第３４卷第３期 ２０ １ ５年 ９月 成都大学学报（自然科学版） Ｊｏｕｒｎａｌ ｏｆ Ｃｈｅｎｇｄｕ Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） Ｖ＿０１．３４ ＮＯ．３ Ｓｅｐ．２０１５ 文章编号：１００４—５４２２（２０１５）０３—０２５９—０３ 基于特定领域的加权语义相似度算法研究 高蕾娜 ，史延枫 ，李艳丹 （１．成都大学机械工程学院，四川成都摘６１０１０６；２．华中科技大学机械学院，湖北武汉４３００７４） 要：信息检索模块是自动问答系统中的主要组成部分．实现问题检索的关键问题是句子相似度计算问题． 提出的基于特定领域的加权语义相似度算法，首先计算ＦＡＱ库中某问句关键词的权重，再利用语义相似度方 法，分别计算目标问句各分词与ＦＡＱ库问句关键词的相似度矩阵，最后求得２个句子的最终相似度．逐一计算 和比较目标问句与ＦＡＱ中每个问句的相似度，在大于一定阈值时，最大相似度所对应问句答案输出给用户．由 于考虑词语语义和权重２方面信息，实验表明其具有较好的匹配效果． 关键词：自动问答系统；信息检索；相似度；语义；词语权重 中图分类号：ＴＰ３９１．３ 文献标志码：Ａ ０引 言 自动问答系统的主要功能是让计算机能用自然 １算法原理 基于特定领域的加权语义相似度计算方法建立 在２个词汇具有一定的语义相似性当且仅当它们在 概念间的结构层次网络图中存在一条通路（主要是 语言来回答人们所提的问题．近年来，随着网络和信 息技术的快速发展，结合人们快速获取信息的愿望 更进一步促进了自动问答技术的发展＿１］．自动问答 系统一般包括３个主要部分：问题分析、信息检索和 答案抽取．通过问题分析而得到的关键词集需要提 上下位关系）这一假设的基础上＿５ ］．分属于不同概 念领域的２个词汇之间不存在交集，因此它们之间 的语义距离应为无穷大，其相似度为０．对于位于同 一交给信息检索模块来查找相关的文档，检索系统的 任务就是在已有的文档库中搜索和关键词集相关的 文档．为了保证对任何问题都能找到相关的文档，文 档库必须足够大．文档库也可从互联网上下载，此时 检索模块返回的是一堆相关的网页．自动问答系统 中的信息检索模块所用方法通常是计算候选问题集 中每个问句和目标问句之间的相似度，对应的相似 度最大的问句就是要找的句子．目前常用的句子相 似度计算方法分为２种＿２Ｉ４Ｊ：一种是基于向量空间 模型的词频一逆向文件频率（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ—Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ，ＴＦ—ＩＤＦ）方法，一种是基于语义 语义树的２个义原，综合考虑义原树的深度和密 度因素的影响，可计算出２个义原的相似度【７］．用户 问句中不同词语对于整个问句的贡献是不同的，通 常给主要词语赋予较高权重，次要词语赋予较低权 重＿８ Ｊ．一般而言，一个词在一篇文档中出现的频率越 高，其权重越大；文档集中出现该词的文档越多，其 权重越小．