[发明专利]基于无监督的实体关系抽取的主题元搜索系统及方法

说明书

技术领域

本发明关于一种主题元搜索系统及方法，特别是涉及一种基于无监督的实体关系抽取的主题元搜索系统及方法。

背景技术

目前的很多搜索服务中，有一些针对不同用户的个性化的信息搜索服务，如基于用户行为分析的个性化搜索服务，对于不同用户的相同查询请求返回的查询结果也有所不同，即系统能够在一定程度上识别不同用户个性信息需求上的差别。但是由于对用户的查询主题不能进行比较准确的确定及描述，或者搜索结果特征向量的提取算法不同，而导致离散的特征向量无法正确表达搜索结果文档，从而影响了搜索的准确性。因此如何在搜索的过程中更精确地表达主题，以及如何更精确地计算搜索结果与主题的相似度，成为了信息检索领域中许多学者的研究热点。实体关系抽取是信息抽取的一种方法，而信息抽取与信息检索是相辅相成的，一方面信息检索的输出可以作为信息抽取的输入，另一方面信息抽取能改善信息检索的结果。无监督的实体关系抽取作为实体关系抽取的一种方法，可以改善主题元搜索的性能，提高搜索的精确度。

在很多主题元搜索方法中，对搜索结果一般采用提取特征向量的方法，然后采用夹角余弦算法，计算搜索结果与主题的相符合程度，但是特征向量是离散的，可能无法正确表达搜索结果文档，因此以此计算与主题的相似度就会不够准确，搜索结果的准确性就大大受到影响。

发明内容

为克服上述现有技术的不足，本发明之目的在于提供一种基于无监督的实体关系抽取的主题元搜索系统及方法，在保证查全率的前提下，根据无监督的关系抽取的结果，判断与主题的相符合程度，从而得到更高的查准率。

为达上述及其它目的，本发明提出一种基于无监督的实体关系抽取的主题元搜索系统，至少包括：

主题模型建立模组，用于建立各种主题模型；

匹配搜索引擎模组，于用户选择了要进行搜索的主题时，根据不同的主题模型，匹配合适的成员搜索引擎进行主题搜索；以及

搜索结果处理模组，对于各成员搜索引擎返回的搜索结果，利用无监督的实体关系抽取算法，对搜索结果的特征词进行实体关系抽取，并依据抽取的关系对计算与主题的相似度，将满足条件的结果返回给用户。

进一步地，该主题模型采取三元组Topic(C，P，S)来表示，形成主题树结构，其中C表示由主题领域中的名词概念抽象出来，具有相同属性和行为结构的概念类的集合，P描述概念和关系的属性，S表示主题类之间的结构关系。

进一步地，C采用向量空间模型来表示，使用二元组C_i(Key_i，Weight_i)，其中Key_i表示关键词，Weight_i表示关键词的权重。

进一步地，该匹配搜索引擎模组针对不同的主题，预先分配一些推荐的成员搜索引擎，对用户进行引导。

进一步地，该搜索结果处理模组包括：

预处理模块，用于对各成员搜索引擎的检索结果进行初步的集成、去重；

特征向量抽取模组，用于将搜索结果进行分词处理，抽取出表达网页内容的特征向量；

实体关系抽取模组，首先根据所抽取的页面的特征向量，识别实体，并基于启发式规则，获取实体的上下文特征，然后构建上下文特征词的特征向量，采用应用特征频度函数对特征项进行数值化，并采用k-means的联合聚类算法，来实现实体对的聚类，最后对实体对的关系进行标注；以及

主题匹配模组，用于计算搜索结果与主题的相似度，返回满足相似度要求的搜索结果。

进一步地，该主题匹配模组根据向量空间模型，将两特征向量夹角的余弦值表示它们的相似度，计算出网页与主题的相似度，根据设定的阈值，将相似度最大的或满足相似度要求的若干个网页按照相似度大小返回给用户。

为达到上述及其他目的，本发明还提供一种基于无监督的实体关系抽取的主题元搜索方法，包括如下步骤：

步骤一，建立各种主题模型；

步骤二，于用户选择了要进行搜索的主题时，根据不同的主题模型，匹配合适的成员搜索引擎进行主题搜索；以及

步骤三，对于各个成员搜索引擎返回的搜索结果，利用无监督的实体关系抽取算法，对搜索结果的特征词进行实体关系抽取，并依据抽取的关系对计算与主题的相似度，将满足条件的结果返回给用户。

进一步地，步骤三还包括如下步骤：

将来自各成员搜索引擎的检索结果经过初步的集成、去重；

将搜索结果进行分词处理，抽取出表达网页内容的特征向量；