劉斌 陸堯

摘 ?要： 為了提高多載體圖書信息檢索能力，提出多載體圖書信息鄰近似目標(biāo)精細(xì)化檢索系統(tǒng)設(shè)計(jì)方案。采用分位數(shù)回歸模型構(gòu)建多載體圖書信息篩選模型;采用關(guān)聯(lián)信息熵特征提取方法進(jìn)行多載體圖書信息的近鄰特征挖掘，提取多載體圖書信息的關(guān)聯(lián)語(yǔ)義特征量;利用語(yǔ)義本體特征重構(gòu)方法進(jìn)行多載體圖書信息的檢索和篩選識(shí)別，分析多載體圖書信息的輸出高維特征信息;采用鄰近相關(guān)性檢索方法實(shí)現(xiàn)多載體圖書信息的語(yǔ)義信息檢索和自適應(yīng)查詢，實(shí)現(xiàn)多載體圖書信息的信息分類和特征匹配。在算法設(shè)計(jì)基礎(chǔ)上，采用嵌入式的Linux技術(shù)進(jìn)行多載體圖書信息鄰近似目標(biāo)精細(xì)化檢索系統(tǒng)的開(kāi)發(fā)設(shè)計(jì)。測(cè)試結(jié)果表明，采用該方法進(jìn)行多載體圖書信息鄰近似目標(biāo)精細(xì)化檢索的召回性較好，檢索效率較高。

關(guān)鍵詞： 多載體圖書信息; 鄰近似目標(biāo)精細(xì)化檢索; 語(yǔ)義信息檢索; 特征分類; 特征匹配; 自適應(yīng)查詢

中圖分類號(hào)： TN911.2?34; TP399 ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）12?0029?04

Abstract： A design scheme of the proximity?like target refined retrieval system for multi?carrier book information is proposed to improve the multi?carrier book information retrieval ability. The quartile regression model is used to construct the multi?carrier book information screening model. The relevance information entropy feature extraction method is used to mine the nearest neighbor features of multi?carrier book information， so as to extract the associated semantic feature quantity of multi?carrier book information. The semantic ontology feature reconstruction method is used to retrieve， screen， and recognize multi?carrier book information， so as to analyze the output high?dimensional feature information of multi?carrier book information. The adjacent relevance retrieval method is used to realize semantic information retrieval， adaptive query， classification and feature matching of multi?carrier book information. On the basis of the algorithm design， the embedded Linux technology is used to develop and design the proximity?like target refined retrieval system for multi?carrier book information. The test results show that the method has a good recall performance and high retrieval efficiency for proximity?like target refined retrieval of multi?carrier book information.

Keywords： multi?carrier book information; proximity?like target refined retrieval; semantic information retrieval; feature classification; feature matching; adaptive query

0 ?引 ?言

隨著信息化圖書館建設(shè)的快速發(fā)展，以傳統(tǒng)的紙質(zhì)圖書和網(wǎng)絡(luò)圖書為載體的圖書館信息管理系統(tǒng)得到廣泛應(yīng)用，采用多載體的圖書信息管理模式，提高圖書館的電子化水平，在多載體圖書管理信息模式下，研究圖書管理的智能化信息管理方法，提高圖書館信息的智能檢索能力[1]。在多載體圖書信息管理模式下，通過(guò)鄰近似目標(biāo)精細(xì)化檢索系統(tǒng)設(shè)計(jì)，實(shí)現(xiàn)圖書館的信息資源優(yōu)化服務(wù)升級(jí)，相關(guān)的信息管理系統(tǒng)和檢索系統(tǒng)設(shè)計(jì)方法受到人們的極大關(guān)注。傳統(tǒng)方法中，對(duì)多載體圖書信息鄰近似目標(biāo)精細(xì)化檢索方法主要有有源標(biāo)簽識(shí)別方法、模糊聚類檢索方法等[2?3]，上述方法在進(jìn)行圖書館數(shù)據(jù)的鄰近似目標(biāo)精細(xì)化檢索中存在計(jì)算開(kāi)銷大和實(shí)時(shí)性不好的問(wèn)題。對(duì)此，本文采用分位數(shù)回歸模型構(gòu)建多載體圖書信息篩選模型，采用關(guān)聯(lián)信息熵特征提取方法進(jìn)行多載體圖書信息的近鄰特挖掘，提取多載體圖書信息的關(guān)聯(lián)語(yǔ)義特征量，結(jié)合Linux內(nèi)核進(jìn)行檢索系統(tǒng)優(yōu)化設(shè)計(jì)，最后進(jìn)行仿真測(cè)試，展示了本文設(shè)計(jì)系統(tǒng)的優(yōu)越性能。

