信息检索基本概念简述

从广义上讲，信息检索是一种有目的性和组织性的信息存取活动，包括信息的“存储”和“检索”两个部分。其中，前者主要研究如何将各种异构、海量、无序的信息进行有效的组织和存储，存储的内容可以是文献的书目信息、文摘或全文等文本信息，也可以是图像、音频或视频等多媒体信息；后者则是面对用户提出的各种检索需求，快速、准确地查找到相关信息，相应地，检索方式可以是文献的作者、提名、关键词等，也可以是图像的颜色和形状、一段乐曲、一个关键帧，等等。

基于文本的信息检索在存储和检索的过程中都包括了文本信息，是信息检索领域的一个重要组成部分，主要分为纯文本信息检索和基于文本的多媒体检索两个方面，分别介绍如下:

(1)纯文本信息检索较早被提出，从早期的结构化书目信息检索，到当前的无结构或半结构化的自由文本检索，从关键词检索，到基于概念的语义检索，一直都是较为热门研究方向。

(2)基于文本的多媒体检索(也称为基于关键字的多媒体检索)是指:用户提交一个或多个查询关键字，就可以检索到与关键字在语义上相关的图像、音频、视频等多媒体信息。例如:提交关键字“爆炸”，可以找到“爆炸”的图像、音频和视频。从本质上讲，基于关键字的多媒体检索是对存储的多媒体信息建立文字索引，在检索的过程中，根据用户提交的关键字与文字索引之间的匹配结果，查找相应的多媒体信息，因此，也属于基于文本的信息检索范畴。

不论是何种类型的信息检索，在系统实现时主要包括四个关键步骤，即:预处理、建立索引、查询处理、搜索算法。分别介绍如下:(www.xing528.com)

(1)由于数据的种类和来源各不相同，如:结构化的书目信息、半结构化的网页数据、非结构化的多媒体数据，等等，因此，在建立数据库时需要进行预处理。预处理的主要任务是提取出结构化特征、统一编码转换等。例如:从网页数据集中提取正文、链接信息，从图像数据集中提取颜色、纹理、形状等特征，并形成结构化的视觉特征向量。

(2)为了快速找到所需信息，可以对数据集建立索引。例如:用关键词对文档建立索引，根据音频特征对视频片段建立索引，等等。此外，B+树、TRIE树、哈希表也都是常用的索引方法。

(3)用户在提交查询请求时可以有多种方式，包括:关键词、自然语言形式表述的语句、布尔表达式等，计算机需要对此进行分析和处理，以更准确地理解用户的查询意图。例如:可以以同义词为依据，对用户的查询请求进行扩展，当用户提交“电脑”作为查询请求时，“计算机”也会作为相关结果返回。

(4)在上述工作的基础上，搜索算法用于从数据库中找到最相关的信息，并返回给用户，其中相似度的计算和检索结果的排序是两大关键技术问题。例如:基于Web链接的PageRank算法、基于向量空间的距离计算方法，以及基于语义空间的相似度算法，等等。