检索模型与算法

第2章检索模型与算法

检索模型提供了一种度量查询和文档之间相似度的方法。这些模型基于一种共同的理念：文档和查询共有的词项（term）越多，则认为这篇文档和该查询越相关。语言本身就客观存在着诸多的不确定性，现实中一个相同的概念可能会用多种不同的词项来表达（如new york 和the big apple可能指的是同一含义）。另外，相同的词项也可能有很多种语义（比如bark和 duck，它们的名词形式和动词形式的意思迥然不同。我们介绍的一些检索算法采

用了相应措施来解决这些语言中的不确定性问题。

检索模型就是一种算法，该算法的处理对象是查询Q和文档集合{D1, D2,…, Dn}，处理过程就是计算每篇文档Di (1≤i≤n)和这个查询的相似度SC(Q, Di)。[注：SC是Similarity Coefficient（相似度）的缩写，有时记作RSV（Retrieval Status Value），用来表示检索状态值]。

常用的检索模型有如下几种。

向量空间模型--我们将查询和文档都表示为词项空间中的向量，进而可以计算这两个向量之间的相似度。

概率模型--基于文档集中每个词项在相关文档中出现的可能性计算出概率。对文档和查询匹配的所有词项计算联合概率，从而得出文档与查询的相似度。

语言模型--针对每一篇文档，建立一个语言模型，并且计算出各文档"生成"查询的概率。

推理网络--我们采用贝叶斯网络来推断文档和查询间的相关性。推理过程基于文档中的"证据"，这种"证据"是文档中可以作出文档相关性推断的依据。推理的可信度即为文档查询的相似度。

布尔检索--在原始的布尔查询结果中，我们对每篇文档都赋予一个得分，这样就可以进行查询结果排序。具体的做法是：将每个查询词项赋予一个权重，进而使用这个权重计算文档与查询的相似度。

LSI（隐性语义检索）--我们使用词项-文档矩阵来表示文档集中出现的词项。这个矩阵通过奇异值分解（Singular Value Decomposition，SVD）来降维，奇异值分解可以过滤掉文档中的噪声，这样两篇有相同语义的文档在多维空间中距离会比较接近。

神经网络方法--网络中包含一系列神经元（或者称作节点），这些神经元在激活查询到文档的触发链接的过程中进行传导。网络中每个链接的权重被传到文档，这些权重汇集起来

作为查询和文档之间的相似度。人们往往会预先定义好一批相关文档集和不相关文档集，然后再调整神经网络链接上的权重，以达到"训练"神经网络的目的。

遗传算法--我们可以通过进化的方法来得到查找相关文档的最优查询过程。初始的查询可以使用随机的权重，也可以使用估计值。通过修改这些权重来产生新的查询。接近已知相关文档的新查询得以幸存，而 "适应度"较小的查询在随后的过程中被淘汰。

模糊集检索--每篇文档被映射到一个模糊集[这种集合不仅包含元素，还包含与每个元素相关的权重，用来表示该元素的隶属度（membership）]。该模型将布尔查询映射为模糊集的相交、合并和补集等操作，这样我们就可以计算出每篇文档与查询相关的隶属度。隶属度即为相似度。

对于一个已知的检索模型，我们可以使用许多不同的实用策略（utility）来提高检索模型的性能。我们将在第3章中详细介绍这些实用策略。需要注意的是，一些检索模型和实用策略基于完全不同的数学思想。例如，概率检索模型理论上不能与向量空间模型的同义词表（thesaurus）联合使用，然而，这种结合很有可能提高最终的检索效果。不过，当混合搭配使用基于不同数学模型的检索模型和实用策略时，我们还是要特别谨慎。

我们竭尽所能来优化查询，大多数方法是在初始查询中增加或者删除一些词项，其他的方法则仅仅是把重点放在查询的计算范围上（比如，使用子文档或者片段来代替整篇文档）。关键在于每种策略是即插即用的，且可以应用于任意一个检索模型（虽然这种情况很少出现）。

在深入研究每种检索模型的细节之前，我们希望提醒读者注意一点。在力图展现算法的原始形式时，我们有意留下不一致的形式。例如，在实现一个缓慢增长函数时，一些算法的提出者使用ln(x)而其他人则使用lg(x)。显然，我们都知道这些函数之间严格来说不过是常量积的关系。虽然它确实会带来些许误解，但是我们感觉展现原始的描述仍然有其优越性。为了清晰起见，我们尽量在不同策略中使用通用符号，并且提供一个可以运行的例子。这些例子都采用相同的查询和文档集，其具体用法与检索模型无关。

2.1 向量空间模型

向量空间模型通过向量的方式来计算相似度，其中每一篇文档用一个向量来表示，而查询同样用一个向量来表示 [Salon等人，1975]。该模型基于以下思想：大致来说，文章的

语义通过所使用的词语来表达。如果可以将文档中的词语表示成一个向量，那就有可能将文档和查询进行比较，从而判定它们内容相似的程度。如果将查询也看做文档，就可以计算出文档和查询的相似度。通过文档中使用的词项进行衡量，我们认为最接近查询内容的文档是

最相关文档。图2-1说明了向量空间模型的基本理念，其中包含一个查询向量和三个文档向量。

该模型主要涉及两方面工作：一是如何构建一个向量来表示文档中的词项；二是如何构建另一个向量来表示查询中的词项。接下来，我们必须选择一种方法来度量任意文档向量和查询向量的相似度。一种方法是可以比较两个向量的差值向量大小，然而由于查询一般比较短小，这会导致较大的向量看起来往往和大多数查询都不相关。判断两个向量相近性的传统方法是计算这两个向量之间夹角的大小。两个向量的夹角可以通过内积（或称点积）计算出来，然而我们并没有必要真正计算出角度的实际值--任何计算夹角的单调函数都可以达到实用的要求。我们通常使用"相似度"来代替夹角。计算相似度有多种方法，通常来说，内积效果最佳。通过以上的讨论，我们可以得到以下共识：只有文档向量和查询向量指向的方向大体一致，它们才相似。

图2-1 向量空间模型

对于文档集中每一个不同的词项（或概念），我们在向量中只记录一个分量。接下来，我们考虑在文档集中只有两个不同词项和的情况。所有的向量只包含两个分量：第一个分量表示词项的出现情况，第二个分量表示词项的出现情况。构造向量最简单的方法是：当词项出现时，就在对应向量的分量处记1；如果词项未出现，就在对应的分量处记0。下面我们看一篇实际的文档，比如文档D1，其中词项出现了两次，词项出现了零次。这个文档使用二值表示方法时，对应的向量为<1, 0>。二值表示方法可以用来计算相似度，但是并没有考虑一个词项在文档中出现的次数。通过扩展这种表示形式，我们将词项在文档中出现的频率作为向量中各个分量的值。在这个例子中，向量可以表示为<2, 0>。

图2-2给出了一个简单的例子。对于文档集中每个独立的词项，我们需要在向量中定义一个分量。使用一个简单的例子，在一个只包含两个词语的语言中（只有A和I是有效的词项），所有的查询和文档都可以采用二维空间向量来表示。图2-2给出了一个查询和三篇文档，并且给出了它们的向量形式及其图形表示。查询和文档的相似度可以通过计算两个向量的距离得出。在这个例子中，可以认为文档1和查询的向量相同，从而文档1在查询结果列表中排在第一位。

除了简单地给出查询词列表外，用户通常还会给出权重，该权重表示一个词项比另外一个词项更重要。这是通过在初始查询中用户人工指定词项权重来实现的。另外一种方法是自动指定权重--通过基于词项在整个文档集中出现的频率。基本思想是：不频繁出现的词的权重应该比频繁出现的词的权重更高。文献[Salton，1969；Salton，1970b]分别采用权重自动赋值与人工赋值方法计算相似度，然后进行查询比较。实验结果表明：自动赋值在查询性能上并不比和人工赋值差[Salton，1969，Salton，1970b]。遗憾的是，这些结果并没有引入词项在整个文档集中的相对权重。

在20世纪70年代，研究者深入研究了不同文档集的权重。研究结论是：如果引入不同文档集的权重，能够提升相关度排序的效果。尽管在实验中使用了相对较小的文档集，作者仍然得出一个结论："迄今为止，信息检索研究中不少事情都可以称为结论确凿，这就是其中之一。"[Robertson和Sparck Jones，1976]

我们采用更加形式化的定义，并采用稍大一些的例子来展示如何使用基于数据集频率的权重。对应于一个给定的词项，其权重使用IDF（逆文档频率）来计算。

为了给每篇文档建立一个对应的向量，可以考虑如下定义。

对于每一篇文档向量，都有n个分量，并且对于整个文档集中每个不同的词项，都包含一个词条。向量中的每个分量为在整个文档集中计算出来的每个词项的权重。在每篇文档中，词项权重基于词项在整个文档集中出现的频率情况以及词项在某一个特定文档中出现的频率自动赋值。词项在一篇文档中出现的频率越高，则权重越大；相反，如果词项在所有文档中出现的频率越高，则权重越小。

