[发明专利]基于内容的信息检索方法

说明书

本发明公开了一种基于内容的信息检索方法，包括：离线训练过程：通过随机加权的方式在在原有测度空间的基础上生成一系列新的测度空间；逐一利用每一新的测度空间对样本库中的信息进行聚类获得视觉单词；将样本库的每个信息量化到相应的视觉单词，每个视觉单词记录相应信息的序号，从而构成一系列的倒排表；在线检索过程：逐一选择倒排表，将待查询的信息量化到对应的视觉单词中，获得相应的序列；将获得的所有序列合并，并去除重复的序号，形成新的序列，也即候选集合；在待选集合中进行全局的检索，设定阈值，按照距离大小，获得检索结果。通过使用本发明公开的上述方案，可以提高检索结果的准确性。

技术领域

本发明涉及信息检索技术领域，尤其涉及一种基于内容的信息检索方法。

背景技术

基于内容的信息检索是(Content-Based Information Retrieval)现代信息服务的一个重要内容，具有重要的研究意义和应用价值。一个基于内容的信息检索系统主要完成的目标为：给定一个查询文件(包含但不限于文档、声音和图像等类型)和一个包含大量文件(包含但不限于文档、声音和图像等类型)的数据库，该系统能够快速准确地在数据库中查找到与查询文件内容相近的文件，返回给用户。

基于内容的信息检索技术最初用于图书、文献检索方面，现广泛应用于军事、工业、医疗、航空、政府机关等各个方面。由基于内容的文档检索引申而来的基于内容的图像检索在互联网时代有着重要的应用价值，从图像的表达与特征提取，到图像间相似度计算，高维向量最近邻搜索问题等都是研究的热点。目前著名的搜索引擎包括Google、百度、必应等。

现代检索技术中最常用的索引方法为倒排索引。由于目前数据库的规模越来越庞大，查找向量与数据库中向量逐一比对会耗费无法容忍的时间。所以在检索系统中常常采用索引技术来减少搜索时间，避免逐一比对，即可完成检索任务。

在Google等搜索引擎中，一篇文章或者图像会被表征为一个向量。现有的多倒排索引技术最好的是KLSH方法。该方法主要采用聚类算法(例如k-means算法)对样本空间进行聚类，聚类中心为单词，利用单词构建倒排表。KLSH方法会对空间多次量化，每次量化kmeans都会重新初始化。但是该方法在相同速度下准确率偏低，很难达到实时检索的要求，其速度也不是令人满意。其主要原因在于各个倒排表之间过于相似，存在较多的冗余信息，同时因为量化不精细，丢失了部分真正准确的信息。

发明内容

本发明的目的是提供一种基于内容的信息检索方法，提高了检索结果的准确性。

本发明的目的是通过以下技术方案实现的：

一种基于内容的信息检索方法，包括：

离线训练过程：通过随机加权的方式在在原有测度空间的基础上生成一系列新的测度空间；逐一利用每一新的测度空间对样本库中的信息进行聚类获得视觉单词；将样本库的每个信息量化到相应的视觉单词，每个视觉单词记录相应信息的序号，从而构成一系列的倒排表；

在线检索过程：逐一选择倒排表，将待查询的信息量化到对应的视觉单词中，获得相应的序列；将获得的所有序列合并，并去除重复的序号，形成新的序列，也即候选集合；在待选集合中进行全局的检索，设定阈值，按照距离大小，获得检索结果。

由上述本发明提供的技术方案可以看出，1)基于不同测度空间的倒排表保证了其不相关性，去除了原有技术存在的信息冗余；2)将原有的测度空间扩充为加权测度空间，极大地丰富了测度空间的多样性，为倒排表的互补提供了多种可能；3)多测度空间的最佳组合反映了待查询向量与数据库之间的深层次联系，并且更加符合真实情况。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。