面向語境協(xié)同的Deepweb知識檢索技術(shù).pdf

1、隨著互聯(lián)網(wǎng)的不斷發(fā)展，尤其是web2.0以后，其中大部分的數(shù)據(jù)都是De ep web中數(shù)據(jù)。在中國隨著電子商務(wù)等交互式應(yīng)用的爆發(fā)性增長，中文評論數(shù)據(jù)成為Deep web知識檢索中重要的部分，所以對評論領(lǐng)域的知識檢索研究將變得很有意義。傳統(tǒng)的基于關(guān)鍵詞匹配的信息檢索已經(jīng)不能夠滿足用戶對具體信息和知識的需求，為此知識檢索應(yīng)運而生并等到了各界越來越多的關(guān)注?，F(xiàn)有的知識檢索技術(shù)還比較少，主要都是基于龐大的知識庫的研究，對特定領(lǐng)域的研究過于復雜，

2、帶來的效率也大大降低。對評論數(shù)據(jù)的知識檢索需要一種新的知識抽取的方法。
　　中文評論數(shù)據(jù)知識抽取框架的基本思想是從自身評論數(shù)據(jù)中抽取知識。研究中提出了一個新的概念：知識空間，它是商品知識的集合。該框架主要包含兩個部分：構(gòu)建知識空間，使用基于Sk ip-gra m模型訓練學習評論數(shù)據(jù)構(gòu)建知識空間，該方法不需要任何提取特征和模式匹配，因此可以適用于大規(guī)模數(shù)據(jù)，并可以拓展到并行處理；知識檢索和結(jié)果優(yōu)化，使用歐式距離的思想找到和查詢關(guān)鍵詞

3、相關(guān)的實體知識并使用2-gram方法優(yōu)化檢索結(jié)果?；贖ierarchical softmax的快速建立知識空間的算法是構(gòu)建知識空間過程中的優(yōu)化部分，這種方法應(yīng)用了數(shù)學理論中的梯度下降法，每次選擇的都是最佳的路徑。
　　針對評論數(shù)據(jù)的基于Skip-gra m神經(jīng)網(wǎng)絡(luò)學習模型的知識檢索框架，不僅在反應(yīng)時間和準確率上有不錯的表現(xiàn)，在用戶體驗上更加的優(yōu)秀。給用戶提供的是更加豐富的關(guān)于商品的知識，這比傳統(tǒng)的基于關(guān)鍵詞匹配的檢索方法給出的結(jié)