仅当词项在文档中出现时，文档向量中词项的权重才为非零值。对于一个包含许多小文档的大文档集，文档向量可能会包含大量的零元素。例如，一篇文档集包含10 000个不同的词项，也就是每个文档中要用10 000维的向量来表示。一个给定的只有100个不同词项的文档向量则包含9 900个零分量。

对于文档中词项的权重因素，主要综合考虑词频和逆文档频率。也就是说，我们使用下面的公式计算文档i对应的向量中第j个词条的值：

下面我们来考虑一个包含D1和D2两篇文档的文档集，在文档D1中词"绿色"出现了十次，而在D2中"绿色"仅出现了5次。如果仅仅查询"绿色"，那么在结果中文档D1排在文档D2前面。

当我们在一篇文档检索系统中用文档集中t个不同的词项来查询时，系统将为每个文档计算维度为t的向量D(di1, di2,…,dit)。向量值使用前文所述的词项权重填充。类似地，查询中的词项构建的向量为Q(wq1, wq2,…,wqt)。

查询Q和文档Di的相似度可以简单地定义为两个向量的内积。因为查询向量和和文档向量在长度上是相似的，这种策略也常常被用来计算两篇文档的相似度。我们将在3.2节中讨论将SC应用到文档聚类中。

2.1.1 相似度计算举例

下面我们考虑一个固定的查询和文档集，包含一个查询Q和三篇文档组成的文档集：Q："gold silver truck"

D1："Shipment of gold damaged in a fire"

D2："Delivery of silver arrived in a silver truck"

D3："Shipment of gold arrived in a truck"

在这个文档集中，有三篇文档，所以d = 3。如果一个词项仅在三篇文档中的一篇中出现，那么该词项的IDF就是lg(d/dfi) = lg(3/1) = 0.477。类似地，如果一个词项在三篇文档中的两篇中出现，那么该词项的IDF就是lg(d/dfi) = lg(3/2) = 0.176。如果一个词项在三篇文档中都出现了，那么该词项的IDF就是lg(d/dfi) = lg(3/3) = 0。

三篇文档的每个词项的IDF值如下所示：

现在就可以构造文档向量了。因为文档集中出现了11个词项，所以我们构造一个11维的文档向量。我们可以用上文给出的按字母顺序排列的词项来构建文档向量，所以t1对应第一个词项"a"，t2对应"arrived"，依次类推。向量j中词项i的权重计算方式为idfi ×tfij。文档向量如表2-1所示。

表2-1 文档向量

在20世纪60年代后期的文献[Salton和Lesk，1968]中就有关于向量空间模型的早期研究。该模型在20世纪70年代中期使用非常普遍[Salton等人，1975]，并且现在仍然是计算查询和文档相似度最广泛使用的方法之一[TREC，2003]。这种方法非常重要，因为检索系统可以据此决定最终将哪些文档展示给用户。通常用户只需要最前面的n篇文档，并且这些文档按相似度进行排序。

接下来，科研人员研究了提升基本的tf-idf权重的词项权重计算方式 [Salton和Buckley，1988]。人们研究了许多不同的方法，并且认为用下面的公式计算文档i中词项j 的权重效果出色：

这样计算权重的出发点是：在已知的查询和文档中，词频很高的匹配词项淹没了其他匹配词项的效果。为了避免这种现象，科研人员提出使用lg(tf) + 1来缩小词频的范围。基于该思想的修订版本是在查询和文档中的词项使用不同的权重。

一种被称作lnc.ltc的词项权重计算模式非常有效。文档中使用1+lg(tf)×idf计算权重，查询中使用1+lg(tf)计算权重。标签lnc.ltc是如下形式：qqq.ddd，其中qqq指查询权重，ddd指文档权重。这三个字母：qqq或ddd是xyz的形式。

第一个字母x可以是n、l或a。n表示原始词频或指tf。l表示通过取对数来降低权重，所以可以使用1+lg(tf)。a表示加强权重，所以权重为。

第二个字母y表示是否使用idf。n表示不使用idf，t表示使用idf。

第三个字母z表示是否使用文档长度归一化。通过归一化文档长度，我们试着减小检索中文档长度的影响（见公式2-1）。在文献[Singhal, 1997]中，n表示不使用归一化，c表示使用标准的余弦归一化，u表示使用临界点长度（pivoted length）归一化。

2.1.2 相似度

人们提出了许多比较查询向量和文档向量的方法，这些方法都经过了证明。这里我们来快速回顾一下。其中最常见的方法是余弦方法，也就是计算查询向量和文档向量之间夹角的余弦值。

因为在计算每篇文档的相似度时都会出现，向量内积除以文档向量大小后，余弦系数应该给出相同的相关性结果。我们注意到余弦方法通过考虑文档长度来"归一化"结果。通过内积方法，一个比较长的文档可能会得到一个比较高的分数，仅仅因为文档比较长，因此有更多的机会包含查询词--并不一定因为文档是相关的。

Dice系数定义为：

余弦方法通过将向量内积除以文档向量的长度来实现不同文档长度的归一化。余弦方法中假定文档长度对查询没有影响。排除归一化因素，较长的文档更容易被认定为相关的，仅仅因为长文档包含的词多，所以增加了包含查询词的可能性。除以文档向量长度就是不考虑文档长度。

结果是（至少对于TREC数据），这种简单的假设是不正确的。拿50个TREC查询集所有查找到的相关文档来说，Singhal发现实际上在长文档集中更多文档被判断为相关的[Singhal，1997]。原因可能是长文档仅仅是有更多的机会包含那些与给定查询确实相关的词项。

为了找到一种调整归一化因子的方法，Singhal比较了相关的可能性和在文档集中被检索到的可能性，其中已知与查询集相关的文档。理想情况下，如果检索概率和相关概率同时以文档长度为标准进行作图，那么这两条曲线应该基本一致。由于并不是这种情况（实际上两条曲线是相交的），所以肯定存在一个文档长度点使检索概率和相关概率相等。在这个点（被称为临界点）前，文档被检索的概率大于相关概率。在这个点后，文档被检索的概率小于相关概率。一旦找到临界点，我们就可以使用这个"校正因子"进行归一化调整。这个"校正因子"通过一个线性表达式计算出来，其中在临界点时线性表达式的值等于临界点的值，并且选定一定的斜率来增加短文档归一化之后的值，这样短文档被选定的概率等于相关概率。因此，相似度为：

这种方法有两个变量：分别为斜率s和临界点p。不过，我们也有可能将斜率s表示为临界点的函数。Singhal在纠正和调整相应的斜率之前，将整个文档集上统计计算出来的平均归一化因子选定为临界点。同时，将归一化因子除以(1.0 s)p。计算相似度的等式如下：

其中avgn是在任何纠正前的平均文档归一化因子。

临界点模式对于短文档和中等长度的文档还算有成效，但是与归一化前相比，整个算法会更有利于特别长的文档。为了修正这一点，在任何调整前，科研人员提出将文档中不同词项的数量|di|作为归一化因子。

最后一种调整是针对在特别长文档中出现的词频特别高的情况。首先，使用1+lg来限制词频。为了应对长文档，将每个词项权重除以平均词项权重。

新的权重dij为

然后我们计算给定文档集中每篇文档的词项的平均数量，并且将其作为临界点p。一旦计算完成，就可以使用文档集就上训练出一个很好的斜率。公式（2-2）被称为临界点唯一归一化（pivoted unique normalization），并且实验表明，在公式（2-1）临界点余弦归一化的基础上检索效果得到了提高。修改后的归一化因子使得更可能检索到长文档，并且对于TREC查询，性能可以提高10%。

我们同时可以注意到向量空间模型假设词项之间是独立的。缓解向量空间模型词项独立性问题的一个方法就是改变基向量。尽管改变基向量并不能完全解决问题，但是可以缓解这一问题。其思想为：为每篇文档选一个基本的组合词项（不管词频）。新的基本向量可以相互正交，并且按比例转化为单位向量。文档和查询可以表示为新的基本向量的形式。同时联合使用其他方法（可以是概率），可以避免独立性假设，但是在实际应用中效果并没有显著的提高。

2.2 概率检索模型

概率模型通过计算文档与查询相关的概率来作为文档和查询的相似度。这就使相关性排序问题降为概率论应用问题。概率论的综述可以查看文献[Fuhr，1992]。

概率论可以用来计算查询和文档的相关性。学术界提出了两种根本不同的方法。第一种依靠使用模式来预测相关性[Maron和Kuhns，1960]，第二种使用查询中的每个词项作为线索来判断文档是否相关[Robertson和Sparck Jones，1976]。