词语权重的计算公式为， （ ）：— ｇ＝１ ＿，） （１） ＾／∑［ＴＦ（ｄｙ， ）＊ｌｏｇ（Ⅳ／ ＋０．５）］ （ ∈Ｄ，１≤ｆ≤Ⅳ） 相似度的方法．第一种算法基于词频，没有考虑语 义，适用于大规模语料库；第二种算法反映了语义间 差异，但通常没有考虑到词语的权重信息．基于此， 本研究将两者结合，提出一种基于特定领域的加权 语义相似度算法．由于该算法不仅考虑词语语义，还 式中，Ｗ（ ，ｔ ）为文档 中词语ｆ 的权重， （ ， ｔ ）为文档 中词语ｔ 的词频，Ⅳ为文档集的文档 数， 为含有词语ｔ 的文档数，分母为规一化因子， 目的是将值限定在［０，１］中． 设用户问句，Ｑ＝｛ｑ。，ｑ ，…，ｑ ｝，ｑ 为句子Ｑ 考虑ＦＡＱ库词语在句子中的权重信息，因而由此方 法计算得到的相似度更具有合理性，并使查准率有 所提高． 收稿日期：２０１５—０５—１３． 含的词语，１≤ｉ≤ｍ；设ＦＡＱ库中任一问句，ｐ ＝ ｛ｑ １，ｇ ２，…，ｑ ｝，ｑ 为句子Ｑ 的词语，１≤ ≤ ． 根据相关的词语权重计算方法可以得到序列，Ｗ： 作者简介：高蕾娜（１９７８一），女，博士，讲师，从事计算机应用与智能答疑系统研究 成都大学学报（自然科学版） 第３４卷 ｛Ｗ ，Ｗ ，…， ｝，其中Ｗ 为ｇ ，对应的权重．利用 基于语义相似度方法，计算Ｑ和Ｑ 中词ｑ （１≤ｉ≤ ｍ）和ｇ ，（１≤Ｊ≤ｎ）之间的相似度用ｓ（ｇ ，ｇ ，）来 表示，从而得到一个ｍ× 的矩阵， Ｍ（Ｑ，Ｑ ） 『ｓ（ｑ ，ｑ ）ｓ（ｑ ，ｑ ：）…ｓ（ｑ ，ｇ ）］ ＝Ｉ ： ｉ Ｉ （２） Ｌ （ ，ｑ 。）ｓ（‰， ）…ｓ（‰， ）Ｊ 则句子Ｑ中所有词语与句子Ｑ 之间的相似度 Ｓ（Ｑ，Ｑ ）为， Ｓ（Ｑ，Ｑ ） ∑ｚｍｘ｛ｓ（ｑ ，ｑ＇１），ｓ（ｑｉ， ），…，ｓ（ｑｉ， ）｝ ：上 ———————————————一（３） 同样，以用户问句Ｑ为参照，计算Ｑ 和Ｑ中词 ｑ＇ｊ（１≤Ｊ≤ｎ）和ｑ （１≤ｉ≤ｍ）之间的相似度用 ｓ（ｑ ，ｑ ）来表示，从而得到一个１７，×ｍ的矩阵， Ｍ（Ｑ ，Ｑ） ＝［Ｍ（Ｑ，Ｑ，）］ ｆ＿ｓ（ ）ｓ（ ｑ２）…ｓ（ ‰）］ ＝Ｉ ； ： Ｉ （４） Ｌ ５（ ，ｑ ）ｓ（ｑ ，ｑ：）…ｓ（ ，‰）－ｊ 矩阵Ｍ（Ｑ ，Ｑ）是Ｍ（Ｑ，Ｑ ）的转置阵，且 ｓ（吼，ｑ ）＝ｓ（ｑ ，ｑ ）．句子Ｑ 中所有词语与句子 Ｑ之间的相似度Ｓ（Ｑ ，Ｑ）为， Ｓ（Ｑ ，Ｑ） ∑ｚ‘Ｉ＊Ⅱ掀｛ｓ（ｇ；，ｑ１），ｓ（ ，ｇ２），…，ｓ（ｇ ， ） ．。．． ． —————— 一 ｎ （５） ∑ ｗｉ ＝１ 最后将两值求平均就可以得到２个句子最终的 相似度Ｓｉｍｉｌａｒｉｔｙ（Ｑ，Ｑ ）， Ｓｉｍｉｌａｒｉｔｙ（Ｑ，Ｑ，）： （６） ２实验算例与分析 假设高血压领域ＦＡＱ库中有３个句子： ｄ１，高血压每一期的眼底动脉症状有哪些？ ｄ２，高血压导致脑血管破裂造成眼底动脉硬化 该怎么办？ ３，高血压对眼底动脉有影响吗？ 用户问句Ｑ：高血压分为３种危险程度，眼底动 脉在不同阶段有什么表现？ ｄ１包含的词有：｛高血压，每一，期，眼底动脉， 症状，有，哪些｝； ｄ２包含的词有：｛高血压，导致，脑血管，破裂， 造成，眼底动脉，硬化，该，怎么办｝； ｄ３包含的词有：｛高血压，眼底动脉，有，影响｝； Ｑ包含的词有：｛高血压，３种，危险，程度，眼底 动脉，不同，阶段，有，什么，表现｝． ＦＡＱ库所有问句包含的所有词有：｛高血压，每 一，期，眼底动脉，症状，有，哪些，导致，脑血管，破 裂，造成，硬化，该，怎么办，影响｝． ＴＦ．ＩＤＦ和语义相似度计算的详细过程可参考 文献［９］，对于本研究提出的基于特定领域的加权语 义相似度计算方法的具体步骤为： ｄ１可表示为向量， １＝ｌ０．１７６１，０．５４４１，０．５４４１，０．１７６１，０．５４４１， ０．３０１０，０．５４４１］； ｄ２可表示为向量， ２＝ｌ０．１７６１，０．５４４１，０．５４４１，０．５４４１，０．５４４１， ０．１７６１，０．５４１，０．５４４１，０．５４４１］； ｄ３可表示为向量， ３＝［０．１７６１，０．１７６１，０．３０１０，０．５４４１］． 根据式（１）计算得到词语权重， Ｗ１＝［０．１５２３，０．４７０６，０．４７０６，０．１５２３，０．４７０６， Ｏ．２６０３，０．４７０６］； Ｗ２＝ｌ ０．１２０５，０．３７２４，０．３７２４，０．３７２４，０．３７２４， ０．１２０５，０．３７２４，０．３７２４，０．３７２４］； Ｗ３：ｌ０．２６２９，０．２６２９，０．４９４，０．８１２３ Ｊ． 易知，Ｑ与ｄｌ的语义相似度为， ｓ（Ｑ，ｄ１）：业 ＝０．５４， ｄｌ与０构成相似度矩阵为， （ｄｌ，Ｑ）＝ １与Ｑ的语义相似度为， Ｓ（ｄ１，Ｑ） ｆ ０．１５２３＊１＋０．４７０６＊１ ４－０．１５２３＊１＋＼ ＼０．４７０６＊０．６ ４－０．２６０３＊１ ４－０．４７０６＊０．８／ 一 ｆ ０．１５２３ ４－０．４７ｏ６ ４－０．４７０６ ４－０．１５２３＋＼ ＼０．４７０６ ４－０．２６ｏ３ ４－０．４７０６ ， ＝０．６９２３。 ｌ ０ ＯＯ ０ ００ ０ ００ ０ ００ ０ ００ ０ ００ ０ ｌ０ ０ Ｏ０ ０ Ｏ。ｏ ０｜第３期 高蕾娜，等：基于特定领域的加权语义相似度算法研究 ・２６１・ ２个句子最终的相似度为， ．ｓ（Ｑ＇ｄ１）： ＝０．６１６２． ｌ Ｏ Ｏ ０ Ｏ Ｏ Ｏ Ｏ ０ 表１ ３种相似度计算方法结果比较 同理，Ｑ与ｄ２的语义相似度为， ｜ｓ（Ｑ，ｄ２）＝ ＝ｏ． ０ ２，Ｏ ０ Ｏ Ｏ Ｏ ０ ０ ０ Ｏ ０ Ｏ Ｏ ０ Ｏ Ｏ ０ Ｏ ｄ２与Ｑ构成相似度矩阵， 显然与实际情况矛盾．对于语义相似度与加权语义 ０ Ｏ ０ Ｏ Ｏ ０ Ｏ ０ ０ Ｏ ０ ０ Ｏ Ｏ １ ０ Ｏ 相似度方法计算得到的结果符合实际情况，而加权 语义相似度相对于前者，提高了与ｄｌ的相似度，而 ０ 对于不太相关的问题ｄ２，反而减少了其相似度结 Ｏ ０ Ｏ Ｏ Ｏ ０ Ｏ ０ ０ ０ Ｏ ０ Ｏ ０ Ｏ Ｏ Ｍ（ｄ２，Ｑ）＝ Ｏ Ｏ Ｏ Ｏ Ｏ Ｏ ０ ０ Ｏ ０ ０ ０ ０ ０ ０ ０ Ｏ ０ ０ Ｏ Ｏ Ｏ Ｏ Ｏ Ｏ ｄ２与Ｑ的语义相似度为， Ｓ（ｄ２，Ｑ） （０．