1、 d1: 北京安立文高新技术公司d2: 新一代的网络访问技术d3: 北京卫星网络有限公司d4: 是最先进的总线技术。d5: 北京升平卫星技术有限公司的新技术有。设计一个针对这些文档的信息检索系统。具体要求是:1) 给出系统的有效词汇集合(说明取舍原因)。2) 写出d1和d2在VSM中的表示(使用tf*idf,写出各项的数字表达式,具体数值不必实际计算出来)。3) 画出系统的倒排文件示意图。4) 按照向量夹角的余弦计算公式,给出针对查询“技术的公司”的前3个反馈结果。二、 实验原理 d1: 北京安立文高新技术公司 d2: d3: 北京卫星网络有限公司 d4: d5:北京、安、立、文、高新、技术、
2、公司、新、网络、访问、卫星、有限、先进、总线、升、平的、是、最、有,这些词作为停用词不能加入系统的有效集合一、代,去除后并不影响原来句子语义的表达也不能算作系统的有效集合。2) 写出d1和d2在VSM中的表示(使用tf*idf,写出各项的数字表达式,具体数值不必实际计算出来)。得到的矩阵:Termd1d2d3d4d5Term出现次数北京13安立文高新技术公司新2网络访问卫星有限先进总线升平说明:TF:表示词项在该文档或者查询词中出现的频度。即该词项出现次数除以该文档的长度(所有词的个数):表示词项k在Di中的出现次数。表示该文档的长度(所有词的个数)IDF:表示词项在文档集合中的重要程度。一个
3、词项出现的文档数越多,说明该词项的区分度越差,其在文档集合中的重要性就越低。N:表示集合中的文档数;表示出现词项k的文档数。d1中各词项的数字表达式“北京”的“安”的“立”的“文”的“高新”的“技术”的“公司”的d2中各词项的数字表达式:“新”的“网络”的“访问”的该部分由代码实现。三、 实验方法、步骤1 建立Java项目,2 建立DocumentStruct.java类文件并编辑3 建立TextVector.java类文件并编辑,如图4-1,图4-2所示图4-1图4-24 建立TF.java类文件并编辑,如图图4-7所示图4-45 建立IDF.java类文件并编辑,如图图4-5所示图4-56
4、 建立CaculateSim.java类文件并编辑,如图4-6所示图4-67 建立MainApp.java类文件并编辑,图4-7所示图4-78 完成后的项目文件夹如图4-8所示图4-89 运行结果如图4-9所示1. DocumentStruct.java代码:packageacm.model;public class DocumentStruct publicDocumentStruct() this.documentID = 0; this.documentSimValue = 0; this.documentContent = None; this.documentName = publi
5、cDocumentStruct(int ID, double sim, String name, String content) this.documentID = ID; this.documentSimValue = sim; this.documentName = name; this.documentContent = content; public String getDocumentContent() returndocumentContent; public void setDocumentContent(String documentContent) this.document
6、Content = documentContent; public String getDocumentName() returndocumentName; public void setDocumentName(String documentName) this.documentName = documentName; public double getDocumentSimValue() returndocumentSimValue; public void setDocumentSimValue(double documentSimValue) this.documentSimValue
7、 = documentSimValue; publicintgetDocumentID() returndocumentID; public void setDocumentID(intdocumentID) this.documentID = documentID; publicDocumentStruct sortDocBySim(DocumentStruct docList) DocumentStruct temp; for(inti=0; idocList.length-1; i+) for(int j=i; j j+) if(docListi.getDocumentSimValue(
8、) docListj.getDocumentSimValue() ) temp = docListi; docListi = docListj; docListj = temp; returndocList; private String documentName; private String documentContent; private double documentSimValue; privateintdocumentID;2. TextVector.java代码:public class TextVector publicTextVector(int dimension, int
9、 termCount, intdocumentTermCount, intdocumentCount, int documentContainTermCount) vectorWeight = new doubledimension;dimension; vectorWeighti = caculateWeight(termCounti, documentTermCount, documentCount, documentContainTermCounti); public double caculateWeight(inttermCount, intdocumentTermCount, in
10、tdocumentCount, intdocumentContainTermCount) TF termTF = new TF(termCount, documentTermCount); IDF termIDF = new IDF(documentCount, documentContainTermCount); termTF.caculateTF(); termIDF.caculateIDF(); return(termTF.getTf()*termIDF.getIdf(); public double getVectorWeight() returnvectorWeight; publi
11、c void setVectorWeight(double vectorWeight) this.vectorWeight = vectorWeight; private double vectorWeight;3. TF.java代码public class TF public TF() tf = 0.0; termCount = 0; termInDocumentCount = 0; public TF(inttermCount, intdocumentTermCount) this.tf = 0.0; this.termCount = termCount; this.termInDocu