使用概率论检索文档的研究可以追溯到Maron和Kuhns。他们的研究开创了估计文档是否与一个给定的特定词项相关的研究领域。

所有的概率研究起源于这样一种观点：基于一个词项分别在相关文档和不相关文档中出现的频率来估计该词项的权重。2.2.1节描述了简单的词项权重模型，2.2.2节中介绍了非二值独立模型，2.2.3节和2.2.4节分别介绍泊松模型和基于片段的模型，这两种模型在TREC 数据集上都取得了不错的成绩。最后，2.2.5节中讲述模型的两大问题--参数估计和独立性假设。

2.2.1 简单的词项权重（1）

词项权重的使用基于PRP（Probability Ranking Principle，概率排序原理），PRP 假定最佳效果是基于与查询相关的概率估计进行排序 [Robertson，1977]。

关键是对查询的构成分量计算概率，然后使用这些分量作为证据，从而计算出文档与查询相关的最终概率。

我们对查询中的词项赋予权重，权重对应于查询词可以检索到相关文档的概率。我们结合每个词项的权重来计算最终的相关性。

在该领域的大多数论文中，引入了概率论并且讨论了独立性假设的有效性，所以简要回顾一下概率论是恰当的。

下面我们试着预测一支叫做沙罗曼蛇的垒球队是否可以赢得比赛。基于以往的经验，我们可以观察到：他们经常在晴朗的天气，当他们最好的游击手上场时赢得比赛。这意味着有两个证据可以使用：户外的天气情况和好的游击手。对于一场已知的比赛，如果天气晴朗的话，有75%的可能性可以赢得比赛；如果游击手出赛的话，有60%的可能性赢得比赛。因此，我们记作：

P(win | sunny) = 0.75

P(win | good-shortstop) = 0.6

这支球队在两个条件下可以取胜的条件概率记为p(win | suny, good-shortstop)，这表示"这支球队在天气晴朗且有好的游击手出赛的情况下获胜的条件概率"。我们有两个证据推断沙罗曼蛇队可以获胜。直觉告诉我们两个条件都满足时会比只满足一个条件获胜的概率更大。组合它们的方法也就是"看看成败的机率"。75%获胜的可能性也就是有25%输掉的可能性，60%获胜的可能性也就是有40%输掉的可能性。我们假设这两个条件是独立的。

进行相应的替换和运算，我们得到：

由此可以得到的值为9/11＝0.818。

注意到，组合晴朗的天气和优异的游击手两个条件可以得到比只有任何一个条件都高的获胜概率。

关键在于独立性假设。天气晴朗的可能性和优异游击手的出场是完全独立的。游击手出现的机率不受天气情况而改变。类似地，天气情况也不会受游击手出场与否影响。如果这种独立性被破坏了：假如游击手喜欢晴朗的天气--需要特别考虑这种依赖性。同时独立性假设也要求天气和优异游击手的出现和给定的输赢之间是独立的。

对于信息检索查询，查询中的词项可以看做文档相关的指示器。查询中词项A的出现与否可以预测文档是否相关。因此，经过一段时间的观察，我们发现词项A同时在文档和查询中出现时，文档相关的概率为x%。这样我们就为词项A赋值这个概率。假设词项间是独立的，这样就可以针对查询中的每一个词项来计算其概率。最终，计算所有权重的乘积就可以计算出文档相关的概率。

我们知道，独立性假设在现实中确实不是一个很好的模型。尽管理论上存在问题，但是一些研究者已经研究出为什么使用这些假设的系统性能相当好 [Cooper，1991]。例如，对应查询苹果派，相关文档中包含词项苹果可能比用词项派或者其他随机选择的词项的相关概率更高一些。因此，这就违背了关键的独立性假设。

概率模型的大多数工作都假定词项间是相互独立的，这是因为处理依赖性将引入大量的计算。人们还不清楚考虑依赖性后效果是否有所提升，而且我们注意到只需相对较少的工作即可实现依赖性。这些方法计算量确实相当大，而且更为重要的是，计算量很难估计。获取在相关文档和不相关文档中词项共现的足够多的训练数据也是非常必要的。通常，获取充分的训练数据来估计这些参数是非常困难的。

在图2-4中，我们列出了大多数概率模型中所需要的训练数据。当我们提交含有两个词项q1和q2的查询后，返回了5篇文档，并且我们评定文档2和文档4是相关的。在这个评定中，已知的相关（不相关）文档的概率是通过其包含的词项q1计算出来的。类似地，可以计算出q2的概率。显然，这些概率是通过训练数据估计出来的。其主要思想是只要获得足够多的训练数据，那么当用户提交一个查询时，我们就可以很好地估计出与查询相关的文档。

2.2.1 简单的词项权重（2）

我们注意到这些计算值都基于词项在相关文档和非相关文档中独立出现的假设。我们同时假设如果一个词项在一篇文档中出现，那么该词项对于另外一个词项是否在相同文档中出现没有影响。

既然我们描述了独立的词项可以联合起来估计出整篇文档的相关概率，那么就必须讨论单个词项权重的计算方法。自从引入概率检索模型以来，人们研究了许多种不同的计算给定词项分别在相关和不相关文档中的概率的方法。在Robertson和Spark Jones 1976年的论文中，他们考虑了许多种方法[Robertson和Spark Jones，1976]。他们首先给出了两个相互排斥的独立性假设：

I1：词项在相关文档中的分布是独立的并且在所有文档中的分布是独立的。

I2：词项在相关文档中的分布是独立的并且它们在非相关文档中的分布也是独立的。

他们同样提出了两种方法来展现结果集，被称作排序原则。

O1：相关的可能性仅仅基于文档中出现的查询词项。

O2：相关的可能性基于文档中出现的查询词项和未出现的查询词项。

I1表明词项在文档中随机出现，也就是说，一个词项在一篇文档中出现绝对不会影响到另外一个词项在这篇文档中出现。这与我们先前给出的例子类似，对于给定比赛胜利的情况，一个好的游击手并不会影响到天气情况。这也同样表明所有文档中词项的分布对于所有文档是绝对独立的，也就是说，一个词项在一篇文档中出现绝对不会影响到相同的词项在其他文档中出现。这好比说，在一场比赛中优秀游击手的出场不会影响到他是否在别的比赛中出场。类似地，一场比赛中优秀游击手的出场与否不会影响到其他场比赛的天气情况。

I2表示相关文档中的词项是独立的，也就是说，这些词项满足I1并且在非相关文档中的词项同时满足I1。回到我们的例子中，就好比说无论输赢，优秀游击手和晴朗的天气的独立性都是保持不变的。

O1表明文档只有在它们包含匹配查询词时才会被排在前面（即唯一使用的依据是哪个查询词项实际在文档中出现）。我们注意到这种排序假设现在并没有被广泛采用，这是因为考虑查询词项没有在文档中出现的情况是同样重要的。这在实际当中是不易实现的。大多数系统使用倒排索引来标识每个词项以及一个给定文档中所有出现的词项。如果需要找出一篇文档中没有出现的词项，索引可以标识出所有在该文档中没有出现的词项（具体细节我们将在5.1节中给予详细讨论）。为了避免去查找文档中未出现的词，我们将不包含任何查询词文档的相关概率估计为零--这与随机文档的相关概率是不同的。零概率并不意味着我们不知道任何信息：这至少意味着我们有一些判定文档非相关的依据。这样我们就可以将基于O2的权重计算转换为仅仅计算已出现词的权重。

O2将O1引入的更深入一些，并且O2要求我们同时考虑查询词项出现和不出现两种情况。因此，对于需要词项t1和词项t2的一个查询-- 一篇仅包含一个查询词项的文档应该比同时包含两个词项的文档的排序靠后一些。

在不同的排序原则和独立性假设的组合下，可以得出4种权重。给出一个词项t，考虑以下变量：

N--文档集中文档的数量；

R--对于已知查询q对应的相关文档的数量；

n--包含词项t的文档数目；

r--包含词项t的相关文档数目。

选择I1和O1组合，会得到如下权重：

选择I2和O1组合，得到如下权重：

选择I1和O2组合，得到如下权重：

选择I2和O2组合，得到如下权重：

Robertson和Sparck Jones认为O2是正确的，并且I2比I1更能符合实际情况。因此，w4应该最有可能产生最好的结果。接下来，他们用实验结果表明w4和w3效果要比w1和w2好。许多以w4为基础进行后续研究，还加入其他重要因素，如文档的词频和相关文档的长度等。我们将在2.2.3节详细讨论这些w4的扩展研究。

当使用不完整的相关性信息时，由于估计相关性的不确实性，我们将权重都加0.5。Robertson和Sparck Jones建议："这个处理看起来有些随意，但是这确实是基于实际统计数据的。"修改后的权重公式看起来如下：

据说概论模型的优点是其完全基于概率论。这就意味着其他模型有一定的随意性。或许其他模型实验效果很好，但是由于参数很难估计，所以缺乏坚实的理论基础。或者需要完整的训练数据，或者进行了不准确的估计。

这种争论类似于曾经发生的关系数据库管理系统和面向对象的数据库管理系统。面向对象的数据库管理系统有时被称作"真实世界"的数据模型，但是缺乏坚实的理论基础。另一方面，关系数据库管理系统有着坚实的理论基础支撑，但是有时对于真实数据的建模却存在问题。

1. 举例

我们仍然使用前一节向量空间模型中举的例子。现在我们来演示一下怎么使用4种权重来进行相关性排序。

我们再一次给出文档集和查询：

Q："gold silver truck"

D1："Shipment of gold damaged in a fire."

