CN102081655B - 基于贝叶斯分类算法的信息检索方法 - Google Patents

Abstract

本发明公开了信息处理技术领域中的一种基于贝叶斯分类算法的信息检索方法。包括从关系数据库中选取数据表，建立信息检索模型；从所述信息检索模型中导出样本集，并将样本集划分为训练数据集和测试数据集；从信息检索模型中选择相关字段作为样本集的分类属性，确定所述分类属性的类别，并根据分类属性计算类别的先验概率；计算样本的后验概率；根据贝叶斯公式计算样本的类别概率；根据样本的类别概率对样本进行分类，并生成数据分类集；用户在数据分类集中做信息检索操作。本发明将贝叶斯分类算法应用于实际的信息检索，有效地提高了信息检索的精确度。

Description

基于贝叶斯分类算法的信息检索方法

技术领域

本发明属于信息处理技术领域，尤其涉及一种基于贝叶斯分类算法的信息检索方法。

背景技术

信息检索是互联网应用的重要组成部分，随着互联网信息的飞速增长，错综复杂的分类体系使得对有价值的信息进行检索越来越困难。

贝叶斯分类是文本挖掘中的基础算法，该方法通过运用概率论知识对文本信息进行快速、准确地分类；而分类后的信息可以作为其他应用的基础。

信息种类多样化、信息关系复杂化的现状导致用户按照需求，查询相关信息时，可能由任何一个信息主题延伸到其他信息主题，从而在系统中构成若干信息环。此类特征往往使得系统进行信息推荐时，可能会提供一些字面相似、实则意义相差甚远的信息，造成用户在进行信息检索时可能会遇到不可预料的麻烦。

针对上述问题，本发明将贝叶斯分类算法应用于信息检索中，通过对信息资源进行分类，缩小检索范围，从而实现在某一类别内进行检索时，能够提高信息检索的准确率。

发明内容

本发明的目的在于，提供一种基于贝叶斯分类算法的信息检索方法，通过贝叶斯分类算法对原始信息进行分类，以缩小信息检索的范围，然后在某一特定类别下进行信息检索，从而提高信息检索的准确率。

技术方案是，一种基于贝叶斯分类算法的信息检索方法，其特征是所述方法包括下列步骤：

步骤1：从关系数据库中选取数据表，建立信息检索模型；所述建立信息检索模型具体是：先定义所述数据表的主键和外键，然后按照数据表之间存在的主键和外键关系，构建环状结构信息检索模型；

步骤2：从所述信息检索模型中导出样本集，并将样本集划分为训练数据集和测试数据集；

步骤3：从信息检索模型中选择相关字段作为样本集的分类属性，确定所述分类属性的类别，并根据分类属性计算类别的先验概率P(C_i)；所述先验概率P(C_i)是指训练数据集中每个类别的样本所占的比例，先验概率P(C_i)利用公式P(C_i)＝s_i/s计算，其中s_i是类别C_i在训练数据集的样本数，而s是训练数据集的样本总数；

步骤4：计算样本的后验概率P(X|C_i)；所述后验概率P(X|C_i)是指测试数据集中每个类别的样本所占比例，利用公式

计算，其中，概率P(X_k|C_i)＝s_ik/s_i，1≤k≤n，s_ik是类别C_i在测试数据集的样本数，而s_i是训练数据集的样本总数，X为数据样本特征向量且X＝{X₁,X₂,...,X_n}，n为数据样本特征向量的维数；

步骤5：根据贝叶斯公式

计算样本的类别概率P(C_i|X)；其中，X_j为数据样本，C_i为样本的类别且样本类别向量C＝{C₁,C₂,...,C_m}，m为类别属性的个数，X为n维数据样本组成的特征向量X＝{X₁,X₂,...,X_n}，P(C_i)为先验概率，P(X)为全样本概率；

步骤6：根据样本的类别概率对样本进行分类，并生成数据分类集；所述根据样本的类别概率对样本进行分类具体是：比较测试数据集中的样本在每个类别下的概率大小，选取概率值最大的类别对样本进行分类；其中，最大概率值利用公式X∈C_i|P(C_i|X)＝Max{P(C_i|X)}计算

步骤7：用户在数据分类集中做信息检索操作。

本发明的效果在于，将贝叶斯分类算法应用于实际的信息检索，有效地提高了信息检索的精确度。

附图说明

图1是基于贝叶斯分类算法的信息检索方法流程图；

图2是信息检索模型建立示意图；

图3是基于贝叶斯分类算法的信息检索图形化实例过程图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是基于贝叶斯分类算法的信息检索方法流程图。图1中，基于贝叶斯分类算法的信息检索方法包括下列步骤：

步骤1：从关系数据库中选取数据表，建立信息检索模型。图2是信息检索模型建立示意图。图2中，以在数据库中选取的科研成果表、人员信息表和部门信息表为例，依据三个表之间的关联关系，建立信息检索模型具体是：先定义三个数据表的主键和外键，然后按照三个数据表之间存在的主键和外键关系，构建环状结构信息检索模型。

步骤2：从信息检索模型中导出样本集，并将样本集划分为训练数据集和测试数据集。

从信息检索模型中导出样本集具体是从所构建信息检索模型中随机导出用于构建数据分类集的数据记录，并将其划分为训练数据集和测试数据集，训练数据集和测试数据集的数据记录一般以2:1的比例随机划分。其中，训练数据集是指已经标定的，用来训练分类器的数据集合。测试数据集是指没有标定的，需要用分类器进行识别的数据集合。

图3是基于贝叶斯分类算法的信息检索图形化实例过程图。图3中，从所构建信息检索模型中随机选择1000条数据作为样本集。其中，666条作为训练数据集，334条作为测试数据集。