１２１５＊１＋０．１ｆｆ１５＊１） 一ｆ１ ０．１２０５＋０．０．１２０５＋０．３７２４＋０．３７２４＋０．３７２４＋０．３７２４＋０．３７２４＋０．３７２４ ３７２４＋＼Ｊ ＝０．０８４６。 ２个句子最终的相似度为， ｓ（Ｑ，ｄ２）： ｝ ：０．１４２３． 同理，Ｑ与ｄ３的语义相似度为， ｓ（Ｑ，ａ３）： ＝０．３２， ｄ３与Ｑ构成相似度矩阵， 『１ ｏ ０ ０ ｏ ０ ｏ ｏ ０ ｏ］ 砌３ ： ｌ０ ０ ｏ ｏ ０ ０ ０ ０ ｏ ｏ三言吕三暑：三 ． ｄ３与Ｑ的语义相似度为， Ｓ（ｄ３，Ｑ） ｆ０．２６２９＊１＋０．２６２９＊１＋０．４４９４＊１＋＼ ＼０．８１２３＊０．２ ， 一 （０．２６２９＋０．２６２９＋０．４４９４＋０．８１２３） ＝０．６３６５， ２个句子最终的相似度为， ．ｓ（Ｑ，ａ３）： ：０．４７８３． ３种相似度计算方法的结果如表１所示． 由表１可以看出，与用户问句Ｑ最为接近的 ＦＡＱ文件应为ｄ１，而在表１中ＴＦ－ＩＤＦ方法这一列， Ｑ与ｄ３计算的相似度大于与ｄ１计算得到的结果， 果．通过上述分析可知，加权语义相似度可获得较为 正确的匹配结果． ３ 结 论 自动问答系统充分利用网络技术和人工智能的 优势，使得用户疑问既能够得到及时有效的解答，又 能节省时间、提高效率，而相似度匹配算法是信息检 索模块的核心．本研究提出的基于特定领域的加权 语义相似度计算方法由于考虑了词语语义和权重２ 方面的信息，因此可获得较好的匹配结果． 参考文献： ［１］郑实福，刘挺，秦兵，等．自动问答综述［Ｊ］．中文信息学 报，２００２，１６（６）：４６—５２． ［２］王洋，秦兵，郑实福．句子相似度计算在ＦＡＱ中的应用 ［ＥＢ／ＯＬ］，［２０１４—０３—１６］．ｈｔｔｐ：Ｉｌｋ．ｈｉｔ．ｅｄｕ．ｃｎ／ｐｈｐｗｅｂｓｉｔｅ／ ｉｎｄｅｘ．ｐｈｐ？ｍｏｄｕｌｅ＝ｄｏｃｕｍｅｎｔｓ＆ＪＡＳ—ＤｏｃｕｍｅｎｔＭａｎａｇｅｒ一叩 ＝ｄｏｗｎｌｏａｄＦｉｌｅ＆ＪＡＳ—Ｆｉｌｅ—ｉｄ＝１７． ［３］Ｖｏｏｒｈｅｅｓ Ｅ．Ｔｈｅ ＴＲＥＣ－８ ｑｕｅｓｔｉｏｎ ａｎｓｗｅｒｉｎｇ ｔｒａｃｋ ｒｅｐｏｒｔ［Ｃ］／／ Ｐｒｏｃｅｅｄｉｇｎｓ ｏｆ ｔｈｅ ８ｔｈ Ｔｅｘｔ Ｒｅｔｒｉｅｖａｌ Ｃｏｎｆｅｒｅｎｃｅ． ｄ】ｅｒｓｂⅢ芎， ＭＤ：ＮＩＳＴ，２ＯＯ２． ［４］王品，黄广君．信息检索中的句子相似度计算［Ｊ］．计算机 工程，２０１１，３７（１２）：３８—４０． ［５］Ｒａｄａ Ｒ，Ｍｉｌｉ Ｈ，Ｂｉｃｋｎｅｌｌ Ｅ．Ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｏ ｍｅｔｒ／ｃ Ｏｎ ｓｅｍａｎｔ／ｃ ｎｅｔｓ［Ｊ］．Ｔ—ＥＥ—Ｅ Ｔｒａｎｓ Ｓｙｓｔ Ｍａｎ Ｃｙｂｅｍ，１９８９， １９（１）：１７—３０． ［６］李文清，孙新，张常有，等．一种本体概念的语义相似度计 算方法［Ｊ］．