kuò)展模型的創(chuàng)新點(diǎn)在于引入檢索詞的下位詞構(gòu)成新的檢索詞組，不再局限于檢索詞本身字面上的匹配；且文獻(xiàn)列表的排序?qū)W(xué)術(shù)價(jià)值這一因素考慮在內(nèi)，根據(jù)相關(guān)度及學(xué)術(shù)價(jià)值的綜合評(píng)分機(jī)制對(duì)檢索結(jié)果進(jìn)行有序輸出。該模型具有一定的科學(xué)性和實(shí)用性，但是其排序的評(píng)分機(jī)制等需要在未來(lái)的研究中進(jìn)一步細(xì)化，完善。該擴(kuò)展模型主要適用于對(duì)檢全率要求較高的學(xué)術(shù)系統(tǒng)及網(wǎng)站。

關(guān)鍵詞：學(xué)術(shù)搜索引擎 擴(kuò)展模型 檢索 文獻(xiàn)排名

中圖分類號(hào)：G64 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2015）06（c）-0243-01

不同于普通網(wǎng)站或系統(tǒng)的搜索引擎，本文所研究的學(xué)術(shù)搜索引擎是專門針對(duì)于知識(shí)庫(kù)的一類搜索引擎，其檢索對(duì)象較為單一，為期刊、文獻(xiàn)等數(shù)字學(xué)術(shù)資源。該文以CNKI為例。當(dāng)前學(xué)術(shù)搜索引擎檢索模型一般采用布爾模型、向量模型等傳統(tǒng)的檢索模型[1]，這類檢索方式只能對(duì)檢索的關(guān)鍵詞進(jìn)行字面上的匹配，而忽略了其內(nèi)在含義的相似度，降低了學(xué)術(shù)搜索引擎的檢全率。該文淺談一種更加全面的檢索模型，以提高其檢索效率。在該文中此模型統(tǒng)一簡(jiǎn)稱為擴(kuò)展模型。

1 理論依據(jù)

當(dāng)用戶輸入檢索詞后，返回具有相關(guān)信息的文獻(xiàn)排名列表。此列表的確定取決于文獻(xiàn)的關(guān)鍵詞或題目及其下位詞是否與檢索詞匹配。此列表的排序則取決于文獻(xiàn)與檢索詞的相關(guān)度及該文獻(xiàn)的學(xué)術(shù)價(jià)值。該文根據(jù)文獻(xiàn)所屬期刊的影響因子評(píng)定文獻(xiàn)的學(xué)術(shù)價(jià)值。

所以該模型獲取檢索詞后，首先，根據(jù)建好的學(xué)科專長(zhǎng)詞表（表1）利用其下位詞進(jìn)行擴(kuò)展，擴(kuò)展后成為擴(kuò)展檢索詞組；其次，從文獻(xiàn)庫(kù)中抽取文獻(xiàn)題目或關(guān)鍵詞中含有擴(kuò)展檢索詞組的文獻(xiàn)；但是檢索詞與其下位詞能提供的相關(guān)度權(quán)重不同，根據(jù)已確定的評(píng)分機(jī)制（第三部分將詳細(xì)給出）即可計(jì)算相關(guān)文獻(xiàn)的得分，按得分高低得出文獻(xiàn)列表。

2 模型介紹

該模型是為了提高文獻(xiàn)的查全率，借鑒了文獻(xiàn)[2]結(jié)合專長(zhǎng)詞表的專家檢索方法，即用戶輸入檢索詞后，利用詞表對(duì)檢索詞進(jìn)行擴(kuò)展。具體設(shè)計(jì)如下。

2.1 構(gòu)建主題詞表

專長(zhǎng)詞表的一、二級(jí)詞匯由中國(guó)分類主題詞表中對(duì)應(yīng)分類的主題詞經(jīng)稍加改造得來(lái)。專長(zhǎng)詞表分為三級(jí)，其中部分一、二級(jí)詞匯如表1所示。

對(duì)每一個(gè)二級(jí)詞還需建立相應(yīng)的三級(jí)詞文檔，一個(gè)學(xué)術(shù)研究領(lǐng)域較長(zhǎng)時(shí)間內(nèi)的大量學(xué)術(shù)研究成果的關(guān)鍵詞的集合，可以揭示研究成果的總體內(nèi)容特征、研究?jī)?nèi)容之間的內(nèi)在聯(lián)系、學(xué)術(shù)研究的發(fā)展脈絡(luò)與發(fā)展方向[3]，該文以中國(guó)知網(wǎng)CNKI數(shù)據(jù)庫(kù)2010—2014年核心期刊上相關(guān)文獻(xiàn)的所有關(guān)鍵詞作為三級(jí)詞匯來(lái)源。

