1.4 布尔检索模型

检索模型是判断文档内容与用户查询相关性的核心技术，以大规模网页搜索为例，在海量网页中与用户查询关键词相关的网页可能会有成千上万个，甚至更多。那么信息检索系统是如何判断网页和查询关键词是相关的？内部的排序模型是怎样的？

布尔检索法是指利用布尔运算符连接各个检索词，然后由计算机进行逻辑运算，找出所需信息的一种检索方法。布尔检索模型的数学基础是集合论，在该模型下每篇文档被看成是一系列词的集合。

布尔检索模型中主要有AND、OR、NOT三种逻辑运算，布尔逻辑运算符的作用是把检索词连接起来，构成一个逻辑检索式。

● AND（或*）：逻辑与，用来表示其所连接的两个检索项的交叉部分，即检索词的交集部分。

例如检索同时含有关键词A和B的集合：A AND B

● OR（或+）：逻辑或，用于连接并列关系的检索词。

表示查找含有检索词A和B之一，或同时包含检索词A和B的信息：A OR B

● NOT（或-）：逻辑非，排除不需要的和影响检索结果的概念。

表示含有检索词A并且不含有检索词B的信息：A NOT B

运算符之间的优先级：NOT > AND > OR，如检索表达式：中国NOT日本AND歌曲OR小说，搜索结果为：名字包含中国但是不包含日本的歌曲或者小说。

利用小括号“()”可以设置个性化的检索方程，例如检索出不包含日本在内的有关教育或法律方面的大学：

     （university OR college）AND（education OR Law）NOT  Japan

对表1-5的文档集建立单词-文档矩阵，如果单词在文档中出现则记为1，单词没有在文档中出现则记为0，结果如表1-6所示。

单词-文档矩阵从行来看，每一行是一个行向量，对应每个词项的文档向量，表示该词项在哪些文档中出现，在哪些文档中不出现；从列来看，每一列是一个列向量，对应每个文档的词项向量，表示该文档中哪些词项出现了，哪些词项没有出现。

如果想要查询包含“谷歌”“开源”但不包含“大会”的文档，构造布尔查询：

        谷歌AND开源NOT大会

分别取出“谷歌”“开源”以及“大会”对应的行向量，对“大会”对应的行向量取反算：

        谷歌：    0   1   0   1
        开源：    0   1   0   1
        大会：    1   0   0   0（取反：0  1  1  1）

然后进行与运算：

        0101 AND  0101 AND 0111=0101

结果向量中第2和第4个元素为1，文档2和文档4是符合查询条件的结果。

布尔检索模型简单直观，有以下优点：

第一，与人们的思维习惯一致：用户可以通过布尔逻辑运算符“AND”“OR”“NOT”将用户的提问“翻译”成系统可接受的形式。

第二，布尔逻辑式表达直观清晰。

第三，方便用户进行扩检和缩检：用户可通过增加逻辑“与”进行缩小检索，增加逻辑“或”进行扩展检索。

第四，易于计算机实现：由于布尔检索是以比较方式在集合中进行检索的，返回结果只有1和0，易于实现，这也是现在的各种检索系统中都提供布尔检索的重要原因。

布尔检索模型的缺点：

第一，它的检索策略只基于0和1二元判定标准。例如，一篇文档只有相关和不相关两种状态，缺乏文档分级（rank）的概念，不能进行关键词重要性排序，限制了检索功能。

第二，没有反映概念之间内在的语义联系。所有的语义关系被简单的匹配代替，常常很难将用户的信息需求转换为准确的布尔表达式。

第三，完全匹配会导致太少的结果文档被返回。没有加权的概念，容易出现漏检。