JPH02224068A - Information retrieving system - Google Patents
Information retrieving systemInfo
- Publication number
- JPH02224068A JPH02224068A JP1042940A JP4294089A JPH02224068A JP H02224068 A JPH02224068 A JP H02224068A JP 1042940 A JP1042940 A JP 1042940A JP 4294089 A JP4294089 A JP 4294089A JP H02224068 A JPH02224068 A JP H02224068A
- Authority
- JP
- Japan
- Prior art keywords
- keywords
- neural network
- search
- keyword
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 210000002569 neuron Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003925 brain function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
【発明の詳細な説明】
〔発明の目的〕
（産業上の利用分野）
本発明は、ニューラルネットワークを用いて情報検索を
行なうための情報検索システムに関する。DETAILED DESCRIPTION OF THE INVENTION [Object of the Invention] (Industrial Application Field) The present invention relates to an information retrieval system for performing information retrieval using a neural network.
（従来の技術）
最近、人間の右脳に似た情報処理能力を実現する方法と
してニューラルネットワークが注目されている。ニュー
ラルネットワークでは神経細胞をモデルとし、入力信号
の重みつき総和をとり、これにしきい値作用と非線型関
数を作用させることにより出力を生成するニューロンが
多数個結合されたものである。(Prior Art) Neural networks have recently attracted attention as a method for realizing information processing capabilities similar to the human right brain. A neural network uses a neuron as a model, takes a weighted summation of input signals, and applies a threshold effect and a nonlinear function to this to generate an output by connecting a large number of neurons.
ニューラルネットワークを用いて情報検索システムを構
築できれば、人間の右脳に似た連想、［推等の機能が利
用でき、従来の情報検索システムを高度化することが期
待される。しかるに、現状では、単純な連想メモリが実
現され“〔いるだけであり、情報検索システムとして利
用できるレベルには到達していない。If we can construct an information retrieval system using neural networks, we can utilize functions such as association and inference similar to those of the human right brain, and it is expected to improve the sophistication of conventional information retrieval systems. However, at present, only simple associative memories have been realized, and have not yet reached the level where they can be used as information retrieval systems.
従来の情報栓穴システムでは、検索手段としてキーワー
ドの論理式による表現を用いている。またキーワードを
体系化したシソーラスを備λ１、与えられたキ・−ワー
ドの下位概念を自動的に加え、で検索することも可能で
ある。しかるに、ユーザの検索したい内容を人間の右脳
機能に相当するキーワードの論理式のみで表現するのは
困難であり、またこれを支援するための適切なシソーラ
スを構築するのは困難である、
（発明が解決しようどする課題）
以」二のように従来の情報検索システムではキーワード
の論理式やシソーラスを用いた検索手段が提供されでい
るが、より柔軟な検索な可能とするために、右脳的な検
索手段をとり入れた情報検索システムの実現が望まれて
いる。Conventional information plug-in systems use expressions of keywords using logical formulas as a search means. In addition, if a thesaurus in which keywords are systematized is provided, it is also possible to automatically add sub-concepts of a given keyword and perform a search. However, it is difficult to express the content a user wants to search using only logical expressions of keywords that correspond to the human right brain function, and it is also difficult to construct an appropriate thesaurus to support this. As mentioned above, conventional information retrieval systems provide search methods using logical formulas and thesauri of keywords, but in order to enable more flexible searches, we have developed a right-brain approach. It is desired to realize an information retrieval system that incorporates various search methods.
本発明は、上記の課題を実現するためになされたもので
あり、ニューラルネットワークを用いて情仲検索システ
ムにおける柔軟な検索手段を提案することを目的として
いる。The present invention has been made to achieve the above-mentioned problems, and its purpose is to propose a flexible search means in a love relationship search system using a neural network.
（課題を解決するための手段）
本発明では、情報検索システムで用いる全゛Ｃのキーワ
・−ドについて、その相関関係をあらかじめ計算し゛Ｃ
キーワード相関テーブルを作成する。(Means for Solving the Problems) In the present invention, the correlation between all the keywords used in the information retrieval system is calculated in advance.
Create a keyword correlation table.
