[發(fā)明專利]信息檢索系統(tǒng)中基于短語的搜索

有效

• 申請(qǐng)?zhí)枺?/td>: 201110200364.0
• 申請(qǐng)日: 2005-07-26
• 公開（公告）號(hào): CN102226900A
• 公開（公告）日: 2011-10-26
• 發(fā)明（設(shè)計(jì)）人: 安娜·林恩·帕特森
• 申請(qǐng)（專利權(quán)）人: 咕果公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 北京律盟知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11287
• 代理人: 王允方

分案申請(qǐng)的相關(guān)信息

本申請(qǐng)為發(fā)明名稱為“信息檢索系統(tǒng)中基于短語的搜索”的原中國發(fā)明專利申請(qǐng)的分案申請(qǐng)。原申請(qǐng)的申請(qǐng)?zhí)枮?00510085371.5；原申請(qǐng)的申請(qǐng)日為2005年7月26日；原發(fā)明專利申請(qǐng)案的優(yōu)先權(quán)日為2004年7月26日。

相關(guān)申請(qǐng)的交叉參考

2004年7月26日申請(qǐng)的申請(qǐng)案第10/900,021號(hào)“Phrase?Identification?in?an?Information?Retrieval?System”；

2004年7月26日申請(qǐng)的申請(qǐng)案第10/900,055號(hào)“Phrase-Based?Indexing?in?an?Information?Retrieval?System”；

2004年7月26日申請(qǐng)的申請(qǐng)案第10/900,039號(hào)“Phrase-Based?Personalization?of?Searches?in?an?Information?Retrieval?System”；

2004年7月26日申請(qǐng)的申請(qǐng)案第10/900,259號(hào)“Automatic?Taxonomy?Generation?in?Search?Results?Using?Phrases”；

2004年7月26日申請(qǐng)的申請(qǐng)案第10/900,075號(hào)“Phrase-Based?Generation?of?Document?Descriptions”；及

2004年7月26日申請(qǐng)的申請(qǐng)案第10/900,012號(hào)“Phrase-Based?Detection?of?Duplicate?Documents?in?an?Information?Retrieval?System”；

所有這些申請(qǐng)案被共同擁有并且以引用的方式并入本文中。

技術(shù)領(lǐng)域

本發(fā)明涉及一種用于對(duì)諸如互聯(lián)網(wǎng)(Internet)的大規(guī)模語料庫中的文獻(xiàn)編制索引、搜索與分類的信息檢索系統(tǒng)。

背景技術(shù)

信息檢索系統(tǒng)通常稱作搜索引擎，如今它們是一種用于在諸如互聯(lián)網(wǎng)的大規(guī)模、多樣化并不斷增長的語料庫中尋找信息的基本工具。一般來說，搜索引擎創(chuàng)建索引以使文獻(xiàn)(或“頁”)與各文獻(xiàn)中存在的個(gè)別字相關(guān)。響應(yīng)一含有多個(gè)查詢項(xiàng)的查詢來檢索文獻(xiàn)，此通常是基于在文獻(xiàn)中存在一定數(shù)量的查詢項(xiàng)而實(shí)現(xiàn)的。根據(jù)諸如查詢項(xiàng)出現(xiàn)的頻率、主域、鏈接分析等其它統(tǒng)計(jì)度量來對(duì)檢索到的文獻(xiàn)分等級(jí)。然后，通常按分等級(jí)后的次序?qū)z索到的文獻(xiàn)呈現(xiàn)給用戶，而不進(jìn)行任何其他分組或強(qiáng)制分級(jí)。在某些狀況下，僅呈現(xiàn)文獻(xiàn)文本的選定部分以便使用戶能夠粗略了解所述文獻(xiàn)的內(nèi)容。

查詢項(xiàng)的直接“布爾(Boolean)”匹配具有多個(gè)熟知的限制，并且尤其無法識(shí)別那些不具有查詢項(xiàng)但具有相關(guān)字的文獻(xiàn)。舉例來說，在典型的布爾系統(tǒng)中，搜索“Australian?Shepherds(澳大利亞牧羊犬)”時(shí)將不會(huì)返回不具有確切查詢項(xiàng)的關(guān)于其它herding?dogs(牧羊犬)(例如，Border?Collies(博得牧羊犬))的文獻(xiàn)。反而，所述系統(tǒng)通常可能同時(shí)檢索到關(guān)于Australia(澳大利亞)(并且與dogs(狗)無關(guān))的文獻(xiàn)與關(guān)于“shepherds(牧羊犬)”的文獻(xiàn)，并且將這些文獻(xiàn)排在較高等級(jí)。

這里的問題是傳統(tǒng)的系統(tǒng)是根據(jù)個(gè)別項(xiàng)而不是概念來編制文獻(xiàn)索引。概念通常以短語表示，如“Australian?Shepherd(澳大利亞牧羊犬)”、“President?of?the?United?States(美國總統(tǒng))”或者“Sundance?Film?Festival(圣丹斯電影節(jié))”等。某些現(xiàn)有系統(tǒng)最多是就預(yù)定且非常有限的“已知”短語集合來編制文獻(xiàn)索引，這些“已知”短語一般是由人工操作員選擇的。因?yàn)椴煊X到識(shí)別由(比如)三個(gè)、四個(gè)或五個(gè)或更多個(gè)字組成的所有可能的短語需要計(jì)算與存儲(chǔ)器，所以一般會(huì)避免對(duì)短語編制索引。舉例來說，如果假定任意五個(gè)字可構(gòu)成一個(gè)短語并且一個(gè)大的語料庫將具有至少200,000個(gè)唯一項(xiàng)，那么將存在約3.2*10²⁶個(gè)可能短語，此明顯超出任何現(xiàn)有系統(tǒng)能夠存儲(chǔ)于存儲(chǔ)器中的量或者其可另外編程操縱的量。另一個(gè)問題是短語不斷輸入并會(huì)超出其在詞典中的用法，此比發(fā)明新的個(gè)別字頻繁得多。新短語總是從諸如技術(shù)、藝術(shù)、世界事件與法律等來源中產(chǎn)生。其它短語將隨時(shí)間降低使用。