2.2 確定文獻(xiàn)列表

用戶輸入檢索詞后，首先，利用該檢索詞的下位詞進(jìn)行擴(kuò)展。其次，根據(jù)CNKI數(shù)據(jù)庫(kù)文獻(xiàn)表中的文獻(xiàn)題目和關(guān)鍵詞，生成題目或關(guān)鍵詞中含有擴(kuò)展檢索詞組中詞的文獻(xiàn)，此即符合查詢主題的專家文獻(xiàn)。

2.3 文獻(xiàn)排名的實(shí)現(xiàn)

文獻(xiàn)排名依據(jù)兩方面：一是依據(jù)文獻(xiàn)與檢索詞的相關(guān)度；二是依據(jù)該文獻(xiàn)的學(xué)術(shù)價(jià)值。在此基礎(chǔ)上，雖然文獻(xiàn)最終得分與文獻(xiàn)中含有檢索詞組中詞的數(shù)量有一定關(guān)系，但并不意味著二者成絕對(duì)的正相關(guān)，而是僅對(duì)同一篇文獻(xiàn)來(lái)說(shuō)，隨著相關(guān)詞數(shù)量的增加，最終得分也增加。最后按文獻(xiàn)得分由高到低得出有序的文獻(xiàn)列表。

一般地，題目和關(guān)鍵詞能集中體現(xiàn)文章的主要內(nèi)容，故取文獻(xiàn)的題目和關(guān)鍵詞衡量其相關(guān)度，按體現(xiàn)程度的不同，給二者賦予不同的系數(shù)，該文分別將其設(shè)定為0.6和0.4（式（2））。其次，在檢索詞組中，詞本體與其下位詞體現(xiàn)相關(guān)度也不同，將其權(quán)數(shù)分別設(shè)為0.7和0.3（式（4））。最后，由于期刊的級(jí)別不同，其權(quán)威性也不同，因此，可取期刊的影響因子衡量文獻(xiàn)的學(xué)術(shù)價(jià)值。相關(guān)度和學(xué)術(shù)價(jià)值的系數(shù)分別設(shè)為0.8和0.2（式（3））。

計(jì)分公式如下：

Wk=Skrel+Skval （1）

Wk為文獻(xiàn)k的得分；Skrel為文獻(xiàn)k的相關(guān)度得分；Skval為文獻(xiàn)k的學(xué)術(shù)價(jià)值得分。

Wk=（0.6×Pktil+0.4×Pkkey）+Skval （2）

Pktil為檢索詞組中詞在文獻(xiàn)k的題目中出現(xiàn)的頻數(shù)；Pkkey為檢索詞組中詞在文獻(xiàn)k的關(guān)鍵詞中出現(xiàn)的頻數(shù)。

Wk=0.8×（0.6×Pktil+0.4×Pkkey）+0.2×Skval （3）

Wk=0.8×[0.6×（0.7Pkts+0.3Pkte）+0.4×（0.7Pkks+0.3Pkke）]+0.2×Skval （4）

Pkts與Pkte分別為檢索詞本體及其擴(kuò)展詞在題目中出現(xiàn)的頻數(shù)；Pkks與Pkke則分別為檢索詞的本體及擴(kuò)展詞在文獻(xiàn)關(guān)鍵詞中出現(xiàn)的頻數(shù)。

在計(jì)算出3.2節(jié)所得文獻(xiàn)列表中每篇文獻(xiàn)的分值后，按分值高低排序即可得出有序的文獻(xiàn)列表。

3 結(jié)語(yǔ)

該模型的創(chuàng)新點(diǎn)在于突破了布爾模型、向量模型等傳統(tǒng)模型的僵性匹配模式，通過(guò)下位詞匹配提高模型的檢全率，使檢索方式更加智能。同時(shí)在進(jìn)行排序時(shí)，將學(xué)術(shù)價(jià)值這一因素考慮在內(nèi)。該模型可用于對(duì)檢全率要求較高的系統(tǒng)。但是該模型也有一些缺陷，其評(píng)分標(biāo)準(zhǔn)有待進(jìn)一步的細(xì)化、考證；同時(shí)檢準(zhǔn)率有待提高。

參考文獻(xiàn)

[1] 王娟琴.三種檢索模型的比較研究-布爾、概率、向量空間模型[J].情報(bào)科學(xué)，1998（3）：225-230，260.

[2] 陸偉，劉杰，秦喜艷.基于專長(zhǎng)詞表的圖情領(lǐng)域?qū)＜覚z索與評(píng)價(jià)[J].中國(guó)圖書(shū)館學(xué)報(bào)，2010（2）：70-76.

[3] 李文蘭，楊祖國(guó).中國(guó)情報(bào)學(xué)期刊文獻(xiàn)關(guān)鍵詞詞頻分析[J].情報(bào)科學(xué)，2005，23（1）：68-70，143.