بهبود کارایی بازخورد خودکار با استفاده از روش مبتنی بر هسته تابع گوسین

بازخورد خودکار روشی موثر برای بهبود کارایی سیستم های بازیابی اطلاعات است. الگوریتم های بازخورد خودکار متعارف معمولا از کل یک سند بازخوردی برای استخراج ترم های مرتبط برای گسترش پرس و جو استفاده می کنند، این در حالی است که یک سند ممکن است چندین موضوع مختلف را پوشش دهد و در نتیجه تا حدودی شامل اطلاعات نامرتبط با پرس و جو خواهد بود. در این مقاله، ترم های مرتبط با موضوع پرس و جو براساس مجاورت آنها با ترم های پرس و جو در اسناد بازخوردی انتخاب شده اند. برای دستیابی به این هدف، ابتدا ترم های انتخابی از بالاترین k سند بازیابی شده، با استفاده از روش تحلیل محلی مفهومی ( LCA ) مرتب شده اند و یک مجموعه از ترم های با امتیاز بالاتر انتخاب شده اند. سپس، معیار KLD مجاورتی مبتنی بر هسته پیشنهاد شده است و از آن برای انتخاب ترم های مرتبط نهایی از بین ترم های کاندید انتخابی توسط روش LCA استفاده شده است. براساس نتایج آزمایشات، روش پیشنهادی منجر به بهبود نتایج گسترش پرس و جو روی معیار میانگین دقت متوسط ( MAP ) شده است.

کلیدواژه ها:

گسترش پرس وجو ، بازخورد خودکار ، معیار KLD مجاورتی مبتنی بر هسته ، فرکانس رخداد مجاورتی مبتنی بر هسته ، روش تحلیل محلی مفهومی