信息檢索與搜索引擎技術(shù)實(shí)驗(yàn)向量空間模型

1、昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院學(xué)生實(shí)驗(yàn)報(bào)告 20212021學(xué)年第 1學(xué)期課程名稱：信息檢索與搜索引擎技術(shù) 開課實(shí)驗(yàn)室：信自樓445 2021 年12月 23日年級(jí)、專業(yè)、班計(jì)科111學(xué)號(hào)202110405138成績(jī)實(shí)驗(yàn)工程名稱向量空間模型指導(dǎo)教師李衛(wèi)疆教師評(píng)語該同學(xué)是否了解實(shí)驗(yàn)原理：A.了解B.根本了解C.不了解該同學(xué)的實(shí)驗(yàn)?zāi)芰Γ篈.強(qiáng) B.中等 C.差 該同學(xué)的實(shí)驗(yàn)是否到達(dá)要求：A.到達(dá)B.根本到達(dá)C.未到達(dá)實(shí)驗(yàn)報(bào)告是否標(biāo)準(zhǔn)：A.標(biāo)準(zhǔn)B.根本標(biāo)準(zhǔn)C.不標(biāo)準(zhǔn)實(shí)驗(yàn)過程是否詳細(xì)記錄：A.詳細(xì)B.一般 C.沒有 教師簽名： 年 月 日一、 上機(jī)目的及內(nèi)容：給定文檔語料: d1: 北京安立文高新技

2、術(shù)公司d2: 新一代的網(wǎng)絡(luò)訪問技術(shù)d3: 北京衛(wèi)星網(wǎng)絡(luò)d4: 是最先進(jìn)的總線技術(shù)。d5: 北京升平衛(wèi)星技術(shù)的新技術(shù)有。設(shè)計(jì)一個(gè)針對(duì)這些文檔的信息檢索系統(tǒng)。具體要求是：1) 給出系統(tǒng)的有效詞聚集合說明取舍原因。2) 寫出d1和d2在VSM中的表示使用tf*idf，寫出各項(xiàng)的數(shù)字表達(dá)式，具體數(shù)值不必實(shí)際計(jì)算出來。3) 畫出系統(tǒng)的倒排文件示意圖。4) 按照向量夾角的余弦計(jì)算公式，給出針對(duì)查詢“技術(shù)的公司的前3個(gè)反應(yīng)結(jié)果。二、 實(shí)驗(yàn)原理給定文檔語料: d1: 北京安立文高新技術(shù)公司 d2: 新一代的網(wǎng)絡(luò)訪問技術(shù)d3: 北京衛(wèi)星網(wǎng)絡(luò) d4: 是最先進(jìn)的總線技術(shù)。d5: 北京升平衛(wèi)星技術(shù)的新技術(shù)有。設(shè)計(jì)一

3、個(gè)針對(duì)這些文檔的信息檢索系統(tǒng)。具體要求是：1) 給出系統(tǒng)的有效詞聚集合說明取舍原因。北京、安、立、文、高新、技術(shù)、公司、新、網(wǎng)絡(luò)、訪問、衛(wèi)星、有限、先進(jìn)、總線、升、平的、是、最、有，這些詞作為停用詞不能參加系統(tǒng)的有效集合一、代，去除后并不影響原來句子語義的表達(dá)也不能算作系統(tǒng)的有效集合。2) 寫出d1和d2在VSM中的表示使用tf*idf，寫出各項(xiàng)的數(shù)字表達(dá)式，具體數(shù)值不必實(shí)際計(jì)算出來。 得到的矩陣：Termd1d2d3d4d5Term出現(xiàn)次數(shù)北京101013安100001立100001文100001高新100001技術(shù)110013公司101013新010012網(wǎng)絡(luò)011002訪問010001衛(wèi)