また、ニューラルネットワークは、個々のキーワードを
表わすニューロンから構成される層と、個々の格納デー
タを表わすニューロンから構成される層の２層から成る
。この２層間は完全結合され机
各ニューロンは入力ベクトルと重みベクトルとの積和演
算（内積）を行ない、その結果がしきい値を越えたもの
が発火する。Further, the neural network consists of two layers: a layer composed of neurons representing individual keywords, and a layer composed of neurons representing individual stored data. These two layers are completely connected, and each neuron performs a product-sum operation (inner product) between the input vector and the weight vector, and those whose results exceed a threshold fire.
Ｃ作用）
本発明によれば、データベース内に格納さ、ｔ１７るデ
ータは、それに対応するキーワードをキーワード相関チ
ー・プルにより変換された特徴ベクトルと共に、ニュー
ラルネット・ワ・・−り内に格納される。C) According to the present invention, the data stored in the database at t17 is stored in the neural network along with the feature vector obtained by converting the keyword corresponding to the keyword by the keyword correlation coefficient. Ru.
すなわち、個々の格納データの特徴ベグ１ヘルは、格納
データに対応するニフ、・−ロンの重みベタ１−ルとし
て保持される。That is, the characteristic value of each stored data is held as the weight value of the nif, . . . , corresponding to the stored data.
また、検索時に−は、検索したいキーワードをキーワー
ド相関デープルを用いて変換さｊ′シた検索バク１−ル
を用い、これと各格納データの特徴ベクトルとの類似度
をニューラルネットワークにより求める。Furthermore, during a search, a search bar is used in which the keyword to be searched is converted using a keyword correlation table, and the degree of similarity between this and the feature vector of each stored data is determined by a neural network.
これに、上り、検索は−９なるキーワードマッチング以
上ｌこ、キーワード間の相関関係を用いた機能を利用す
ることがでさ、柔軟性に富んだ検索機能が実現できる。In addition, for uplink searches, a function using correlation between keywords beyond -9 keyword matching can be utilized, and a highly flexible search function can be realized.
（実施例） 以下、本発明の詳細を一実施例により説明す′る。(Example) The details of the present invention will be explained below using an example.
第１図は本発明の一実施例のシステム構成を表わす。FIG. 1 shows the system configuration of one embodiment of the present invention.
ここでは文献検索システムを例にとり説明′″ＩＪ乙。Here, we will explain using the literature search system as an example.
各文献毎にあらかじめキー・・「１−ドが付与されてい
るどする。このキーワ・−ドの集合について各ンの相関
関係登キーワード相関テ・−プルｌＯに格納する。A key code is assigned in advance to each document. This set of keywords is stored in each correlation table.
キーワードを全部でＡ−Ｇの７種類としたときのキーワ
ード相関テーブル１０の一例を第２図に示す。FIG. 2 shows an example of the keyword correlation table 10 when there are seven types of keywords A to G in total.
キーワード相関テーブルの作り方は各種の方法が考えら
れるが５ここでは、文献内のキーワードの出現頻度に基
づき、次のように定義する。テーブルのｊ、行ｊ列をＫ
ｊ、ｊとすると
ＩＣ１，＋ ＝ Ｆ （ｔｎｊ）／ Ｆ ｂ）但し、
Ｆ（ｉ）はキーワードｉの出現回数＋ Ｆ （ｔｎ、ｔ
）はキー・ワードｉとｊが同−文献内に同時に出現する
回数を表わす。Various methods can be used to create a keyword correlation table.5 Here, keywords are defined as follows based on the frequency of appearance of keywords in documents. Table j, row j column is K
j, j, IC1,+ = F (tnj)/F b) However,
F(i) is the number of occurrences of keyword i + F (tn, t
) represents the number of times key words i and j appear simultaneously in the same document.
このキーワード相関テーブルを用いて、文献デー・−夕
をニュ・−ラルネッ［・ワークに格納する方法について
述べる。格納用特徴ベクトル生成部１１は。A method for storing literature data in a neural network using this keyword correlation table will be described. The storage feature vector generation unit 11 is.
各文献に付与されたキーワードより、キーワード相関テ
ーブル１０を用いてニューラルネツ［・ワーク１２の重
みを設定する。ニューラルネットワークの構成図撃力３
図に示す。第３図に示すようにニューラルネッＩ−ワー
クは各キー・ワードを表わす層と、各文献を表わすＭ間
の完全結合網とする。Based on the keywords assigned to each document, the weights of the neural network work 12 are set using the keyword correlation table 10. Neural network configuration diagram Impact 3
As shown in the figure. As shown in FIG. 3, the neural network I-network is a fully connected network between layers representing each key word and M representing each document.
