Lucene全文檢索技術(shù)在專利服務(wù)平臺(tái)中的研究與應(yīng)用.pdf

1、本文從生物醫(yī)藥專利信息服務(wù)平臺(tái)的實(shí)際應(yīng)用需求出發(fā),在深入研究了Lucene全文檢索工具包及相關(guān)技術(shù)基礎(chǔ)之上,擴(kuò)展了Lucene分詞模塊,改進(jìn)了Lucene默認(rèn)的排序算法,并擴(kuò)展了Lucene的多格式文檔處理模塊,使本文設(shè)計(jì)的專利系統(tǒng)支持常用的多種專利文檔格式的檢索,并最終將以上研究應(yīng)用于本文介紹的專利服務(wù)平臺(tái)中,有效地改善了專利檢索系統(tǒng)的性能。
　　 本文主要工作如下:
　　 (1)對(duì)Lucene全文檢索工具包進(jìn)行了深入

2、研究,分析了各種常見格式文檔處理技術(shù)的現(xiàn)狀,著重研究了中文分詞技術(shù)和Lucene的排序機(jī)制,為L(zhǎng)ucene全文檢索技術(shù)更好的在專利服務(wù)平臺(tái)中的科學(xué)應(yīng)用,提供了充分的理論依據(jù)；
　　 (2)針對(duì)專利文獻(xiàn)特點(diǎn)及專利文獻(xiàn)自動(dòng)分詞的難點(diǎn),提出了一種基于規(guī)則和后綴數(shù)組相結(jié)合的自動(dòng)分詞方法,擴(kuò)展了Lucene分詞模塊,實(shí)驗(yàn)證明該方法有效地提高了專利分詞的查準(zhǔn)率和查全率；
　　 (3)針對(duì)專利文獻(xiàn)的特點(diǎn),改進(jìn)了傳統(tǒng)的TF-IDF公式,

3、提出了一種對(duì)位置信息進(jìn)行加權(quán)來計(jì)算特征詞權(quán)重的方法,對(duì)檢索結(jié)果進(jìn)行了自定義排序,實(shí)驗(yàn)證明該排序方法能很好地匹配更相關(guān)的文檔；
　　 (4)為了能夠讓本文的專利檢索系統(tǒng)既不局限于純文本格式的檢索,又不用將文檔轉(zhuǎn)換成中間格式,本文設(shè)計(jì)了一個(gè)通用的接口,借助第三方開發(fā)的解析工具對(duì)不同格式的專利文檔(如PDF文檔、WORD文檔、HTML文檔等)進(jìn)行處理,將其轉(zhuǎn)換成Lucene能夠處理的格式,使本文設(shè)計(jì)的專利檢索系統(tǒng)支持對(duì)多種格式專利文獻(xiàn)