D2："Delivery of silver arrived in a silver truck."

D3："Shipment of gold arrived in a truck."

由于概率模型需要训练数据，所以我们假定这三篇文档就是训练数据，并且认为文档D2和文档D3与该查询相关。

为了计算相似度，首先计算出查询词项的权重，然后计算出匹配词项的权重的和。我们关注以下4个变量：

N--文档集中文档的数量；

n--一个指定词项索引的文档；

R--查询Q对应的相关文档的数量；

r--一个指定词项索引的相关文档的数量。

我们在表2-2中给出了每个查询词的值。正如前文所述，对于一个已知的词项，Robertson和Sparck Jones提出了4种不同的权重等式来估计包含查询词的文档相关的可能性。

表2-2 每个查询词项的频率

2.2.1 简单的词项权重（3）

读者注意到在我们的文档集中，由于n r=0，silver的权重为无穷大。这是因为silver 只在相关文档中出现。由于我们只是在预测方式中使用这种方法，Robertson和Sparck Jones 建议为每个变量增加一个常量[Robertson和Sparck Jones，1976]。新的权重公式为：

基于内容的图像检索_累加直方图算法

基于容的图像检索——累加直方图算法 摘要 随着多媒体、网络技术的迅速发展，图像信息的应用日益广泛，对规模越来越大的图像数据库、可视信息进行有效的管理成为迫切需要解决的问题，灵活、高效、准确的图像检索策略是解决这一问题的关键技术之一。因此，基于容的图像检索已成为国外学者研究的主要热点问题，并取得了不少的成果。 本文主要对当今热门的基于容的图像检索技术进行了研究，重点对它的算法进行研究。在半年的时间里，通过查阅很多相关的资料，并认真学习了基于容的图像检索的基本理论，特别是深入研究了颜色直方图理论和累加直方图算法，最后在MATLAB平台下编程实现此系统，该系统可以实现基本图像检索的功能，根据用户输入的样本图像来与图像库中的图像进行特征匹配，然后找出与样本图像距离比较小的若干幅图像，并按照图像之间的距离由小到大的顺序显示给用户。 经过对该系统进行反复的调试运行后，该系统所实现的功能基本达到了设计目标，并且运行良好。当用户提供出所要查询的关键图后，系统就可以从用户提供的图像库中检索到与关键图相似的图片并排序返回给用户，达到了预期效果。 关键词：图像检索累加直方图颜色特征 MATLAB

目次 1 绪论 (1) 1.1 国外的研究现状 (1) 1.2 选题意义及本文研究的容 (3) 2 基于容的图像检索的简介 (4) 2.1 基于容的图像检索技术的概述 (4) 2.2 基于容的图像检索的关键技术 (5) 3 基于容的图像检索原理和特点 (6) 3.1 基于容的图像检索的原理及处理过程 (6) 3.2 基于容图像检索的特点 (8) 4 颜色特征理论 (8) 4.1 颜色模型 (9) 4.2 颜色特征提取 (10) 5 直方图理论 (12) 5.1 颜色直方图 (12) 5.2 直方图的矩 (13) 5.3 直方图均衡化算法 (14) 5.4 基于直方图的图像检索技术分析 (14) 6 累加直方图算法 (16) 6.1 累加直方图 (16) 6.2 算法实现 (18) 6.3 改进的局部累加直方图算法 (18)

流线优化模型与算法研究及应用

配套的处理方式；果蔬采后商品化处理量几乎达到了100％，形成了完整的果蔬冷链体系。而我国的产地基础设施不完善，未能解决分选、分级、预冷、冷藏运输和保鲜等采后果蔬的处理问题。我国果蔬冷链存在许多问题：产地预冷环节薄弱；冷藏运输工具落后；冷库发展水平低；缺乏有影响力的第三方冷链物流。我国果蔬冷链发展水平要赶上发达国家还有较长的路要走。 要完善我国的果蔬冷链业，除了大力研发性价比合理、符合国情的相关冷链设备、设施以外；还需要全面的对整个果蔬冷链过程中存在的影响果蔬产品质量的风险因素进行分析和评价，从而一一破解；更需要系统地梳理整个果蔬冷链链条，是指实现协同化，构建果蔬冷链质量质量保障体系。这样才能真正确保果蔬产品的质量安全，确保千万消费者食用上安全放心的果蔬产品。 流线优化模型与算法研究及应用 张锦*（交通与物流学院） 1 研究背景 目前我国物流产业正处于高速发展期，理论体系与应用研究正在不断完善。物流活动的目的就是使物流服务来满足物流需求，即通过仓储、加工、运输、配送、包装、装卸搬运等活动来满足社会经济活动中供应商、制造商、零售商、消费者等需求方的对物的移动、储存与服务的需求。在宏观层面的区域及城市经济和微观层面的制造、贸易、消费等典型社会经济活动中的物流活动可抽象为具有特定需求的空间结构，称作物流需求网络。 在物流系统中，由若干特定的点、线和特定的权构成的，反映物流服务与需求关系的供需网络称之为流线网络，它具有以下典型特征。 1．反映了仓储、加工、运输、配送、包装、装卸搬运等物流服务与需求方在物品数量、到达时间、物流费用等方面的物流需求间的供需关系。 2．具有嵌套、多层、多级、多维、多准则、拥塞等典型的超网络结构特征，并且具有连接供需两个物流网络的超网络结构。 3．当实际需求为特定值时，物流服务追求的目标为用恰当的费用，在恰当的时间把恰当数量的恰当物品，经恰当的路线送到恰当的地点。 物流供应网络与物流需求网络之间的关系可由超网络结构进行刻画，用匹配度刻画物流服务与物流需求之间的适应程度。 2 国内外研究现状 目前，国内外学者对流线的组织与优化问题研究较少，与此问题相关的内容包括物流网络、物流网络分配、动线优化、超网络理论与应用、变分不等式算法及其在供应链网络中的应用等内容。 2.1 物流网络研究现状 国外的学者大都倾向从微观的企业角度去研究物流网络的资源配置和协调问题,如物流基础设施、市场竞争机制以及配送运输等问题。这类研究大多利用数学规划法、系统仿真法、启发式 *作者简介：张锦，男，教授。

专利检索方法介绍

专利检索方法介绍 引言 在科研中，经常会遇到要检索专利的问题，有时是为了了解某一技术的发展现状或查找某一技术解决方案收集技术资料，有时是为了防止某种新技术应用或新产品上市导致侵犯他人的专利而进行专利检索。那么，如何才能在互联网上快速而准确地找到我们所需要的专利信息呢，本文将结合我在专利查找方面的一些经验作一个介绍，同时也介绍几个互联网上常用的优秀专利数据库的检索方法。 一、专利检索目的 ●为判断申请专利的发明创造是否具有新颖性查找对比文献； 进行新颖性、创造性检索时首先是根据具体的技术内容，确定构成该发明的基本要素、基本要素的相互关系和发明的关键点。选择描述基本要素和发明的关键点的词汇，确定为该发明创造的技术主题词和关键词，同时找出每个主题词、关键词的同义词、缩略词等。根据主题词和关键词找出分类号；选择检索范围；分析对比文献；判断新颖性。 ●为了解某一技术的发展现状或查找某一技术解决方案收集技术资料； 为了解某一技术的发展现状或查找某一技术解决方案收集技术资料一般采用追溯检索，这种检索方式可以帮助了解前人在同一技术领域解决难题的具体方案，这种检索的方式可以考虑按技术主题或者是发明人、设计人、专利申请人、专利权人的名称找到特定的技术。 . ●为防止某种新技术应用或新产品上市导致侵犯他人的专利权进行检索； 这种检索被称为防止侵权检索，是指为避免发生专利纠纷而主动进行的专利检索。防止侵权检索在检索对象、时间范围、国家范围及检索结果的判定依据方面的要点是：①检索的对象为有效专利，只有有效专利才会被侵权；②检索的时间范围依各国专利保护期限而定。一般发明专利保护期限自申请日起20年，美国是自批准日起17年。③检索的国家范围依生产、销售产品的国家（地区）而定。④检索的结果判定，主要依据权利要求书。 检索的方法与新颖性检索的方法相似，属于主题检索。与新颖性检索的区别是只检索专利。 ●为宣告被控侵权的专利无效而查找证据； 当一项新产品或采用某项新工艺、新方法被指控侵权时所进行的检索即为被动侵权检索。被动侵权检索的步骤一般为：①确定是否为授权专利及是否为有效专利，如果没授权或已经失效，则终止检索，否则进入下一步工作；②分析是否属于侵权，阅读检索到的专利说明书的权利要求，与被控侵权的产品或方法的家属特征进行比较、分析，判断是否属于侵权。如果不侵权，终止检索，否则进入下一步工作；③为提无效诉讼而进行检索，具体检索方法与新颖性、专利性检索相同。 ●为确定某一专利是否为有效进行检索； ①专利有效性检索以号码为依据，如专利号、申请号、公开号、公告号等；②确定检索的国家（地区）范围；③查询专利的法律状态信息；④判断专利的有效性。