次に重みの設定法について説明する。ここで文献Ｐ１は
キーワードＡ、Ｂをもつとする。このとき、第２図のキ
ーワード相関テーブルよりＡ行とＢ行の内容を参照する
。Next, a method for setting weights will be explained. Here, document P1 is assumed to have keywords A and B. At this time, the contents of rows A and B are referred to from the keyword correlation table of FIG.
Ａ＝ （１０，１０００，１０，９０，８）Ｂ＝ （０
，２１００，４０，３０，３０）文献Ｐ］、の特徴バク
１−ルＰ１は八とＢの平均をとることにより生成する。A= (10,1000,10,90,8)B= (0
, 2100, 40, 30, 30) Literature P], the feature back P1 is generated by taking the average of 8 and B.
但し、いずれかの要素が１のときは平均をとらずに結果
は１とする。これによりＰｌは
Ｐ１＝（１１００，２０゜２０．６０．４）となる、同
様に文献Ｐ２がキーワードＣ，Ｅをもつとすると
Ｐ２＝（０゜１０．１． ］、０．４ １ ０ ０，
１）文献Ｐ３がキーワードＦ、ＧをもつとするとＰ３＝
（０，６０，１００，１０，２１１）となる。このよ
うにして、格納する文献の特徴バク１ヘルＰｉ、Ｐ２．
Ｐ３が生成できる。ここで、文献Ｐ１に対応するニュー
ロンの重みは特徴ベクトルＰＬに基づいて第４図に示す
ように設定する。However, if any element is 1, the average is not taken and the result is 1. As a result, Pl becomes P1 = (1100, 20° 20.60.4). Similarly, if document P2 has keywords C and E, P2 = (0° 10.1. ], 0.4 1 0 0 ，
1) If document P3 has keywords F and G, then P3=
(0,60,100,10,211). In this way, the characteristics of the documents to be stored are Baku 1 Hell Pi, P 2 .
P3 can be generated. Here, the weight of the neuron corresponding to document P1 is set as shown in FIG. 4 based on the feature vector PL.
すなわち、各文献に対応するニューロンは特徴ベクトル
の値を重みとするものとする。各ニューロンＰ、の演算
は入力ベクトルを（とするとｆ （Ｐｉ・に−θ）
で表わされる。但し、θはしきい値、ｆは非線型関数と
する。That is, it is assumed that the neuron corresponding to each document uses the value of the feature vector as a weight. The operation of each neuron P is expressed as f (Pi·to−θ), where θ is a threshold value and f is a nonlinear function.
このようにしてニューラルネタ１−ワークを構成するこ
とができる。次に検索について述べる。In this way, a neural network 1-work can be constructed. Next, let's talk about searching.
今、キーワードＡをもつ文献について検索したいものと
する。第１図の検索用特徴ベタ１−ル生成部１３により
、検索要求に対応する特徴ベクトルが生成される。ここ
ではキーワードＡに対応する行をキーワード相関テーブ
ル１０より参照することにより、検索用特徴ベクトルｑ
は、第２図のキーワード相関テーブルを用いると
（１＝ （１０，１０００，１０，９０，８）となる。Now, assume that you want to search for documents with keyword A. The search feature vector generation unit 13 shown in FIG. 1 generates a feature vector corresponding to a search request. Here, by referring to the row corresponding to keyword A from the keyword correlation table 10, the search feature vector q
Using the keyword correlation table shown in FIG. 2, (1=(10,1000,10,90,8)).
この検索用特徴ベクトルをニューラルネットワーク１２
の入力とすることにより検索が行なわれる。ここで各ニ
ューロンの演算のしきい値θ＝１．非線型関数ｆを
ｆ（１）＝１：ｘ≧Ｏのとき
＝Ｏ：ｘ＜Ｏのとき
とすると、ＰＬ、Ｐ２．Ｐ３に対応するニューロンは次
の演算を行なう
Ｐｌ：ｆ（ＰＬ・ｑ−１）
＝Ｊ’（［１１００，２０，２０，６０，４）・〔］０
１１０００゜１０．９０．８）−１）＝ｆ（１＋０．ｉ
・ｌ−０，０２＋０．５４＋０．３２−１）＝、ｊ’
（０，９８）＝ １Ｐ２：ｆ（Ｐ２・１−１）
＝、）’（ＣＯ，１０，１１０，４１００，１）・（１
０，１０００，１０，９０，８）−１）＝ｆ （−０，
７１，）＝ Ｏ
Ｐ３：ｆ（Ｐ３・ｑ−１）
＝ｆ（［０，（ｉ ０．１００．１０，２１ １）・（
１０，１０００，１０，９０，８）−１）＝ｆ（１゜３
３）＝１
以上により、キーワードＡの検索要求に対し、文献Ｐ１
とＰ３に対応するニューロンが発火する。This search feature vector is used by the neural network 12.