4、星001012有限001012先進(jìn)000101總線000101升000011平000011TF×IDF=cikj=1tcij×logNnk說明：TF：表示詞項(xiàng)在該文檔或者查詢?cè)~中出現(xiàn)的頻度。即該詞項(xiàng)出現(xiàn)次數(shù)除以該文檔的長(zhǎng)度所有詞的個(gè)數(shù)cik：表示詞項(xiàng)k在Di中的出現(xiàn)次數(shù)。j=1tcij：表示該文檔的長(zhǎng)度所有詞的個(gè)數(shù)IDF：表示詞項(xiàng)在文檔集合中的重要程度。一個(gè)詞項(xiàng)出現(xiàn)的文檔數(shù)越多，說明該詞項(xiàng)的區(qū)分度越差，其在文檔集合中的重要性就越低。N：表示集合中的文檔數(shù)；nk：表示出現(xiàn)詞項(xiàng)k的文檔數(shù)。d1中各詞項(xiàng)的數(shù)字表達(dá)式“北京的TF×IDF=17×log53“安的T

5、F×IDF=17×log51“立的TF×IDF=17×log51“文的TF×IDF=17×log51“高新的TF×IDF=17×log51“技術(shù)的TF×IDF=17×log53“公司的TF×IDF=17×log53d2中各詞項(xiàng)的數(shù)字表達(dá)式：“新的TF×IDF=17×log52“網(wǎng)絡(luò)的TF×IDF=17×log52“訪問的TF×IDF=17×log51“技術(shù)的TF×IDF=17×log533) 畫出

6、系統(tǒng)的倒排文件示意圖。 4) 按照向量夾角的余弦計(jì)算公式，給出針對(duì)查詢“技術(shù)的公司的前3個(gè)反應(yīng)結(jié)果。該局部由代碼實(shí)現(xiàn)。三、 實(shí)驗(yàn)方法、步驟1 建立Java工程，2 建立DocumentStruct.java類文件并編輯3 建立TextVector.java類文件并編輯，如圖4-1，圖4-2所示圖4-1圖4-24 建立TF.java類文件并編輯，如圖圖4-7所示圖4-45 建立IDF.java類文件并編輯，如圖圖4-5所示圖4-56 建立CaculateSim.java類文件并編輯，如圖4-6所示圖4-67 建立MainApp.java類文件并編輯，圖4-7所示圖4-78 完成后的工程文件夾如圖

7、4-8所示圖4-89 運(yùn)行結(jié)果如圖4-9所示-13-1. DocumentStruct.java代碼：packageacm.model;public class DocumentStruct publicDocumentStruct()this.documentID = 0;this.documentSimValue = 0;this.documentContent = "None"this.documentName = "None"publicDocumentStruct(int ID, double sim, String name, String

8、content)this.documentID = ID;this.documentSimValue = sim;this.documentName = name;this.documentContent = content;public String getDocumentContent() returndocumentContent;public void setDocumentContent(String documentContent) this.documentContent = documentContent;public String getDocumentName() retu

9、rndocumentName;public void setDocumentName(String documentName) this.documentName = documentName;public double getDocumentSimValue() returndocumentSimValue;public void setDocumentSimValue(double documentSimValue) this.documentSimValue = documentSimValue;publicintgetDocumentID() returndocumentID;publ

10、ic void setDocumentID(intdocumentID) this.documentID = documentID;publicDocumentStruct sortDocBySim(DocumentStruct docList)DocumentStruct temp;for(inti=0; i<docList.length-1; i+)for(int j=i; j<docList.length-1; j+)if(docListi.getDocumentSimValue() <docListj.getDocumentSimValue() )temp = doc

11、Listi;docListi = docListj;docListj = temp;returndocList;private String documentName;private String documentContent;private double documentSimValue;privateintdocumentID;2. TextVector.java代碼：packageacm.model;public class TextVector publicTextVector(int dimension, int termCount, intdocumentTermCount, i

12、ntdocumentCount, int documentContainTermCount)vectorWeight = new doubledimension;for(inti=0; i<dimension; i+)vectorWeighti = caculateWeight(termCounti, documentTermCount, documentCount, documentContainTermCounti);public double caculateWeight(inttermCount, intdocumentTermCount, intdocumentCount, i