12、mentCount = documentTermCount; public void caculateTF() if(termInDocumentCount = 0) System.out.println(请先设置文档总数!); return; this.tf = (double)termCount / (double)termInDocumentCount; public double getTf() returntf; publicintgetTermCount() returntermCount; public void setTermCount(inttermCount) public
13、intgetTermInDocumentCount() returntermInDocumentCount; public void setTermInDocumentCount(inttermInDocumentCount) this.termInDocumentCount = termInDocumentCount; private double tf; privateinttermCount; privateinttermInDocumentCount;4. IDF.java代码public class IDF public IDF() idf = 0.0; documentContai
14、nTermCount = 0; documentCount = 0; public IDF(intdocumentCount, intdocumentContainTermCount) this.documentCount = documentCount; this.documentContainTermCount = documentContainTermCount; publicintgetDocumentCount() returndocumentCount; public void setDocumentCount(intdocumentCount) publicintgetDocum
15、entContainTermCount() returndocumentContainTermCount; public void setDocumentContainTermCount(intdocumentContainTermCount) public double getIdf() returnidf; public void caculateIDF() if(documentContainTermCount = 0)请设置文档的长度(所有词的个数)! this.idf = Math.log10(double)this.documentCount / (double)this.docu
16、mentContainTermCount); private double idf; privateintdocumentCount; privateintdocumentContainTermCount;5. CaculateSim.java代码public class CaculateSim publicCaculateSim(TextVector vector1, TextVector vector2) doublesimDividend=0.0, simDivider=0.0; double tempVector1=0.0, tempVector2=0.0;vector1.getVec
17、torWeight().length; simDividend += vector1.getVectorWeight()i * vector2.getVectorWeight()i; tempVector1 += Math.pow(vector1.getVectorWeight()i, 2.0); tempVector2 += Math.pow(vector2.getVectorWeight()i, 2.0); simDivider = Math.sqrt(tempVector1*tempVector2); this.sim = simDividend / simDivider; public
18、 double getSim() returnsim; private double sim;6. MainApp.java代码public class MainApp public static void main(String args) intTermCount = 1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,1,0,1,1,1,0,0,0,0,0,0, 1,0,0,0,0,0,1,0,1,0,1,1,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0, 1,0,0,0,0,1,1,1,0,0,1,1,0,0,1,1
19、, 0,0,0,0,0,1,1,0,0,0,0,0,0,0,0,0; intdocumentTermCount = 7, 7, 5, 6, 11, 3; intdocumentContainTermCount = 3,1,1,1,1,4,4,2,2,1,2,2,1,1,1,1; DocumentStruct docList = new DocumentStruct6; String documentContent = 北京安立文高新技术公司, 新一代的网络访问技术北京卫星网络有限公司是最先进的总线技术。北京升平卫星技术有限公司的新技术有。技术的公司; TextVectorqueryVector
20、 = new TextVector(16, TermCount5, documentTermCount5, 6, documentContainTermCount);5; i+) TextVectortempVector = new TextVector(16, TermCounti,documentTermCounti, 6, documentContainTermCount); CaculateSimtempSim = new CaculateSim(tempVector, queryVector); DocumentStructtempDoc = new DocumentStruct(i+1, tempSim.getSim(), 文档+(i+1), documentContenti); docListi = tempDoc; docList = docList1.sortDocBySim(docList); System.out.println(以技术的公司为查询关键字得到的前3个结果为:3; System.out.println(i+1) + .+ docListi.getDocumentName()+docListi.getDocumentContent();
copyright@ 2008-2023 冰点文库 网站版权所有
经营许可证编号:鄂ICP备19020893号-2