A search is performed by inputting . Here, the calculation threshold θ of each neuron is 1. If the nonlinear function f is f(1)=1: when x≧O=O: when x<O, then PL, P2. The neuron corresponding to P3 performs the following operation Pl:f(PL・q−1) = J′([1100, 20, 20, 60, 4)・[]0
11000°10.90.8)-1)=f(1+0.i
・l-0,02+0.54+0.32-1)=,j'
(0,98)=1P2:f(P2・1-1)=, )'(CO,10,110,4100,1)・(1
0,1000,10,90,8)-1)=f (-0,
71,)=O P3:f(P3・q−1)=f([0,(i 0.100.10,21 1)・(
10,1000,10,90,8)-1)=f(1゜3
3) = 1 As described above, in response to a search request for keyword A, document P1
and the neuron corresponding to P3 fires.
ここで文献Ｐ１はキーワードＡとＢをもち、文献Ｐ３は
キーワードＦとＧをもつ。明らかに正しいキーワードを
含むものは正しく検索され、またキーワード八をもたな
い文献でもそれと関連の深いキーワードをもつならば検
索することができる。Here, document P1 has keywords A and B, and document P3 has keywords F and G. Documents that clearly contain the correct keywords can be searched correctly, and even documents that do not have the keyword 8 can be searched if they have keywords closely related to them.
このように、ニューラルネットワークを利用することに
より、個々のキーワードの照合だけでなく、与えられた
キーワード全体の中から判断することができるため、柔
軟な検索が可能となる。In this way, by using a neural network, it is possible not only to match individual keywords, but also to make judgments from among the entire set of given keywords, which enables flexible searches.
なお５本発明はニューラルネタ１−ワークを利用しなく
ても通常の計算機上で同様の処理を行なうことにより同
じ効果が得られることは明らかである。It is clear that in the present invention, the same effect can be obtained by performing similar processing on an ordinary computer without using a neural network.
以上に述べたように、本発明によれば情報検索システム
においてニューラルネットワーク殻利用することにより
、単なるキーワードの照合だもづでなく、キーワー・ド
間の相関関係に基づいた検索が可能どなるため５従来よ
りも高機能の検索を実現することができる。As described above, according to the present invention, by using a neural network shell in an information retrieval system, it becomes possible to perform a search based on the correlation between keywords, rather than simply matching or matching keywords. It is possible to achieve a more sophisticated search than before.
第１図は本発明の一実施例のシステム構成を表わす図、
第２図はキーワード相関テーブルの内容を表わす図、第
３図はニューラルネットワークの構成図、第４図は文献
Ｐ１に対応するニューロンの重みを表わす図である。
１０・・・キーワード相関テーブル
１１・・・格納用特徴ベクトル生成部
１２・・・ニューラルネットワーク
１３・・・検索用特徴ベクトル生成部
代理人 弁理士 則 近 憲 佑
同 松山光之FIG. 1 is a diagram showing a system configuration of an embodiment of the present invention;
FIG. 2 is a diagram showing the contents of the keyword correlation table, FIG. 3 is a diagram showing the configuration of the neural network, and FIG. 4 is a diagram showing the weights of neurons corresponding to document P1. 10...Keyword correlation table 11...Storage feature vector generation section 12...Neural network 13...Search feature vector generation section Agent Patent attorney Noriyuki Chika Yudo Mitsuyuki Matsuyama
Claims (2)
報検索システムにおいて、キーワード間の関連を表わす
キーワード相関テーブルを備え、データを格納するとき
は付与されたキーワードをキーワード相関テーブルを用
いて変換して得られた特徴ベクトルをデータに付与し、
検索するときは検索用のキーワードをキーワード相関テ
ーブルを用いて変換して得られた特徴ベクトルを用いて
検索を行なうことを特徴とする情報検索システム。(1) An information retrieval system that searches data to which keywords are attached is equipped with a keyword correlation table that represents the relationship between keywords, and when storing data, converts the assigned keywords using the keyword correlation table. Add the obtained feature vector to the data,
An information retrieval system characterized in that when performing a search, a feature vector obtained by converting a search keyword using a keyword correlation table is used to perform the search.