自动化学报，２０１２，３８（２）：２２９—２３５． ［７］葛斌，李芳芳，郭丝路，等．基于知网的词汇语义相似度计 算方法研究［Ｊ］．计算机应用研究，２０１０，２７（９）：２８０８— ２８１０． ［８］张桂林．中文文本自动分类系统的研究与实现［Ｄ］．吉林： 吉林大学，２００７． ［９］高蕾娜．老年慢性病无线监控远程关怀系统关键技术研 究［Ｄ］．武汉：华中科技大学，２ＯＯ９． （下转第２７４页） ０ Ｏ Ｏ ０ ・２７４・ 成都大学学报（自然科学版） 第３４卷 Ｉｍａｇｅ Ｓｔａｂｉｌｉｚａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｂａｓｅｄ ｏｎ ＤＳＰ ＬＵＯ 啦 ，ＴＡＮＧ Ｑ ∞ （Ｓｅｈｏｄ ｏｆＥｌｅｃｔｒｏｎｉｃｓ ａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，Ｃｈｅｎｇｄｕ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｔｌｕ ６１０１０６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｄｕｅ ｔｏ ｔｈｅ ｈｕｍａｎ ｖｉｓｕａｌ ｌｉｍｉｔｓ，ｉｆ ｔｈｅ ｖｉｄｅｏ ｊｉｔｔｅｒｅｄ ｆｅｒｑｕｅｎｔｌｙ，ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ａｃｑｕｉｒｅｄ ｉｍ— ａｇｅ ｉｎｆｏｒｍａｔｉｏｎ ｗｏｕｌｄ ｂｅ ａｆｆｅｃｔｅｄ．Ｉｎ ｏｒｄｅｒ ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｊｉｔｔｅｒ ｏｎ ｔｈｅ ｖｉｄｅｏ ｉｍａｇｅ ｃａｐｔｕｒｅｄ ｏｎ ｔｈｅ ｄｉｓｐｌａｙ ｄｕｅ ｔｏ ｔｈｅ ｒａｎｄｏｍ ｊｉｔｔｅｒ ｏｆ ｈｅｔ ｄｅｖｉｃｅ ｉｔｓｅｆｆ ｏｒ ｔｈｅ ｃａｍｅｒａ ａｎｄ ｔｏ ｅｎｈａｎｃｅ ｔｈｅ ｑｕａｎｔｉｔｙ ｏｆｔｈｅ ｉｍａｇｅ ｉｎｆｏｒｍａ— ｔｉｏｎ ａｃｑｕｉｒｅｄ ａｎｄ ｉｔｓ ａｃｃｕｒａｃｙ，ｔｈｅ ｐａｐｅｒ ｄｉｄ ａ ｒ￣ｓｅａｒｃｈ ｏｎ ｔｈｅ ｉｍａｇｅ ｓｔａｂｉｌｉｚａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｂａｓｅｄ ｏｎ ＤＳＰ．Ｔｈｅ ｐｒｏｇｒａｍ ａｄｏｐｔｅｄ ｔｈｅ ｇｒａｙ ｐｒｏｊｅｃｔｉｏｎ ｔｏ ａｃｈｉｅｖｅ ｓｔａｂｉｌｉｚａｔｉｏｎ，ｌｏｗ ｃｏｍｐｕｔａｔｉｏｎ ａｎｄ ｈｉ ｇｈ ａｃｃｕｒａｃｙ． Ｋｅｙ ｗｏｒｄｓ：ｅｌｅｃｔｒｏｎｉｃ ｉｍａｇｅ ｓｔａｂｉｌｉｚａｔｉｏｎ；ｇｒａｙ ｐｒｏｊｅｃｔｉｏｎ；ＤＳＰ６７４８；ｄｅｂｏｕｎｃｅｄ （上接第２６１页） Ｗｅｉｇｈｔｅｄ Ｓｅｍａｎｔｉｃ Ｓｉｍｉｌａｒｉｔｙ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｓｐｅｃｉｆｉｃ Ａｒｅａ ＧＡ０ Ｌｅｉｎａ ，ＳＨＩ 咖ｎｇ ，Ｌ／Ｙａｎｄａｎ （１．Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈｅｎｇｄｕ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ ６１０１０６，Ｃｈｉｎａ； ２．Ｉｎｆｏｒｍａｔｉｏｎ＆Ｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｓｔｉｔｕｔｅ，Ｈｕａｚｈｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ ４３００７４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎｆｏｒｍａｔｉｏｎ ｒｅｔｒｉｅｖａｌ ｍｏｄｕｌｅ ｉｓ ａ ｍａｊｏｒ ｃｏｍｐｏｎｅｎｔ ｉｎ ｔｈｅ ａｕｔｏｍａｔｉｃ ｑｕｅｓｔｉｏｎ－ａｎｓｗｅｒｉｎｇ ｓｙｓｔｅｍ． Ｔｈｅ ｋｅｙ ｐｒｏｂｌｅｍ ｉｎ ｔｈｅ ｒｅａｌｉｚａｔｉｏｎ ｏｆ ｑｕｅｓｔｉｏｎ ｓｅａｒｃｈｉｎｇ ｉｓ ｔｈｅ ｓｅｎｔｅｎｃｅ ｓｉｍｉｌａｒｉｔｙ ｃａｌｃｕｌａｔｉｏｎ．Ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔｓ ａ ｗｅｉｇｈｔｅｄ ｓｅｍａｎｔｉｃ ｓｉｍｉｌａｒｉｔｙ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｓｐｅｃｉｉｆｃ ａｒｅａ．Ｉｔ ｆｉｒｓｔｌｙ ｃａｌｃｕｌａｔｅｓ ｔｈｅ ｗｅｉｈｔｇｓ ｏｆ ｓｏｍｅ ｑｕｅｓｉｔｏｎ ｋｅｙｗｏｒｄｓ ｉｎ ｈｅ ｔＦＡＱ ｌｉｂｒａｒｙ，ａｎｄ ｔｈｅｎ ｔｈｅ ｓｉｉｌｍａｒｉｙｔ ｍａｔｒｉｘｅｓ ａｒｅ ｏｂｔａｉｎｅｄ ｂｙ ｕｓｉｎｇ ｓｅｍａｎｔｉｃ ｓｉｍｉｌａｒｉｙ ｔｍｅｔｈｏｄ ｔｏ ｃａｌｃｕｌａｔｅ ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｍａｔｒｉｘ ｂｅｔｗｅｅｎ ｔｈｅ ｓｅｐａｒａｔｅｄ ｋｅｙｗｏｒｄｓ ｏｆ ｔａｒｇｅｔ ｑｕｅｓｔｉｏｎ ａｎｄ ｔｈｅ ｑｕｅｓｔｉｏｎ ｋｅｙｗｏｒｄｓ ｆｒｏｍ ＦＡＱ ｌｉｂｒａｒｙ．Ｆｉｎａｌｌｙ，ｔｈｅ ｓｉｉｌｍａｒｉｔｙ ｂｅｔｗｅｅｎ ｔｗｏ ｓｅｎｔｅｎｃｅｓ ｉｓ ｏｂｔａｉｎｅｄ．Ａｆｔｅｒ ｃａｌ— ｃｕｌａｔｉｎｇ ｎｄ ａｃｏｍｐａｒｉｇ ｎｈｔｅ ｓｉｉｌｍａｒｉｔｙ ｂｅｔｗｅｅｎ ｈｅ ｔｔａｒｇｅｔ ｑｕｅｓｔｉｏｎ ａｎｄ ｅａｃｈ ｑｕｅｓｔｉｏｎ ｉｎ ＦＡＱ，ｉｔ’ｓ ｆｏｕｎｄ ｔｈａｔ ｗｈｅｎ ｔｈｅ ｓｉｉｌｍａｒｉｔｙ ｉｓ ｇｒｅａｔｅｒ ｈａｎ ｔａ ｃｅｒｔａｉｎ ｈｒｔｅｓｈｏｌｄ ｖａｌｕｅ，ｔｈｅ ａｎｓｗｅｒ ｏ ｔｈｅ ｔｑｕｅｓｔｉｏｎ ｆ ｏｈｅ ｔｃｏｒｒｅｓｐｏｎｄｉｎｇ ｍａｘｉｍｕｍ ｓｉｍｉｌａｒｉｙｔ ｗｉｌｌ ｂｅ ｏｕｔｐｕｔ ｔｏ ｈｅ ｔｕｓｅｒ．