基于颜色特征的图像检索算法的实现

目录 摘要 (1) 关键字 (1) 1绪论 (1) 1.1 基于内容的图像检索的概念 (1) 1.2 基于内容的图像检索的发展历史 (1) 1.3 基于内容的图像检索的特点和主要应用 (1) 1.4 基于内容的图像检索的关键技术 (2) 1.5 国内外研究现状 (3) 1.5.1 国外研究现状 (3) 1.5.2 国内研究现状 (4) 2 基于颜色特征的图像检索方法 (4) 2.1 颜色度量体系 (4) 2.2 颜色空间 (5) 2.2.1 RGB颜色空间 (5) 2.2.2 HSV颜色空间 (5) 2.2.3 CMY颜色空间 (6) 3 颜色特征的表达 (7) 3.1 颜色直方图 (7) 3.2 累加直方图 (8) 4 图像特征的相似性匹配 (9) 4.1 距离度量方法 (9) 4.2直方图的交集的方法 (9) 4.3 欧式距离法 (9) 5 图像检索算法实现 (10) 5.1程序开发运行环境 (10) 5.2 程序检索逻辑 (10) 5.3 算法具体实现 (11) 5.4 实例演示 (14) 6 全文总结与展望 (15) 6.1 全文总结 (15) 6.2 展望 (15) 致谢 (15) 参考文献 (16) 英文摘要 (16)

基于颜色特征的图像检索算法的实现 摘要：文章介绍了一种基于颜色特征的图像检索技术的算法并给出了程序实现。首先介绍了基于内容的图像检索技术、发展历史及基于内容的图像检索技术的特点和主要应用，并在此基础上探讨了该领域所用到的一些关键技术。文章着重探讨了图像的颜色空间、图像特征提取及图像相似性度量等内容，并利用matlab技术实现了一个简单图像检索的程序。文章最后则对当前基于内容图像检索技术研究热点和今后的发展方向进行简单的阐述。 关键字：基于内容的图像检索；颜色特征；颜色直方图；相似度度量方法 1 绪论 1.1 基于内容的图像检索的概念 基于内容的图像检索[1]（Content Based Image Retrieval, CBIR）是一项从图像数据库中找出与检索式内容相似的图像的检索技术。它利用从图像中自动抽取出来的底层特征，如颜色、纹理、轮廓和形状等特征，进行计算和比较，检索出符合用户需求的结果图像集。目前图像检索系统技术实现的基础是对底层特征信息的计算和比较，也即是“视觉相似”。 1.2 基于内容的图像检索的发展历史 图像检索技术的发展[2]可以分为两个阶段，第一阶段始于70年代，当时的图像检索是通过人工的标注来实现的，随着计算机技术和通信网技术的发展，特别是因特网的快速发展，图像数据的容量越来越大了，这种“以关键字找图”的方法越来越不适应检索技术的发展了。由于图像内容的丰富内涵以及人们对图像内容进行抽象时的主观性不同的人对同一幅图像有不同的理解，这就引入了主观多义，不利于检索。为了克服文本标注检索的弊端，90年代研究者提出了基于内容的图像检索，其方法是:根据图像的颜色特征、纹理特征、形状特征以及空间关系等作为索引，计算查询图像和目标图像之间的相似距离，然后按相似度匹配进行检索，这种技术很大程度地利用了人们的视觉客观特性，避免不同人对图像主观理解的不同而达不到理想的搜索效果。从研究方向的层面来看，基于内容的图像检索可分为三层：第一层是根据图像的底层特性来进行检索，如颜色、纹理，形状等等，涉及图像信息处理、图像分析和相似性匹配技术；第二层是基于图像对象语义，如图像中实体及实体之间的拓扑关系的检索，对象级检索技术建立在下层特征基础上，并引入了对象模型库、对象识别和人工智能等图像理解技术；第三层是基于图像的抽象属性如行为语义，情感语义和场景语义的推理学习来进行检索。需要用到知识库和更加有效的人工智能和神经网络技术。这三个层次由低到高，与人的认知接近，下一个层次通常包含了比上一个层次更高级的语义，更高层的语义往往通过较低层的语义推理获得。尽管经过了多年的研究，较为成熟的基于内容的图像检索技术目前仍处于底层水平，由于底层研究是上层研究的基础，为了给上层建立准确、有效的图像特征提取方法，底层的研究仍在不断的发展。 1.3 基于内容的图像检索的特点和主要应用 基于内容的图像检索技术有以下特点[3]： 一是它突破了传统的基于表达式检索的局限，从媒体内容中提取信息线索。

专利检索方式及流程

专利检索就是科研立项和申请专利之前需要检索专利，以免重复研制，侵犯他人专利权，事先检索也可判断该项技术成果是否有可能获得专利权。可以去国家知识产权局专利文献馆手工检索专利，也可以用电脑上网检索或用专利光盘检索专利。 专利检索方式有哪些？

专利检索流程及检索技巧 (一)专利检索查新检索：对已申请专利但尚未授权的技术，或尚未申请专利的完整技术方案或申报项目，如国家863、973项目、国家发明奖、专利金奖、CCTV创新盛典等重点项目进行世界范围的专利检索和非专利文献检索，评价该技术的新颖性和创造性，出具检索报告，并提供对比文献的全文。 (二) 专利检索专题检索：根据客户的要求，针对某企业或某技术进行世界范围的专利检索，出具检索或技术分析报告，并提供检索出的相关专利的全文。 (三) 专利检索授权专利检索：对已授权的专利进行检索，评价该专利的新颖性和创造性，出具检索报告，并提供对比文献的全文。 (四) 专利检索香港短期专利检索：根据客户提供的专利申请文件或完整的技术方案进行检索，对检索出的相关文献的类型作出评价，并出具检索报告，香港特别行政区知识产权署根据报告中相关文献的类型做出是否给予登记注册香港短期专利的决定。

(五) 专利检索法律状态检索：检索各国专利的法律状态，得到专利目前是否有效等信息，为企业合并、合资等决策提供帮助;发现有价值的“过期专利”，既降低企业的研发成本，又可以增加企业的效益。 (六)专利检索同族专利检索：检索同一主题的技术在哪些国家或地区申请了专利，以确定这一技术的区域保护范围，了解专利权人的市场动向，同时得到这一技术的区域分布的空白点，为企业的产品出口等决策提供参考信息。 (七) 专利检索跟踪检索：根据客户的要求，对某技术、某企业的国内外专利进行定期检索，并提供检索出的相关专利的全文，使客户实时掌握最新的专利信息，了解相关技术的发展动向;有利于研发人员正确的运用专利技术加快创新开发，激发研发团队产生新的创意，及时调整研发方向。 (八)专利检索国际联机检索：使用国际商业数据库，对生物、医药和化学领域的相关技术进行检索，可使用化学结构式、化合物名称和CAS登记号等作为检索条件。 汇桔网有着全国各地资源商家，拥有大量知识产权专利网信息，提供线上线下全方位、分层次、一站式的创新创业服务，本文介绍的专利检索方式及流程，希望可以帮助您了解专利的相关知识，如果有进一步的需要可以移步汇桔网https://https://www.wendangku.net/doc/453375599.html,/ 哦！

