摘要 | 第4-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-21页 |
1.1 本文的研究背景 | 第11-13页 |
1.2 本文研究目的和意义 | 第13-15页 |
1.3 相关研究综述 | 第15-19页 |
1.3.1 信息检索模型 | 第15-16页 |
1.3.2 微博检索 | 第16-18页 |
1.3.3 Lemur 工具 | 第18-19页 |
1.4 本文的内容组织和结构 | 第19-21页 |
第2章 实时性语言模型 | 第21-35页 |
2.1 语言模型相关工作 | 第21-23页 |
2.1.1 语言模型 | 第21-22页 |
2.1.2 平滑方法 | 第22-23页 |
2.2 相关文档的时间分布分析 | 第23-28页 |
2.2.1 两种考虑检索结果实时性的方法 | 第23-24页 |
2.2.2 实时性在微博检索中的真实情况 | 第24-28页 |
2.3 基于热点时间的语言模型 | 第28-29页 |
2.3.1 热点时间 | 第28-29页 |
2.3.2 基于热点时间的语言模型 | 第29页 |
2.4 实验数据和评价指标 | 第29-32页 |
2.4.1 实验数据 | 第29-32页 |
2.4.2 评测指标 | 第32页 |
2.5 实验结果及分析 | 第32-34页 |
2.6 本章小结 | 第34-35页 |
第3章 融入时间信息的查询建模 | 第35-46页 |
3.1 基于实时性的查询扩展 | 第35-37页 |
3.1.1 微博排序中利用文档平均“年龄”的可行性 | 第35-36页 |
3.1.2 融入实时性的查询扩展 | 第36-37页 |
3.2 针对多波峰主题相关的查询扩展 | 第37-39页 |
3.3 融合实时性与多波峰主题相关的查询扩展 | 第39-42页 |
3.4 实验结果与分析 | 第42-44页 |
3.4.1 实验配置 | 第42-43页 |
3.4.2 实验结果与分析 | 第43-44页 |
3.5 本章小结 | 第44-46页 |
第4章 基于参考文档模型的微博文本检索 | 第46-57页 |
4.1 微博短文本检索的关键问题分析 | 第46-48页 |
4.1.1 当前反馈技术存在的问题 | 第46-47页 |
4.1.2 微博短文本在文档建模中潜在的困难 | 第47-48页 |
4.2 参考文档模型 | 第48-49页 |
4.3 基于概率空间的参考文档模型 | 第49-51页 |
4.3.1 基于伪反馈的文档建模 | 第49-50页 |
4.3.2 相关性模型 | 第50-51页 |
4.4 实验结果与分析 | 第51-55页 |
4.4.1 实验设计 | 第51页 |
4.4.2 基于待检索文档集的参考文档模型性能 | 第51-52页 |
4.4.3 基于 URL 资源的参考文档模型性能 | 第52-53页 |
4.4.4 选用不同参考文档集的性能比较 | 第53-54页 |
4.4.5 文档增益对检索性能的影响分析 | 第54-55页 |
4.5 本章小结 | 第55-57页 |
第5章 基于排序学习模型的微博文本检索 | 第57-67页 |
5.1 引言 | 第57-58页 |
5.2 基于 Ranking SVM 的微博排序学习模型 | 第58-60页 |
5.3 排序学习模型的特征抽取 | 第60-62页 |
5.3.1 特征类别 | 第60-61页 |
5.3.2 特征集合构造 | 第61-62页 |
5.4 实验结果及分析 | 第62-66页 |
5.4.1 实验工具与数据 | 第62页 |
5.4.2 使用全部的特征 | 第62-63页 |
5.4.3 仅使用单个特征 | 第63-64页 |
5.4.4 按特征类别 | 第64页 |
5.4.5 leave-one-out 特征实验结果 | 第64-65页 |
5.4.6 文本相似度特征与其他类别单一特征组合 | 第65页 |
5.4.7 利用贪心算法选最优特征集 | 第65-66页 |
5.5 本章小结 | 第66-67页 |
结论 | 第67-69页 |
附录一 预处理后的结构化 Tweet 样例 | 第69-70页 |
附录二 本文实验中的微博查询样例 | 第70-71页 |
附录三 TREC 2012 微博实时检索评测参赛队伍 | 第71-72页 |
参考文献 | 第72-77页 |
攻读学位期间发表的学术论文 | 第77-79页 |
致谢 | 第79页 |