Ｉｎ ｔｅｒｍｓ ｏｆ ｓｅ￣ｔｉｃｓ ａｎｄ ｗｅｉｈｔｇｓ，ｈｅ ｅｘｐｔｅｒｉｍｅｎｔ ｓｈｏｗｓ ｔｈａｔ ｈｅ ｔｂｅｔｔｅｒ ａｔｍｃｈｉｎｇ ｅｆｆｅｃｔｓ ｃａｎ ｂｅ ａｃｈｉｅｖｅｄ． Ｋｅｙ ｗｏｒｄｓ：ａｕｔｏｍａｔｉｃ ｑｕｅｓｔｉｏｎ—ａｎｓｗｅｒｉｎｇ ｓｙｓｔｅｍ；ｉｎｆｏｒｍａｔｉｏｎ ｒｅｔｒｉｅｖａｌ；ｓｉｉｌｍａｒｉｔｙ；ｓｅｍａｎｔｉｃ；ｗｏｒｄ ｗｅｉｇｈｔ （上接第２６５页） ｂｅｃｏｍｅｓ ｖｅｒｙ ｆｒｅｑｕｅｎｔ．Ｈｅｎｃｅ，ｆｉ ｔｈｅ ｃｏｎｖｅｎｔｉｏｎａｌ ｓｔｒａｔｅｇｙ ｆｏｒ ｒｅａｄｉｎｇ ａｎｄ ｗｒｉｔｉｎｇ ｄａｔａｂａｓｅ ｉｓ ａｄｏｐｔｅｄ，ｔｈｅ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｒｎａｓｓ ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ ｗｉｌｌ ｂｅ ｖｅｒｙ ｌｏｗ，ｗｈｉｃｈ ｗｉｌｌ ｆｅｃｔａ ｔｈｅ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｐｒｏｇｒｅｓｓ ｏｆ ｔｈｅ ｅｎ— ｔｉｒｅ ｔｅｘｔ ｍｉｎｉｎｇ ｐｍｊｅｃｔ．Ｉｎ ｏｒｄｅｒ ｏｔ ｉｍｐｒｏｖｅ ｔｈｅ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ，ｂａｓｅｄ ｏｎ ｔｈｅ ａｐｐｅａｒａｎｃｅ ｏｆ ｈｅｔ ｃａｎｄｉｄａｔｅ ｗｏｒｄｓ ａｍｏｎｇ ｔｈｅ ｎｅｗ ｗｏｒｄｓ ｉｎ ｔｅｘｔ ｍｉｎｉｎｇ，ｔｈｉｓ ｐａｐｅｒ ｄｏｅｓ ｒｅｓｅａｒｃｈ Ｏｉｌ ｔｈｅ ｏｐｔｉｉｚａｔｍｉｏｎ ｏｆ ｈｅ ｔｃｏｎｖｅｎｔｉｏｎａｌ ｓｔｒａｔｅｇｙ ｏｒ ｆｒｅａｄｉｎｇ ｎｄ ａｗｒｉｔｉｎｇ ａｔｄａｂａｓｅ，ａｎｄ ｈｅｎ ｔｄｅｓｉｇｎｓ ａｎｄ ｉｍｐｌｅｍｅｎｔｓ ｔｈｅ ｏｐｔｉｉｚｅｄ ｓｍｔｒａｔ— ｅｇｉｅｓ ｆｏｒ ｅａｄｉｒｎｇ ａｎｄ ｗｒｉｔｉｎｇ ｄａｔａｂａｓｅ．ｈｅ ｅｘｐｅｒＴｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｅｆｉｃｉｆｅｎｃｙ ｏｆｔｈｅ ｏｐｔｉｍｉｚｅｄ ｓｔｒａｔｅｇｉｅｓ ｆｏｒ ｒｅａｄｉｎｇ ａｎｄ ｗｒｉｉｔｎｇ ｄａｔａｂａｓｅ ｉｓ ｈｉｈｅｒ ｇｈａｔｎ ｔｈｅ ｃｏｎｖｅｎｔｉｏｎａｌ ｓｔｒａｔｅｇｙ． Ｋｅｙ ｗｏｒｄｓ：ｔｅｘｔ ｍｉｎｉｎｇ；ｍａｓｓ ｄａｔａ；ｓｔｒａｔｅｇｙ ｆｏｒ ｒｅａｄｉｎｇ ａｎｄ ｗｒｉｔｉｎｇ ｄａｔａｂａｓｅ；ｏｐｔｉｍｉｚａｔｉｏｎ ｓｕｄｙ ｔ