Bag of features(Bof)图像检索算法

Bag of features（Bof）一种是用于图像和视频检索的算法，此算法的神奇之处，就在于对于不同角度，光照的图像，基本都能在图像库中正确检索。而写这篇文章的目的也就在于向大家介绍这种神奇的图像检索算法，也是给自己做个备忘。 BoF算法的思想。 Bof,即Bag of features，中文翻译为“词袋”，是一种用于图像或视频检索的技术。而检索就要进行比对。两幅不同的图像如何比对，比对什么，这就需要提炼出每幅图像中精练的东西出来进行比较。正如超市中的条形码，就能很好的反映出一件商品的所有特征。因此概括的来说，bof就是生成每幅图像的“条形码”来进行检索。 实验中，我们有一个包含100幅图像的小型图像库。然后再拿一些图像进行query，来找出库中与之对应的图像。 1.首先，我们用surf算法生成图像库中每幅图的特征点及描述符。 2.再用k-means算法对图像库中的特征点进行训练，生成类心。 3.生成每幅图像的BOF，具体方法为：判断图像的每个特征点与哪个类心最近，最近则放入该类心，最后将生成一列频数表，即初步的无权BOF。 4.通过tf-idf对频数表加上权重，生成最终的bof。（因为每个类心对图像的影响不同。比如超市里条形码中的第一位总是6，它对辨别产品毫无作用，因此权重要减小）。 5.对query进来的图像也进行3.4步操作，生成一列query图的BOF。 6.将query的Bof向量与图像库中每幅图的Bof向量求夹角，夹角最小的即为匹配对象。1.首先，我们用surf算法生成图像库中每幅图的特征点及描述符。

2.再用k-means算法对图像库中的特征点进行训练，生成类心。 3.生成每幅图像的BOF，具体方法为：判断图像的每个特征点与哪个类心最近，最近则放入该类心，最后将生成一列频数表，即初步的无权BOF。 4.通过tf-idf对频数表加上权重，生成最终的bof。（因为每个类心对图像的影响不同。比如超市里条形码中的第一位总是6，它对辨别产品毫无作用，因此权重要减小）。 5.对query进来的图像也进行3.4步操作，生成一列query图的BOF。 6.将query的Bof向量与图像库中每幅图的Bof向量求夹角，夹角最小的即为匹配对象。 其实思想也很简单，对吧~

图像检索

所谓bag of word认为 文档就是一个词的集合，忽略任何语法或者出现顺序关系。 摘要 本文描述一种物体和影像搜索方法,即搜索并将用户在一个影像中看到的大致图像的所有点局部化。物体是由一系列视觉不变的区域点来代表的，所以即使在视角、光照和空间闭合上发生了改变，图像还是能够被成功辨别出来。在某一个视觉内的图像的局部连续性被用于追踪某些区域点，以便排除易变的区域点和减少在描述过程中噪音的影响。 该方法与文本检索的类似之处在于对被预先计算（利用矢量化）的描述点的匹配方法，和反序的文件系统以及文档排序都被使用。结果是检索是即时的，利用谷歌的方式返回一个关键电影画面或者关键点的排序列表。 下面以匹配两个标准长度的故事片来阐述这个方法。 1.介绍 我们的目标是检索出在包含了一个在位移、速度和精确度上都具有特殊性的物体的视频里面的关键电影画面和点，正如谷歌也利用位移、速度和精确度来检索包含了关键字的文本文档（网页）。该论文研究的是文本检索方法是否能够被成功应用于物体识别。 识别图像库里的一个（可识别的）物体的技术，现在已经大致成熟，但仍存在一些值得攻破的难题，因为视角和光照或者局部损坏，一个物体的视觉外观可能会非常不同，但是成功（识别）的方法现在还是存在的。一个物体通常由一系列交叉区域来表示，每个区域又由通过计算区域外观所得的一个矢量来表示。这个区域段和描述点是依据在一定视角和光照条件下设定的等级可控的空间不变性来构建的。类似的描述点被计算以供数据库里面的所有图像使用。通过描述向量的就近匹配，或者本地空间连贯性（例如邻接点、顺序或者空间布局）进行排歧，又或者全局关系（例如对极几何）来识别一个特定的物体。 例子包括[5, 6, 8, 11, 13, 12, 14, 16, 17]。 我们探索的是这类识别方法是否像文本检索那样被重铸。实际上，这要求一个单词的视觉类比，在这里我们通过矢量化描述向量提供这种类比。然而，人们将看到，现在做得更多的是与文本检索进行类比而不是在不同的向量矢量化（算法）上进行最优化。目前有很多在文献检索中已经被学习和发展了的经验教训和翻阅规则，这些值得被进一步确定是否同样能够应用于视觉检索中。 这种方法的好处是通过预计算，匹配是有效的，因此在包含任何特定物体的电影画面和视觉中，检索是无延迟的。这意味着任何出现在视频中的物体（包括多个物体的同时出现）都能够被检索出来，即使这些物体在构建对视频的描述时并没有明显的用处。然而，我们还是必须确定这些已经被矢量化了的向量是否遗漏了任何匹配，而这些匹配恰恰是使用最近邻接匹配的前一种方法能够获得的。 文本检索的回顾：文本检索系统一般采用的是一系列标准的步骤。文档首先被解析为一个个单词，然后这些单词用它们的原始词表示，比如单词“walk”、“walking”以及“walks”均被表示为“walk”。第三步，建立一个（索引中不列出的）省略词语表用来排除非常常用的单词，如“the”和“an”，这些几乎在大部分文档中都会出现，所以在一篇特定的文档中不再识别它们。那些剩下的单词则被指定一个唯一的识别符，然后每篇文档被表示为依据单词在文档中的出现频率得出的一个向量。此外用多种方法去权衡向量的构成部分（第4节将详细介绍），在谷歌的解决方案中，一个网页的权值由该网页的链接数来决定。所有以上步骤在实际检索前进行，表示文献库里面的所有文档的向量集被像一个反向文件那样组织以便帮助有效的检索。一个反向文件在结构上像一个理想的书目，反向文件中有每个单词在文库中的入口和所有文档的列表（以及单词在某一篇文档中出现的位置）。 通过计算由单词频率得到的向量来检索文本，并返回拥有最接近向量集（通过角度来测

基于内容的图像检索算法与系统

摘要 随着计算机技术的发展，计算机视觉图形和数字图像的数量越来越多。面对海量的图像资源，快速有效的图像检索方法成为了近年来研究的热点。 论文主要研究了颜色、纹理和形状三种特征提取算法，并实现了基于内容的图像检索系统，能独立完成对数字图像的处理，实现以图搜图的检索功能。其中的颜色特征提取采用颜色直方图和颜色矩特征算法，通过像素统计、多维矩阵运算量化图像颜色特征并进行图像匹配；纹理特征提取算法可通过图像灰度共生矩阵提取能量、熵、逆差矩等特征进行相关处理并检索；此外，还增加了基于形状的特征提取算法，将图像二值化后提取其Hu不变矩进行处理，其结果用于修正和优化颜色或纹理的检索结果。图像特征比对采用空间节点自适应处理后的欧氏距离进行运算，以保证多特征检索时的加权稳定性。 图像检索系统在VS2008运行环境下进行C++程序开发，有面向用户的操作面板，可根据需求自定义实现单一特征检索和综合多特征的联合检索。与以往图像检索系统相比支持多种算法及结果修正并集成了多种参数显示，性能更加稳定。 关键字：颜色特征纹理特征形状特征图像检索

Abstract With the development of computer technology, the number of Computer graphics and Digital images are more and more. Facing the large amount of Image resources, fast and effective image retrieval method becomes a hot research topic in recent years. This research is mainly about color、shape and texture of Content-based image retrieval system which can accomplish the digital image processing independently to achieve the function of the image search by images. The color feature extraction method uses color histogram and color moment characteristics of the algorithm, it relies on pixel statistics method and multidimensional matrix method to obtain the image color features for image retrieval; Texture feature extraction algorithm calculates the image gray level co-occurrence matrix and gets the Energy、Entropy and the Inverse Different Moment for better search; Besides, the research adds the shape characteristics of the algorithm which can get the binary image and extract the Hu invariant moment to optimize the results. the methods of comparing images depend on the Euclidean distance after adaptive space node processing so that the system can be more stable. The system application development relies on the visual studio 2008 with MFC. It contains the user oriented operation panel which can finish single retrievals or integrated retrieval according to the demand of the user. Compared with the previous image retrieval system, it supports a variety of algorithm and amends results of single search. It can also show all parameters about the retrieve with stable performance. Key words：ColorTextureShape Image Retrieval

