盲反馈检索系统实验记录一

在进行实验之前，先了解相关反馈和盲反馈的一些概念：

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

<?php
define('TEXT_PATH','D:\AppServ\www\BlindFeedback\SogouC.mini.20061127\SogouC.mini\Sample\C000010');
define('ROOT_PATH',dirname(__FILE__));
require_once 'func.inc.php';
require_once 'Tool.class.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;$i<count($seg);$i++){
                for($j=0;$j<count($seg[$i]);$j++){
                    array_push($dic,$seg[$i][$j]['word']);
                }
            }
                                                                                                                                                                                                                                                                                                                                                                                                                    
            $dic=array_unique($dic);
            sort($dic);
            $dic=implode(',',$dic);
                                                                                                                                                                                                                                                                                                                                                                                                                    
            //把词表存储起来
            $fp=fopen('dic.txt','w');
            if(!$fp) exit('词典打开失败！');
            if(!fwrite($fp,$dic)) exit('词典写入失败！');
            fclose($fp);
        }
?>

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;$i<count($str);$i++){
            $scws->send_text($str[$i]['con']);
            $top[]=$scws->get_tops(800);
        }
    }
    return $top;
                                                                                                                                                                                                                    
}

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。