報検索システムにおいて、キーワード間の関連を表わす
キーワード相関テーブルと、二層から成るニューラルネ
ットワークとを備え、データを格納するときは付与され
たキーワードをキーワード相関テーブルを用いて変換し
て得られた特徴ベクトルをニューラルネットの結合係数
として格納し、検索するときは検索用のキーワードをキ
ーワード相関テーブルを用いて変換して得られた特徴ベ
クトルをニューラルネットに入力することにより検索を
行なうことを特徴とする情報検索システム。(2) An information retrieval system that searches data to which keywords have been assigned, which is equipped with a keyword correlation table that represents the relationship between keywords and a neural network consisting of two layers, and when storing data, it uses the keywords assigned to it. The feature vector obtained by converting using the keyword correlation table is stored as a neural network connection coefficient, and when searching, the feature vector obtained by converting the search keyword using the keyword correlation table is stored in the neural network. An information retrieval system characterized in that a search is performed by inputting.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1042940A JPH02224068A (en) | 1989-02-27 | 1989-02-27 | Information retrieving system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1042940A JPH02224068A (en) | 1989-02-27 | 1989-02-27 | Information retrieving system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH02224068A true JPH02224068A (en) | 1990-09-06 |
Family
ID=12650011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1042940A Pending JPH02224068A (en) | 1989-02-27 | 1989-02-27 | Information retrieving system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH02224068A (en) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0765021A (en) * | 1992-02-21 | 1995-03-10 | Mitsubishi Electric Corp | Information retrieving device |
| JPH07129593A (en) * | 1993-09-08 | 1995-05-19 | Toshiba Corp | Text selecting device |
| JPH07152771A (en) * | 1993-11-30 | 1995-06-16 | Toshiba Corp | User's information managing device, information filter, information sorting device, information reproducing device, information retrieving device, and kana/kanji conversion device |
| JPH07334516A (en) * | 1994-06-03 | 1995-12-22 | Sharp Corp | Information retrieval device |
| JPH0954780A (en) * | 1995-08-10 | 1997-02-25 | Nec Corp | Learning device and method therefor |
| JPH10198682A (en) * | 1996-12-28 | 1998-07-31 | Nec Corp | Database retrieving device and database registering device |
| JPH10240762A (en) * | 1997-02-28 | 1998-09-11 | Matsushita Electric Ind Co Ltd | Information filter device and data base re-constructing device and information filtering method and initialization method |
| JPH11312115A (en) * | 1999-03-19 | 1999-11-09 | Nec Corp | Database registering device |
| JP2000510628A (en) * | 1997-03-21 | 2000-08-15 | インターナシヨナル・ビジネス・マシーンズ・コーポレーシヨン | Apparatus and method for optimizing the performance of computer tasks using multiple intelligent agents with varying degrees of domain knowledge |
| JP2000517084A (en) * | 1997-03-21 | 2000-12-19 | インターナシヨナル・ビジネス・マシーンズ・コーポレーシヨン | Apparatus and method for optimizing the performance of computer tasks using intelligent agents with multiple program modules having varying degrees of domain knowledge |
| JP2001167132A (en) * | 1995-09-04 | 2001-06-22 | Matsushita Electric Ind Co Ltd | Information filter device and information filtering method |
| CN102402561A (en) * | 2010-09-19 | 2012-04-04 | 中国移动通信集团四川有限公司 | Searching method and device |
| JP2012512465A (en) * | 2008-12-12 | 2012-05-31 | アティジオ リミテッド ライアビリティ カンパニー | Providing recommendations using judgment information about the area of interest |
-
1989
- 1989-02-27 JP JP1042940A patent/JPH02224068A/en active Pending
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0765021A (en) * | 1992-02-21 | 1995-03-10 | Mitsubishi Electric Corp | Information retrieving device |
| JPH07129593A (en) * | 1993-09-08 | 1995-05-19 | Toshiba Corp | Text selecting device |
| JPH07152771A (en) * | 1993-11-30 | 1995-06-16 | Toshiba Corp | User's information managing device, information filter, information sorting device, information reproducing device, information retrieving device, and kana/kanji conversion device |