专利检索专利检索方法简介

专利检索/专利检索方法简介 1、IBM专利网站：https://www.wendangku.net/doc/453375599.html, 在该网站可免费检索并下载美国、欧洲、日本、及PCT等专利的书目及全文信息，检索结果全面。 1.1 已知专利号（以专利号US612254的专利检索为例） （1）进入后，在下方选择“patent number”检索方式，从下拉表中选择专利的国家和地区，并输入专利号码 （2）点击检出记录的专利号，可看到专利说明书和权利要求书的简要文本，点专利名称下的“expand details”链接展开某些项目，有专利的说明书和权利要求书的全文，其中点“view images”图标可看到专利说明书和权利要求书的PDF文件，但必须一页页的打印，下载后似乎无法正常浏览。 1.2 已知关键词（以“ FIBER RESONATOR RING LASER”为例） （1）点击“Alternative Searches”中的“Boolean Text”进入布尔检索界面 （2）从下拉式按钮中可选择检索词所在的字段，主要有： All Fields、所有字段 [IN] Inventor、发明者 [PA] Assignee 专利权人 [TI] Title 专利名称 [AB] Abstract 文摘 [AN] Appl. Number 申请号 布尔运算符有三个，可用下拉式按钮选择： and 与or 或and not 非 本次检索的检索式为“(FIBER RESONATOR ) and (RING LASER)”得到13 条结果记录，若用“FIBER RESONATOR RING LASER”/All Fields则无结果，若用“[AB] Abstract”分别限定(FIBER RESONATOR ) 和(RING LASER)，即“( (FIBER RESONATOR ) AB) and ( (RING LASER) AB)”得到1条结果记录。具体检索时可根据结果情况调整检索条件。

教你正确的专利查询方法

教你正确的专利查询方法 技术的不断发展以及社会发展的需要，使越来越多的发明人通过申请专利保护自身利益，一份有效检索报告可以让申请人避免所要保护的权利不与已申请的专利权利相同或相近，保证所申请的专利是有效的，所以我们有必要进行查询专利，但如何正确查询专利呢? 专利查询分为三个主要方面，分别是查询步骤，查询对比和专业查询，而专业查询又分为两个方面，专业查询具体流程和专利阅读分析。 在查询步骤上来说，我们要分析所要查询专利的类型，找到正确查询途径。在中国，专利类型分为发明、实用新型、外观专利三种，我们只有确定大概查询专利的类型，才能有效地进行查询。我们可以在国家知识产权局网公开的数据库中进行一般查询;当然，不太熟悉的话，也可以委托专利检索中心进行专业的查询。已经有专利号/申请号的话，以直接在专利号/申请号一栏里输入即可。 另外，为了对比专利是否相似，要对专利进行检索，可以通过SooPAT 专利搜索平台进行操作，为了查询对比结果更准确专业，最好找专业的代理机构代为办理。 在专利查询具体流程中，要选择适合的专利数据库。专利具有地域性，若创造发明者的技术或是技术延伸商品想要在某一个国家排除他人、使用、出售与制造等，那么就需要在该国申请专利保护同时为了不浪费时间和不同资料库所使用语言与语法的不同而有所误差，我们就需要选择综合性强、数据资料多的源文件库。专利查询过程中有一个很基本的步骤便是拟定关键词。其中拟定关键字方式有五项，分别为1. 基本关键字拟定(研究者)、2. 同义字扩充(研究者)、3. 上位用语扩充(专利工程师)、4. 公司名称合并(IT工程师)与5. 时间与技术分类限缩(专利检索人员)。 专利查询是一种手段和过程，检索到资料之后的阅读分析才是目的和重要之处。 一旦上述查询程序得以完成，我们便可利用专利检索所得的结果，进行专利阅读与分析工作。 如果想申请专利，建议之前进行专利查询，那样，可以更好保护自身的利益。

中文专利检索方法

中文专利检索方法 （注：以下资料来自“华中理工大学图书馆”） 一.简介 中文专利的主要检索工具书有《国际专利分类表》、《国际外观设计分类表》、《中国专利索引》（每季度出版一套。每套由《国际专利分类号索引》，《申请人、专利权人索引》及《申请号、专利号索引》三部分组成），《发明专利公报》（架号F-14）,《实用新型专利公报》（架号S －15），《外观设计专利公报》（架号W－100）等。三种公报均为周刊。 在检索专利之前，首先要先了解国际专利分类号的含义。 举例说明：国际专利分类号A01B 1／02 A――部的类号，每个部由A到H 中的一个大写字母标明 A01――大类的类号，它由部的类号及在其后加上两位数字组成 A01B――小类的类号，它由大类类号加上一个大写字母组成 A01B 1（或A01B 1／00）――大组类号，由小类类号加上一个一位到三位的数及“／00“组成 A01B 1／02――小组的类号 更细一级的分类则以点表明，如：A01B 1／02 ··××× 其次要了解《国际专利分类表》分为九个分册 A分册――人类生活必需 B分册――作业、运输 C分册――化学、冶金 D分册――纺织、造纸 E分册――固定建筑物 F分册――机械工程、照明、加热、武器、爆破 G分册――物理 H分册――电学 第九分册――使用指南 最后就公开号、申请号、卷期号做几点说明 公开号如“CN1050324A” CN――代表中国 CN后紧跟的一位数字如果是“1”表示发明专利，“2”表示实用新型专利，“3”表示外观设计专利，最后一个字母如果是“A” 表示发明专利申请公开，是“C” 表示发明专利授权，是“Y”表示实用新型专利授权，是“D”表示外观设计专利授权。 索引中的卷、期号为发布该申请案的专利公报的卷、期号，1985年发布的专利公报为第1卷，86年的为第2卷，依此类推，1998年为第14卷。 二.发明专利、实用新型专利检索方法 首先确定专业方向，以便决定在哪个分册查找到所需专利分类号 举例如下： 想要查找有关污水处理方面的专利，在C分册化学、冶金分册里确定专利号。 首先翻到第1页“本部内容”里找到污水处理的大类号C02 C02 水、废水、污水或污泥的处理 (21)

国外专利检索方式方法总结

专利就是以法律对其独占性进行保护而换取专利的公开,所以通过审查的所有专利都要公开,换句话说,就是都可以从专利网站上下载到. 欧洲专利局网站(https://www.wendangku.net/doc/453375599.html,) 美国专利商标局(https://www.wendangku.net/doc/453375599.html,)都能查到各自相关专利. https://www.wendangku.net/doc/453375599.html,能查到欧洲专利和在欧洲申请的美国专利(US)和世界专利(WO). 专利一般是实用的方法的汇总，高质量的专利说明书，提供了具有经济价值的文献。但是不能迷信专利，由于技术竞争的需要，有些国家的专利质量相当的差，许多说明书是假的。尤其在中国，专利一般被当成一种忽悠的工具，包装产品具有“科技含量”的手段和向政府交差的途径，所以中国的专利按目前我的经验，有95%是假的，或者是没有科技含量的。中国的专利如同中国的期刊上发表的文章报道的反应产率一样，可靠性很差。由于中国没有规定专利要有高科技含量，所以中国的许多专利不是原创新的东西，很多是“组合物”专利。由于配方的弹性可能很大，所以这些低水平的组合物专利意义也就不大。不过不大归不大，毕竟有点“影儿”，有一定的提示作用。中国的专利可以直接登陆国家知识产权局下载全文。遗憾的是，落后的中国所供养的垃圾专利工作人员，竟然把专利说明书单页存放，每下载一个10页的说明书，需要点击100次以上的鼠标，其繁琐程度可想而知。之所以这样做，肯定不是技术问题，而是某些人的利益？因为中国一度有出卖专利技术文件的网站，打着“国家”服务部门的幌子，提

供专利查询服务。在此也强烈呼吁中国知识产权局某些阻碍科技进步的人不要搞“自封”，尽早把专利全部放开，将每个专利说明书打成一个文件包裹。如同美国一样，专利文件就用pdf文件自由下载，还会有哪个小公司能够用此谋取不正当利益呢？ 美国专利。美国专利的质量就犹如美国的科学文献一样，质量相当的高。对于搞合成的人，查到的美国人申请的专利，基本上能够重复出来。不过美国专利有许多外国人申请的，假如是日本人申请的美国专利，那可信度就大打折扣了，因为日本专利忽悠的比中国一点都不低，对专利的公开程度可能不够或者隐瞒、歪曲了正确的方法。近年的美国专利可能也有真实度下降的趋势。但是总的讲1980年以前的美国专利我曾经重复了好多，都能原原本本重复出来。美国专利查询可以直接登陆美国国家政府网站，也可以登陆www.freepatentsonli https://www.wendangku.net/doc/453375599.html,注册后该网站非常好用。 欧洲专利。https://www.wendangku.net/doc/453375599.html,/advancedSearch?loc ale=en_epES比较著名的就是法国、德国、西班牙、比利时、英国等国家专利。欧洲的科技发展水平很高，所以专利质量也很高，原创性很强。但对于我们最大的障碍就是法语，西班牙语，德语等语言屏障。不过现在网络的通行，语言屏障可以用网络的在线词典来轻易解决。一来，拉丁语系有一定的相似性，尤其许多专业词汇与英文词汇一样或者相近加上专业的“感觉”，可以大致的把这些国外专利的主要内容做到心中有数。遇到不会的词可以到专业的词典网站进行翻译。欧洲专利网站由欧洲专利局提供，可用于检索欧洲及欧洲各国的专

