重庆分公司
重庆分公司，新征程启航
为企业提供网站建设、域名注册、服务器等服务
盲反馈检索系统实验记录一-创新互联
在进行实验之前，先了解相关反馈和盲反馈的一些概念：
红桥ssl适用于网站、小程序/APP、API接口等需要进行数据传输应用场景，ssl证书未来市场广阔！成为创新互联的ssl证书销售渠道，可以享受市场价格4-6折优惠！如果有意向欢迎电话联系或者加微信：18980820575（备注：SSL证书合作）期待与您的合作！相关反馈是基于用户的，由用户标出初次查询结果相关还是不相关，再经过Rocchio算法或其他算法使检索结果更能满足用户需求；
盲反馈也称伪反馈，是由计算机自动处理检索结果，不需要用户的参与也可以得到比较满意的检索效果。这种方法假定用户初始检索结果的前k篇文档是相关的，再由系统抽选出这k篇文档的特征词，然后把这些特征词和初始查询词再放入搜索框中进行二次检索，这种行为我们称之为“扩展查询词”。通过扩展查询词可以提高检索系统的性能。
本项目就是基于盲反馈理论以及结合相应算法编写一个检索系统，并通过一系列的评价指标来测试此系统的性能。本系统是经过小组成员结合相关理论后而确定实施的，本文从项目最初代码的编写，直到一个检索系统的成功运行，以及涉及到的信息检索的理论，笔者都会一一讲解。
编程环境的准备：PHP+MySQL+Apache（项目初期没有使用MySQL，随着后期数据集的增大，可以考虑）
额外知识：HTML+CSS+JS+Ajax（主要用于前台的显示）
语料库：本实验使用搜狗实验室提供的语料库http://www.sogou.com/labs/dl/c.html
在测试时笔者使用的是mini版的10篇IT新闻（文件目录名问C000010）
在代码编写过程中，笔者先使用过程化的方法，然后再把各个功能封装到Tool.class.php的工具类中，便于以后代码重用。
首先，建立自己的词表。
笔者是这样考虑的，假如有三篇文档，文档内容为：
（html html)
（java html java)
（python java）
先对这三遍文档去重，
（html）
（java html）
（python java）
然后合并这三篇文档：
（html java html python java）
然后再对其去重，并且按字母升序排列：
（html java python）
这样就可以得到我们自己的词典了。
那为什么我们不直接把最初的三篇文档先合并再去重，这样不就可以省去对三篇文档分别去重这一步了吗？事实上我们也是这样做的，上面是为了便于我们理解我们的文档频率df是怎么计算出来的，由红色字体部分我们可以知道，有多少个重复的词，这个词的的文档频率就是多少。比如html的df为2，java的为2，python为1.
在中文分词系统中，我们采用的是分词工具SCWS，使用PHP调用他提供的方法get_tops可以得到分词的情况，在内部他已经帮我们对每篇文档去了重，并且计算出了每个词的出现的次数times。
我们先来了解一下初始配置文件init.inc.php
此文件定义了两个常量，TEXT_PATH是保存搜狗实验室的10篇IT新闻的硬路径，ROOT_PATH是系统存储位置的硬路径；然后是require引入的两个文件，func.inc.php用来存放使用到的函数,以后会讲到；Tool.class.php存放系统主要的功能，随着功能的增多，可能会再创建一个类。以后需要用到的配置都存放到这个文件中。
在Tool.class.php文件中我们定义了一个静态方法，用来获得并存储词表：
class Tool{ //获取并存储词表 static public function dic($seg){ $dic=array(); //词表 for($i=0;$i这个方法需要传递一个参数，这个参数是由Tool.class.php里定义的一个分词方法segment得来的，稍后会讲到。变量$seg是一个三维数组，$seg[i][j][]表示第i篇文档的第j个词。通过两个for循环，把该词压入数组$dic中（array_push方法可以压入具有相同值的元素），然后array_unique对$dic去重，再按中文拼音字母升序排列，一个数组形式的词表产生了。为了把该词表存入文件名为dic的txt文件中，需要使用imploded方法把数组通过“，”连接成字符串，然后在使用文件方法fopen把词表存入dic.txt.
上面提到的segment分词方法代码如下：
//scws分词 static function segment($str){ if(!$scws=scws_new()) exit('创建SCWS对象失败！'); //创建SCWS $scws->set_charset('gbk'); //设置字符集 if(!$scws->set_dict('C:\Program Files\scws\dict.xdb')) exit('词典路径设置失败！'); $scws->set_multi(1); $scws->set_ignore(true); //忽略标点 if(is_string($str)){ $scws->send_text($str); $top=$scws->get_tops(800); }else if(is_array($str)){ for($i=0;$i该方法需要传第一个参数该参数可以说字符串，也可以是包含内容的数组。可以使用下面介绍的fileStr方法获取10篇IT新闻的内容并把它们存入数组中。segment方法内部都是调用SCWS提供的分词方法，如需详细了解可以到SCWS官网查看文档（该项目开源）。笔者只介绍get_tops方法，该方法返回的是最终的分词结果：
由于词的数量太多，以后实验效果截图只截取前面和最后的部分。可以看到get_tops的返回结果是一个三维数组[word]表示所截取的词，[times]表示词频,[weight]表示权重（不是我们所了解的tf*idf），[attr]表示词性。get_tops方法已经为我们除去了大部分无意义的词。与get_tops相对应的是get_result,它返回的是所有分好的词，包括停用词、标点符号等。
另外有需要云服务器可以了解下创新互联cdcxhl.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
网页名称：盲反馈检索系统实验记录一-创新互联
本文URL：http://cqcxhl.cn/article/csoesc.html