步骤3：从信息检索模型中选择相关字段作为样本集的分类属性，确定所述分类属性的类别，并根据分类属性计算类别的先验概率P(C_i)。

根据实际需求，本例选取样本的四个字段作为分类属性，分别是功能定位属性、学科属性、体现形式属性和国民经济行业属性。其中，功能定位属性包含有12个类别，学科属性包含有58个类别，体现形式属性包含有16个类别，国民经济行业属性包含有98个类别。

为了简化计算，本例选取功能定位属性作为分类属性进行计算，学科属性、体现形式属性和国民经济行业属性的计算方法与功能定位属性的计算方法相似，这里不再赘述。

根据功能定位属性包含的12个类别，计算其先验概率P(C_i)。先验概率P(C_i)是指训练数据集中每个类别的样本所占的比例，先验概率P(C_i)利用公式P(C_i)＝s_i/s计算，其中s_i是类别C_i在训练数据集的样本数，而s是训练数据集的样本总数。本例中，功能定位属性的12个类别的先验概率分别为11.4%、9.0%、0.6%、11.7%、28.5%、12.7%、6.6%、7.8%、3.5%、0.4%、18.8%和0。

步骤4：计算样本的后验概率P(X|C_i)。

样本是指样本集中的一条数据记录。后验概率P(X|C_i)是指测试数据集中每个类别的样本所占比例，利用公式

计算，其中，概率P(X_k|C_i)＝s_ik/s_i，1≤k≤n，s_ik是类别C_i在测试数据集的样本数，而s_i是训练数据集的样本总数，n为类别数。在本例中，选样本为一维，故其后验概率设置为1。

步骤5：根据贝叶斯公式

计算样本的类别概率P(C_i|X)。

贝叶斯公式

是假定每个样本的类别属性之间都是相互独立的，并且每个属性对给定类别产生的影响是一样的。公式中每个数据样本用一个n维特征向量X＝{X₁,X₂,...,X_n}表示，样本的类别属性用向量C＝{C₁,C₂,...,C_m}表示，P(C_i)为先验概率，P(X_j|C_i)为后验概率，P(X)是样本的全概率，对每个样本类别而言，P(X)为常量。

根据功能定位属性包含的12个类别，计算样本的类别概率值分别为11.4%、9.0%、0.6%、11.7%、28.5%、12.7%、6.6%、7.8%、3.5%、0.4%、18.8%和0。其中，最大值为28.5%，故样本类别概率为28.5%。

步骤6：根据样本的类别概率对样本进行分类，并生成数据分类集。

根据样本的类别概率对样本进行分类是指比较测试数据集中的样本在每个类别属性下的概率大小，选取概率值最大的类别对样本进行分类。其最大概率值由公式X∈C_i|P(C_i|X)＝Max{P(C_i|X)}计算。因步骤5中计算出的样本的类别概率值最大值为28.5%，故在其对应的类别中对样本进行分类。

步骤7：用户在数据分类集中做信息检索操作。

用户输入查询关键词，在已完成的数据分类集中按关键词进行检索。

例如，用户输入关键词为“大型火电机组”，用户在已完成的数据分类集中进行检索，并获得以“大型火电机组”为关键词的期望信息，示例部分内容如下：

“我国大型火电机组空冷设计运行关键技术研究与应用”、“基于节能理论分析的大型火电机组综合节能研究及应用”、“先进控制策略在大型火电机组中的应用及控制软件包的开发”。

如果用户要进行下一次检索，则重新输入关键词进行检索；否则结束检索。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (1)

1.一种基于贝叶斯分类算法的信息检索方法，其特征是所述方法包括下列步骤：

步骤1：从关系数据库中选取数据表，建立信息检索模型；所述建立信息检索模型具体是：先定义所述数据表的主键和外键，然后按照数据表之间存在的主键和外键关系，构建环状结构信息检索模型；

步骤2：从所述信息检索模型中导出样本集，并将样本集划分为训练数据集和测试数据集；

步骤3：从信息检索模型中选择相关字段作为样本集的分类属性，确定所述分类属性的类别，并根据分类属性计算类别的先验概率P(C_i)；所述先验概率P(C_i)是指训练数据集中每个类别的样本所占的比例，先验概率P(C_i)利用公式P(C_i)＝s_i/s计算，其中s_i是类别C_i在训练数据集的样本数，而s是训练数据集的样本总数；

步骤4：计算样本的后验概率P(X|C_i)；所述后验概率P(X|C_i)是指测试数据集中每个类别的样本所占比例，利用公式

计算，其中，概率P(X_k|C_i)＝s_ik/s_i，1≤k≤n，s_ik是类别C_i在测试数据集的样本数，而s_i是类别C_i在训练数据集的样本数，X为数据样本特征向量且X＝{X₁,X₂,...,X_n}，n为数据样本特征向量的维数；

步骤5：根据贝叶斯公式

计算样本的类别概率P(C_i|X)；其中，X_j为数据样本，C_i为样本的类别且样本类别向量C＝{C₁,C₂,...,C_m}，m为类别属性的个数，X为n维数据样本组成的特征向量X＝{X₁,X₂,...,X_n}，P(C_i)为先验概率，P(X)为全样本概率；

步骤6：根据样本的类别概率对样本进行分类，并生成数据分类集；所述根据样本的类别概率对样本进行分类具体是：比较测试数据集中的样本在每个类别下的概率大小，选取概率值最大的类别对样本进行分类；其中，最大概率值利用公式X∈C_i|P(C_i|X)＝Max{P(C_i|X)}计算；

步骤7：用户在数据分类集中做信息检索操作。

Images