1 ?多載體圖書信息管理的數(shù)據(jù)流特征分析

1.1 ?多載體圖書信息標(biāo)簽識(shí)別數(shù)據(jù)采樣

為了實(shí)現(xiàn)對(duì)多載體圖書信息鄰近似目標(biāo)精細(xì)化檢索模型優(yōu)化開(kāi)發(fā)設(shè)計(jì)，采用RFID標(biāo)簽識(shí)別技術(shù)進(jìn)行多載體圖書信息采樣，結(jié)合二維碼識(shí)別和條形碼識(shí)別的方法，進(jìn)行多載體圖書信息的自動(dòng)編碼和標(biāo)識(shí)位構(gòu)建，多載體圖書信息采集的資源分布如圖1所示。

圖1 ?多載體圖書信息采集的資源分布

1.2 ?關(guān)聯(lián)語(yǔ)義特征量提取

構(gòu)建圖書館信息檢索的數(shù)據(jù)庫(kù)實(shí)體模型，采用自適應(yīng)均衡調(diào)度方法，得到多載體圖書信息挖掘的輸出信息熵為：

2 ?多載體圖書信息檢索

2.1 ?多載體圖書信息的語(yǔ)義信息挖掘

采用動(dòng)態(tài)回歸分析方法[7]得到多載體圖書信息分布的鏈路集滿足[P∈Rn×n]，[R∈Rm×m]和[H∈Rm×n]，設(shè)多載體圖書信息整合的本體指標(biāo)集定義為：

在重組的圖書信息檢索系統(tǒng)中，得到多載體圖書信息檢索的聚簇中心距離為[yj][（j=1，2，…，d）]，實(shí)現(xiàn)多載體圖書信息的語(yǔ)義信息挖掘。

2.2 ?鄰近似目標(biāo)精細(xì)化檢索算法

3 ?系統(tǒng)硬件開(kāi)發(fā)設(shè)計(jì)

采用Multigen Creator 3.2進(jìn)行多載體圖書信息檢索系統(tǒng)的數(shù)據(jù)庫(kù)建模，在Vega Prime 2.2.1視景仿真平臺(tái)進(jìn)行多載體圖書信息檢索系統(tǒng)的3D虛擬現(xiàn)實(shí)環(huán)境開(kāi)發(fā)，設(shè)計(jì)圖書信息檢索系統(tǒng)推薦標(biāo)識(shí)位及對(duì)應(yīng)狀態(tài)見(jiàn)表1。

表1 ?圖書信息檢索系統(tǒng)推薦標(biāo)識(shí)對(duì)應(yīng)狀態(tài)

[taskFlag 指令狀態(tài) 000 多載體圖書信息參數(shù)初始化 001 寫入多載體圖書信息檢索系統(tǒng)的C編譯器 010 定義多載體圖書信息語(yǔ)義檢索組件 011 發(fā)送準(zhǔn)備狀態(tài)，進(jìn)行程序指令加載 101 加入系統(tǒng)環(huán)境變量，修改配置文件 100 程序加載和指令控制 110 數(shù)據(jù)管理及命令行輸入 111 硬件自動(dòng)配置 ]

根據(jù)上述圖書信息檢索系統(tǒng)推薦標(biāo)識(shí)狀態(tài)設(shè)計(jì)，進(jìn)行系統(tǒng)開(kāi)發(fā)設(shè)計(jì)，采用程序加載過(guò)程控制方法進(jìn)行多載體圖書信息鄰近似目標(biāo)精細(xì)化檢索系統(tǒng)的指令設(shè)計(jì)，在DSP和FPGA集成處理環(huán)境中實(shí)現(xiàn)精細(xì)化檢索系統(tǒng)的硬件開(kāi)發(fā);采用邏輯DSPBF537作為核心處理器，進(jìn)行多載體圖書信息鄰近似目標(biāo)精細(xì)化檢索系統(tǒng)的指令讀/寫和編譯操作，構(gòu)建A/D轉(zhuǎn)換控制模塊，在DSP系統(tǒng)實(shí)現(xiàn)圖書信息鄰近似目標(biāo)精細(xì)化檢索的指令加載和控制信息處理。系統(tǒng)硬件配置如圖2所示。

圖2 ?系統(tǒng)的硬件配置

4 ?仿真測(cè)試

在上述構(gòu)建系統(tǒng)的算法和硬件配置的基礎(chǔ)上，采用多線程總線控制技術(shù)進(jìn)行圖書信息鄰近似目標(biāo)精細(xì)化檢索程序加載，實(shí)現(xiàn)系統(tǒng)測(cè)試。采用Matlab仿真工具進(jìn)行算法設(shè)計(jì)，在Visual DSP++集成信息處理平臺(tái)中進(jìn)行系統(tǒng)的硬件調(diào)制。假設(shè)對(duì)圖書信息采樣的數(shù)據(jù)集規(guī)模為2 000，數(shù)據(jù)長(zhǎng)度為1 024，信息采樣的脈沖頻率為150 kHz，多載體圖書信息數(shù)據(jù)如圖3所示。