专利检索常用方法(一)

我们先来看一个例子，这个例子是检索“带有贮水器的花盆”这一技术主题的中国专利文献， 用的检索工具是连颖智慧的IPTECH。 检索实例 1.用“贮水器”、“花盆”作为关键词，检索“名称”字段，TTL:(贮水器) AND TTL:(花盆)，命中0篇； 2.调整字段，考虑到“花盆”是核心概念，“贮水器”是限制花盆的词，因此把“贮水器”调整为“名称+摘要”字段，TA:(贮水器) AND TTL:(花盆)，命中10篇； 3.从检索结果中获取更多检索要素，统计分类号结果，可以发现A01G009是最接近的分类号，浏览分类号和检索结果，可以找到“A01G027”、“容器”、“花箱”、“器皿”、“储水器”等更多检索要素； 4.获取到更多检索要素后，修改检索式，(TACD:(盆 OR 花箱) OR IPC:(A01G009)) AND (TACD:(贮水器 OR 储水器 OR 容器) OR IPC:(A01G027))，命中62023件； 5.快速检索结果发现，大部分噪音是关键词“容器”和“盆”带来的，同时也发现了更多检索要素，如“花缸”、“花槽”、“花钵”、“栽培容器”；

6.修改检索式，(TACD:(花盆 OR 花箱 OR 花缸 OR 花槽 OR 花钵 OR 栽培容器) OR IPC:(A01G009)) AND (TACD:(贮水器 OR 储水器) OR IPC:(A01G027))，命中13836件； 7.重复第5步、第6步，直到检索结果符合要求。 以上是我们在日常检索中最常用到的检索方式，其包含简单检索和网鱼检索的基本原理。简单检索是一种注重快速性的检索，其只使用基本的关键词或分类号，并且不需要扩展，检索字段也只涉及名称或摘要，例子中第1、2步用到了简单检索。 网鱼检索一般包括了简单检索，即先通过简单检索产生初步检索结果，然后从结果中挖掘新的检索要素，多次调整并逐步完善检索。

专利检索评价报告及技术信息检索方法

专利检索评价报告及技术信息检索方法 专利技术信息检索方法 1.专利技术信息检索的课题分析 进行专利检索技术信息检索的第一步就是课题分析。课题分析的目的是确定准备检索的课题是否属于专利技术信息检索，区别检索的主题是关于产品、生产产品的方法还是生产产品的设备。 1)区别检索种类 进行专利检索技术信息检索，首先要确定准备检索的主题是否属于专利技术信息检索。 专利技术信息检索和新颖性检索都属于技术主题检索。由于专利技术信息检索应用范围很广，因此许多人常把专利技术信息检索和新颖性检索搞混，区别不出究竟自己所作的检索是哪一种，甚至把专利技术信息检索说成是新颖性检索。

要确定是否属于专利技术信息检索的方法，就要看被检索课题的特征。专利技术信息检索课题的基本特征是：有明确的检索技术主题，但没有明确的技术解决方案；而新颖性检索的基本特征是：不仅有明确的检索技术主题，而且还有明确的技术解决方案。专利技术信息检索的目的就是要找到检索技术主题的技术解决方案。 由于检索者在进行专利技术信息检索时并不知道所检索的检索技术主题的具体技术解决方案，因此在确定检索词时，应多选择上位概念词，以保证检索的检全率。 2)区别主题种类 要区别检索的主题是关于产品、生产产品的方法还是生产产品的设备，或者是三者都需要。 专利信息数据库中收录的是发明创造专利，而发明创造技术主题主要涉及两大类型：产品发明和方法发明。产品发明有：物品（如机械、器具、装置、设备、仪器、部件、元件等），材料（如合金、玻璃、水泥、油墨、涂料、组合物等）；方法发明有：产品的制造方法（如产品的机械制造方法、化学制造法和生物制造法等），其他方法（如通信方法、测试方法、计量方法、修理方法、使用方法等）。

教你正确的中国专利检索方法

教你正确的中国专利检索方法 专利检索对于企业或个人而言，意义重大。因为专利众多，且具有优先权的特征，你能想到做到的发明专利，别人也有可能做到，所以任何个人和企业在申请专利前，都应认真检索自己的想法是否已经被别人实现，是否专利已经出现在世界各大专利局的数据库中而不自知。 专利检索有纸件检索、软件检索和网上检索三种途径。 1、纸件检索：纸件载体是主要的专利文献形式，也是检索的主要对象，纸件检索所查资料一般最不容易出错，最具有证据效力，但其在专利检索过程中效率低，费时费力，容易散失损坏，而且由于印刷发行周期长，最新的资料检索比较困难。 2、软件检索：软件检索通常包括缩微胶片式、计算机磁介质及光盘专利文献检索。随着计算机技术的发展和普及，光盘数据库在专利检索及专利全文的获取中发挥了重要的作用。光盘检索虽然较快，但是光盘检索的有限共享性限制了其使用范围，而且更新的速度也有一定的限制。 3、网上检索：速度快、内容新、但不具有法律效力，如要作为证据使用，需要有关部门出示相应的证明，或通过法定认可的部门检索后下载并予以证明才具有法律效力。 网上中国专利检索可以通过多个网站进行，有收费网站也有免费网站。 1、中国国家知识产权局网站： (1)字段检索： 系统提供了16个检索字段，用户可根据已知条件，从16个检索入口做选择，可以进行单字段检索或多字段限定检索。 (2)IPC分类检索 IPC分类导航检索即利用IPC类表中各部、大类、小类，逐级查询到感兴趣的类目，点击此类目名称，可得到该类目下的专利检索结果（外观设计除外）。

IPC分类导航检索同时提供关键词检索，即在选中某类目下，在发明名称和摘要等范围内再进行关键词检索，提高检索的准确性。 2、中国专利信息网 3、SOOPAT专利搜索引擎 4、佰腾网专利检索系统 5、专利之星-专利检索系统（该系统前身为CPRS专利检索系统，由国家知识产权局中国专利信息中心研发，多年服务于专利审查业务。）

中文专利检索方法

中文专利检索方法 一.简介 中文专利的主要检索工具书有《国际专利分类表》、《国际外观设计分类表》、《中国专利索引》（每季度出版一套。每套由《国际专利分类号索引》，《申请人、专利权人索引》及《申请号、专利号索引》三部分组成），《发明专利公报》（架号F-14）,《实用新型专利公报》（架号S－15），《外观设计专利公报》（架号W－100）等。三种公报均为周刊。 在检索专利之前，首先要先了解国际专利分类号的含义。 举例说明：国际专利分类号A01B 1／02 A――部的类号，每个部由A到H 中的一个大写字母标明 A01――大类的类号，它由部的类号及在其后加上两位数字组成 A01B――小类的类号，它由大类类号加上一个大写字母组成 A01B 1（或A01B 1／00）――大组类号，由小类类号加上一个一位到三 位的数及“／00“组成 A01B 1／02――小组的类号 更细一级的分类则以点表明，如：A01B 1／02 ··××× 其次要了解《国际专利分类表》分为九个分册 A分册――人类生活必需 B分册――作业、运输 C分册――化学、冶金 D分册――纺织、造纸 E分册――固定建筑物 F分册――机械工程、照明、加热、武器、爆破 G分册――物理

H分册――电学 第九分册――使用指南 最后就公开号、申请号、卷期号做几点说明 公开号如“CN1050324A” CN――代表中国 CN后紧跟的一位数字如果是“1”表示发明专利，“2”表示实用新型专利，“3”表示外观设计专利，最后一个字母如果是“A” 表示发明专利申请公开，是“C” 表示发明专利授权，是“Y”表示实用新型专利授权，是“D”表示外观设计专利授权。 索引中的卷、期号为发布该申请案的专利公报的卷、期号，1985年发布的专利公报为第1卷，86年的为第2卷，依此类推，1998年为第14卷。 二.发明专利、实用新型专利检索方法 首先确定专业方向，以便决定在哪个分册查找到所需专利分类号举例如下： 想要查找有关污水处理方面的专利，在C分册化学、冶金分册里确定专利号。 首先翻到第1页“本部内容”里找到污水处理的大类号C02 C02 水、废水、污水或污泥的处理 (21) C02F 水、废水、污水或污泥的处理 (21) 如上所示，污水处理的小类号为C02F，所在页码为21。翻看21页，可以找到如下信息 C02 水、废水、污水或污泥的处理 C02F 水、废水、污水或污泥的处理 1／00 水、废水或污水的处理 1／02 ·加热法 1／04 ‥蒸馏或蒸发