ارائه یک مدل جدید از فاصله بین کلمات پرس و جو براساس حداقل جابجایی

براساس تحقیقات انجام شده روی موتورهای جستجو، اکثر پرس وجوهای کاربران بیش از یک کلمه می باشد. برای پرس وجوها با بیش از یک کلمه دو مدل می توان ارائه کرد. در مدل اول فرض می شود کلمات پرس وجو مستقل از یکدیگر هستند و در مدل دوم محل و ترتیب کلمات وابسته فرض می شود. آزمایش ها نشان می دهد که در اکثر پرس وجوها بین کلمات وابستگی وجود دارد. یکی از پارامترهایی که می تواند وابستگی بین کلمات پرس وجو را مشخص کند فاصله ی بین کلمات پرس وجو در سند است. در این مقاله تعریف جدیدی از فاصله براساس حداقل جابجایی کلمات سند به منظور تطبیق بر پرس وجو ارائه می گردد. همچنین با توجه به این که اکثر الگوریتم های رتبه بندی از فرکانس رخداد یک کلمه در سند (Term Frequency) برای امتیازدهی به اسناد استفاده می کنند و برای پرس وجو با بیش از یک کلمه تعریف روشنی از این پارامتر وجود ندارد؛ در این مقاله پارامترهای  فرکانس رخداد یک عبارت (Phrase Frequency) و معکوس فرکانس سند (Inverted Document Frequency) با توجه به مفهوم جدید فاصله تعریف شده است و الگوریتم هایی برای محاسبه آن ها ارائه گردیده است. همچنین نتایج الگوریتم پیشنهادی با الگوریتم پیاده سازی شده توسط نمایه ساز متن باز لوسین مقایسه شده است که افزایش خوبی را در میانگین دقت نشان می دهد.

کلیدواژه ها:

موتور جستجو ، رتبه بندی ، فاصله ، وابستگی کلمات