圖3 ?待測(cè)試的多載體信息數(shù)據(jù)

以圖3采樣數(shù)據(jù)為輸入，采用語(yǔ)義本體特征重構(gòu)方法進(jìn)行多載體圖書信息的檢索和篩選識(shí)別，分析多載體圖書信息的輸出高維特征信息，進(jìn)行圖書信息鄰近似目標(biāo)精細(xì)化檢索，得到檢索輸出如圖4所示。

圖4 ?檢索輸出

分析圖4得知，本文方法能有效實(shí)現(xiàn)多載體圖書信息篩選和精細(xì)化檢索，檢索輸出的區(qū)間指向性較好。測(cè)試不同方法進(jìn)行多載體圖書信息檢索的召回性，得到對(duì)比結(jié)果見(jiàn)表2，分析得知，本文方法進(jìn)行多載體圖書信息檢索的召回率較高。

表2 ?召回性對(duì)比

5 ?結(jié) ?語(yǔ)

本文進(jìn)行多載體圖書信息鄰近似目標(biāo)精細(xì)化檢索系統(tǒng)設(shè)計(jì)，采用關(guān)聯(lián)信息熵特征提取方法進(jìn)行多載體圖書信息的近鄰特征挖掘，提取多載體圖書信息的關(guān)聯(lián)語(yǔ)義特征量，采用語(yǔ)義本體特征重構(gòu)方法進(jìn)行多載體圖書信息的檢索和篩選識(shí)別，分析多載體圖書信息的輸出高維特征信息，實(shí)現(xiàn)多載體圖書信息的信息分類和特征匹配。在DSP系統(tǒng)實(shí)現(xiàn)圖書信息鄰近似目標(biāo)精細(xì)化檢索的指令加載和控制信息處理，實(shí)現(xiàn)圖書信息精細(xì)化檢索系統(tǒng)的開(kāi)發(fā)設(shè)計(jì)。研究得知，采用本文方法進(jìn)行多載體圖書信息鄰近似目標(biāo)精細(xì)化檢索的召回性較好，提高了圖書信息的檢索能力。

參考文獻(xiàn)

[1] 薛勝軍，胡敏達(dá)，許小龍.云環(huán)境下公平性優(yōu)化的資源分配方法[J].計(jì)算機(jī)應(yīng)用，2016，36（10）：2686?2691.

XUE Shengjun， HU Minda， XU Xiaolong. Fairness?optimized resource allocation method in cloud environment [J]. Journal of computer applications， 2016， 36（10）： 2686?2691.

[2] BACH S H， BROECHELER M， HUANG B， et al. Hinge?loss Markov random fields and probabilistic soft logic [J]. Journal of machine learning research， 2017， 18（109）： 1?67.

[3] FARNADI G， BACH S H， MOENS M F， et al. Soft quantification in statistical relational learning [J]. Machine learning， 2017， 106（12）： 1971?1991.

[4] BADRINARAYANAN V， KENDALL A， CIPOLLA R. SegNet： a deep convolutional encoder?decoder architecture for image segmentation [J]. IEEE transactions on pattern analysis and machine intelligence， 2017， 39（12）： 2481?2495.

[5] WEI X S， LUO J H， WU J， et al. Selective convolutional descriptor aggregation for fine?grained image retrieval [J]. IEEE transactions on image processing， 2017， 26（6）： 2868?2881.

[6] RAZAVIAN A S， SULLIVAN J， CARLSSON S， et al. Visual instance retrieval with deep convolutional networks [J]. ITE transactions on media technology and applications， 2016， 4（3）： 251?258.

[7] 王利，楊征，李洋.特征聚合的遙感圖像數(shù)據(jù)庫(kù)檢索技術(shù)[J].激光雜志，2016，37（6）：78?81.

WANG Li， YANG Zheng， LI Yang. Retrieval technology of remote sensing image database based on feature aggregation [J]. Laser journal， 2016， 37（6）： 78?81.

[8] 文政穎，李運(yùn)娣.語(yǔ)義指向性特征聚類的圖像檢索算法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2017，27（4）：83?88.

WEN Zhengying， LI Yundi. Investigation on image retrieval algorithm with semantic directed feature clustering [J]. Computer technology and development， 2017， 27（4）： 83?88.

[9] 高翔，郭新東，張鳳蘭，等.基于安卓平臺(tái)的井控信息處理系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù)，2014，37（8）：82?85.

GAO Xiang， GUO Xindong， ZHANG Fenglan， et al. Design and implementation of well control information processing system based on Android [J]. Modern electronics technique， 2014， 37（8）： 82?85.

[10] MIKKONEN A， VAKKARI P. Readers′ interest criteria in fiction book search in library catalogs [J]. Journal of documentation， 2016， 72（4）： 696?715.