基于遗传算法的文献描述学习

6.2.7　基于遗传算法的文献描述学习

在信息检索系统中，可利用用户提供的相关反馈信息来修改相关文献的描述和提问，改进检索效率。修改提问是检索过程中的短期学习，而文献描述的修改(重描述)则是系统应执行的长期的、动态的学习任务。文献的重描述对系统执行效率影响较大，这里侧重讨论文献重描述的学习方法。

遗传算法(Genetic Algorithm，GA)在机器学习研究中越来越受欢迎。在检索咨询的反馈过程中，可根据用户对检索结果文献的相关评价，利用GA算法概括出较好的文献描述。用户下次再查找这些文献，就比较容易，且效率较高。其他用户的同类提问也可获得较好的检索效率。

1.遗传算法概述

GA算法的原理是模仿遗传，求得最多的合适元素。在遗传中，最佳成员的基因(对象的特征)从上一代遗传给下一代。GA算法不仅选择好的基因，还选择好的基因组合，引入新的变化，使得后代比父辈更好。

GA算法操作于对象集合，每次操作执行相似的任务。算法用另一个新对象集合代换旧集合，反复进行这种操作，产生理想的对象集合。

GA算法的步骤如下:

首先随机产生对象集合，然后对于该集合重复执行以下操作，直到满足给定标准:

(1)测量固定集合中对象的执行值。

(2)代换对象集合:

①从当前对象集合中选择具有较高执行值的对象，取它们的特征构造新对象集合，每个新对象与所有旧对象不同;

②丢弃旧对象集合。

2.文献描述的学习过程

假设文献向量的描述如下:

其中，T_i是主题词，是文献描述的基因元素。T_i=1，表示该词描述文献，否则T_i=0。n指示对一篇文献的n个不同描述，最初可由程序或人工随机产生。g表示算法产生的某代集合序号，算法循环执行一次，产生一个后代描述集合。desc-x-g_i表示第x篇文献的第g代中第i个描述。

假设给定M个与文献相关的提问，构成相关提问集合Q。依据GA算法，系统重复执行以下操作:

(1)测量对象的执行值

对象是指文献描述，对象执行的评估方法是，计算文献描述与提问的相关程度。

(2)对象集合的代换

①重产生:从当前的第g代的文献描述集合中，选择对于相关提问集合Q具有最高的平均匹配分数的描述。例如，某描述的平均匹配分数大于所有描述的总平均匹配分数G_g。设选择的文献描述为N'个，建立它们的副本，删除原第g代的描述集合。从选择的描述集合中，随机选取其描述片断(如主题词)，产生新的描述集合。

②交换:随机划分新建立的N'个描述为N'/2对(若N'为奇数，最后为一个描述)。对于每对描述j，随机取交叉点P_j，1≤P_j≤L－1(L为描述向量的长度)，构成第g+1代文献描述集合(初值为空)如下:

首先，加入集合:

initial(desc-pair j₁)+final(desc-pair j₂)

initial(desc-pair j₂)+final(desc-pair j₁)

其中:“+”是字符串连接运算符号;desc-pair j₁和desc-pair j₂是第j对文献描述;initial(desc-pair j_t)是j_t描述向量中前P_j个元素;final(desc-pair j_t)是j_t描述向量中后L－P_j个元素。

其次，对于奇数N'，从刚产生的描述中取出一个，与未配对描述配对，交换处理之，然后加入集合。

例如，以上文献描述集合中，让第g₁与第g_n配对，P_j=3，则交换结果是:

执行完GA算法后，需要评估描述修改效率。比较每一代描述集合对于相关提问集合Q的总平均匹配分数，分数越高，这一代的描述与提问集合的相关度越高。选择总平均匹配分数最高的描述集合，构成文献的新描述。

一些实验证明，使用GA算法，可从已存文献描述中分离出有用的信息，来形成更适于检索的新描述，这种描述具有以下特点:使提问与其相关的文献有较高的匹配概率;使提问与不相关的文献有较低的匹配概率，从而提高检索效率。

GA算法产生的文献描述，还提供了最好的词汇组合形式，用户感兴趣的词或其组合形式，可加入主题词表，作为主题词或检索入口词。

事实证明，GA算法是改进文献描述的有效工具。信息系统可利用这种方法，根据相关反馈信息，不断学习文献的新描述，改进系统执行性能。