| JPH07334516A (en) * | 1994-06-03 | 1995-12-22 | Sharp Corp | Information retrieval device |
| JPH0954780A (en) * | 1995-08-10 | 1997-02-25 | Nec Corp | Learning device and method therefor |
| JP2001167132A (en) * | 1995-09-04 | 2001-06-22 | Matsushita Electric Ind Co Ltd | Information filter device and information filtering method |
| JPH10198682A (en) * | 1996-12-28 | 1998-07-31 | Nec Corp | Database retrieving device and database registering device |
| JPH10240762A (en) * | 1997-02-28 | 1998-09-11 | Matsushita Electric Ind Co Ltd | Information filter device and data base re-constructing device and information filtering method and initialization method |
| JP2000510628A (en) * | 1997-03-21 | 2000-08-15 | インターナシヨナル・ビジネス・マシーンズ・コーポレーシヨン | Apparatus and method for optimizing the performance of computer tasks using multiple intelligent agents with varying degrees of domain knowledge |
| JP2000517084A (en) * | 1997-03-21 | 2000-12-19 | インターナシヨナル・ビジネス・マシーンズ・コーポレーシヨン | Apparatus and method for optimizing the performance of computer tasks using intelligent agents with multiple program modules having varying degrees of domain knowledge |
| US7386522B1 (en) | 1997-03-21 | 2008-06-10 | International Business Machines Corporation | Optimizing the performance of computer tasks using intelligent agent with multiple program modules having varied degrees of domain knowledge |
| JPH11312115A (en) * | 1999-03-19 | 1999-11-09 | Nec Corp | Database registering device |
| JP2012512465A (en) * | 2008-12-12 | 2012-05-31 | アティジオ リミテッド ライアビリティ カンパニー | Providing recommendations using judgment information about the area of interest |
| CN102402561A (en) * | 2010-09-19 | 2012-04-04 | 中国移动通信集团四川有限公司 | Searching method and device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | Fuzzy logic hybrid model with semantic filtering approach for pseudo relevance feedback-based query expansion | |
| JP3195752B2 (en) | Search device | |
| JPH02224068A (en) | Information retrieving system | |
| Xu | Orthogonal polynomials for a family of product weight functions on the spheres | |
| CN105378763A (en) | Inferring entity attribute values | |
| CN108628935A (en) | A kind of answering method based on end-to-end memory network | |
| Jakšić et al. | Ergodic properties of classical dissipative systems I | |
| Brokos et al. | Aueb at bioasq 6: Document and snippet retrieval | |
| Doan et al. | Profile-based object matching for information integration | |
| Ma et al. | Chain-of-skills: A configurable model for open-domain question answering | |
| Huang et al. | Mvp-tuning: Multi-view knowledge retrieval with prompt tuning for commonsense reasoning | |
| Lin et al. | BERT-SMAP: Paying attention to Essential Terms in passage ranking beyond BERT | |
| Witter et al. | Downdating the latent semantic indexing model for conceptual information retrieval | |
| Bachrach et al. | An attention mechanism for neural answer selection using a combined global and local view | |
| Guan et al. | Generating coherent narratives by learning dynamic and discrete entity states with a contrastive framework | |
| Gallant | Orthogonal Matrices for MBAT Vector Symbolic Architectures, and a" Soft" VSA Representation for JSON | |
| CN114385901A (en) | Method and system for recommending dissociative abnormal image attention of system | |
| Salton | A note about information science research | |
| Syu et al. | A neural network model for information retrieval using latent semantic indexing | |
| JP2001101139A (en) | Information processor | |
| Akl | PSYCHIC: A Neuro-Symbolic Framework for Knowledge Graph Question-Answering Grounding | |
| Cherkassky et al. | Fault-tolerant database using distributed associative memories | |
| Shi et al. | Towards Better Word Importance Ranking in Textual Adversarial Attacks | |
| Nakkouzi et al. | Query formulation for handling negation in information retrieval systems | |
| Yang et al. | Sequential attention with keyword mask model for community-based question answering |