的改进方法

一元词语模型把所有词语当作都是独立的进行处理，但是我们知道一些词语其实是相关的：“couch”与“couches”和“sofa”关系都很密切。很多IR系统都试图考虑到这些相关性。

例如，如果某个查询是 [couch]，那么如果从结果集合中排除那些提到“COUCH”或者“couches”而不是“couch”的文档则是不应该的。很多IR系统都要进行大小写同一处理（case folding），将“COUCH”转换为“couch”，还有很多系统采用取词干（stemming）算法把“couches”还原为其词干形式“couch”。典型情况下，这能稍微提高一点儿召回率（对英语大约是2％）。然而，它对准确率却有不良影响。例如，“stocking”取词干的结果是“stock”，虽然这能够提高有关仓库储存的查询的召回率，但是却倾向于降低有关脚的覆盖物（“stocking”有长袜的意思——译者注）以及金融手段（“stock”有股票的意思，不过是名词；而“stocking”可能是动词“储备”的现在进行时——译者注）的查询的准确率。基于规则（例如：去除“-ing”）的取词干算法不能避免这个问题，但是基于词典（如果这个词语已经列在词典中，则不去除“-ing”）的一些较新的算法则可以解决该问题。虽然取词干的方法在英语中影响不大，但是它在其它语言中能起重要作用。例如在德语中，类似于“Lebensversicherungsgesellschaftsangestellter”（人寿保险公司雇员）这样的词语是不常见的。诸如芬兰语、土耳其语、因纽特语以及爱斯基摩语等语言都具有递归的语形学规则，从而在原则上能够生成无限长度的词语。

下一步是区别类似“sofa”与“couch”这样的同义词（synonym）。如同使用取词干方法，有少量提高召回率的潜力，但是如果过度使用则会有降低准确率的危险。那些对橄榄球运动员Tim Couch感兴趣的人决不希望费力气去看与沙发有关的结果（“couch”的一个意思是“沙发”，和“sofa”同义——译者注）。问题在于“语言憎恨绝对的同义词，就像自然界憎恨真空一样”（Cruse，1986）。也就是说，无论何时当有两个表示同一件事物的词语存在时，使用这种语言的人总会企图更改它们的含义从而消除混淆。

很多 IR 系统都采用词语的二元模型进行某种扩展，虽然很少有系统实现一个完整的概率二元模型。拼写纠错程序可以用于纠正文档和查询中的错误。

作为最终的改进，IR 能够通过考虑元数据——文档文本之外的数据——以得到改进。元数据的例子包括人提供的关键词以及文档间的超文本连接。