如果将不同语种的语言看成不同类型的多媒体数据，则跨语言检索可以作为一种特殊的跨媒体检索研究。跨语言检索通常采用线性降维的方法，监督式地学习不同语言(如英语和德语)的训练样本集，计算样本间的统计关系，然后将训练集中所有的词汇和文档全部投影到一个子空间之中，根据子空间中文档和词汇的坐标进行距离计算，从而实现不同语言间的跨语言检索。跨语言检索与跨媒体检索有共同之处，就是不同语种的语言在特征属性上存在异构性，无法直接根据不同语言文档的文本特征进行相似度匹配。
隐性语义索引(Latent Semantic Index，LSI)是一种传统的跨语言检索算法。不同语言的文档，以及文档中的常用词汇经过LSI方法处理后，全部被映射到一个子空间中，如图7-1所示，是LSI方法的一个示意图。
图7-1 基于LSI方法的跨语言检索示意图(www.xing528.com)
进一步地，不同语种的文档经过隐性语义索引之后，可以得到一个统一的索引表达方式，当用户提交查询请求时，搜索引擎计算查询所含有的词汇与数据库中文档词汇的关联权值，进行排序后返回最符合查询要求的文档。即使查询条件和数据库文档不含有共同的关键词，只要两个文档之间在语义上接近或者相关，LSI方法也能检索出来。所以，LSI方法在实现跨语言检索时，不要求严格匹配，而只需在概念上进行匹配即可。
举例而言，数据库中有“汽车”相关的文档，采用LSI方法进行文档处理时，就会将“汽车”这一语义概念经常涉及的“换挡”、“制动”和“油门”等词汇进行关联，赋予这些词汇较大的关联度。因此，当用户查询“换挡”的时候，搜索引擎不但可以返回一组包含“换挡”这个词汇的文档，还可以把虽然不含“换挡”，但含有“油门”的文档也返回给用户。
跨语言检索的基本思想被成功移植到多媒体检索领域。例如:在视频内容的检索方面，可以将跨语言检索中的文档-词汇共生矩阵分析法，用于视频新闻中转录文本和互联网页面中的文字进行关联度分析，实现视频内容和互联网页面在文本特征上的相似度匹配。在图像检索方面，一些研究者受跨语言检索的启发，训练关联模型对图像进行语义标注，实现文本-图像的检索。此外，图像语义标注和机器翻译都可以看成跨媒体检索的特例，因为这些研究学习了不同类型的多媒体数据共同出现的概率，并根据概率大小排列检索结果，实现用文本检索图像。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