13、ntdocumentContainTermCount)TF termTF = new TF(termCount, documentTermCount);IDF termIDF = new IDF(documentCount, documentContainTermCount);termTF.caculateTF();termIDF.caculateIDF();return(termTF.getTf()*termIDF.getIdf();public double getVectorWeight() returnvectorWeight;public void setVectorWeight(d

14、ouble vectorWeight) this.vectorWeight = vectorWeight;private double vectorWeight;3. TF.java代碼packageacm.model;public class TF public TF()tf = 0.0;termCount = 0;termInDocumentCount = 0;public TF(inttermCount, intdocumentTermCount)this.tf = 0.0;this.termCount = termCount;this.termInDocumentCount = doc

15、umentTermCount;public void caculateTF()if(termInDocumentCount = 0)System.out.println("請(qǐng)先設(shè)置文檔總數(shù)！");return;this.tf = (double)termCount / (double)termInDocumentCount;public double getTf() returntf;publicintgetTermCount() returntermCount;public void setTermCount(inttermCount) this.termCount =

16、termCount;publicintgetTermInDocumentCount() returntermInDocumentCount;public void setTermInDocumentCount(inttermInDocumentCount) this.termInDocumentCount = termInDocumentCount;private double tf;privateinttermCount;privateinttermInDocumentCount;4. IDF.java代碼packageacm.model;public class IDF public ID

17、F() idf = 0.0;documentContainTermCount = 0;documentCount = 0;public IDF(intdocumentCount, intdocumentContainTermCount)idf = 0.0;this.documentCount = documentCount;this.documentContainTermCount = documentContainTermCount;publicintgetDocumentCount() returndocumentCount;public void setDocumentCount(int

18、documentCount) this.documentCount = documentCount;publicintgetDocumentContainTermCount() returndocumentContainTermCount;public void setDocumentContainTermCount(intdocumentContainTermCount) this.documentContainTermCount = documentContainTermCount;public double getIdf() returnidf;public void caculateI

19、DF()if(documentContainTermCount = 0)System.out.println("請(qǐng)?jiān)O(shè)置文檔的長(zhǎng)度所有詞的個(gè)數(shù)！");return;this.idf = Math.log10(double)this.documentCount / (double)this.documentContainTermCount);private double idf;privateintdocumentCount;privateintdocumentContainTermCount;5. CaculateSim.java代碼packageacm.model;publ

20、ic class CaculateSim publicCaculateSim(TextVector vector1, TextVector vector2)doublesimDividend=0.0, simDivider=0.0;double tempVector1=0.0, tempVector2=0.0;for(inti=0; i<vector1.getVectorWeight().length; i+)simDividend += vector1.getVectorWeight()i * vector2.getVectorWeight()i;for(inti=0; i<ve

21、ctor1.getVectorWeight().length; i+)tempVector1 += Math.pow(vector1.getVectorWeight()i, 2.0);tempVector2 += Math.pow(vector2.getVectorWeight()i, 2.0);simDivider = Math.sqrt(tempVector1*tempVector2);this.sim = simDividend / simDivider;public double getSim() returnsim;private double sim;6. MainApp.java

22、代碼packageacm.model;public class MainApp public static void main(String args) intTermCount = 1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,1,0,1,1,1,0,0,0,0,0,0, 1,0,0,0,0,0,1,0,1,0,1,1,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0, 1,0,0,0,0,1,1,1,0,0,1,1,0,0,1,1, 0,0,0,0,0,1,1,0,0,0,0,0,0,0,0,0;intdocument

23、TermCount = 7, 7, 5, 6, 11, 3;intdocumentContainTermCount = 3,1,1,1,1,4,4,2,2,1,2,2,1,1,1,1;DocumentStruct docList = new DocumentStruct6;String documentContent = "北京安立文高新技術(shù)公司","新一代的網(wǎng)絡(luò)訪問技術(shù)","北京衛(wèi)星網(wǎng)絡(luò)","是最先進(jìn)的總線技術(shù)。","北京升平衛(wèi)星技術(shù)的新技術(shù)有。","技術(shù)的公司"TextVectorqueryVector = new Text