鄭 偉，侯宏旭 ，班志杰

1.內(nèi)蒙古大學(xué) 計(jì)算機(jī)學(xué)院，呼和浩特 010021

2.河北北方學(xué)院 理學(xué)院，河北 張家口 075000

1 引言

近年來(lái)，隨著互聯(lián)網(wǎng)技術(shù)快速發(fā)展，人們信息需求更加多樣化，信息檢索的內(nèi)涵更加豐富與多樣化，檢索技術(shù)在各個(gè)領(lǐng)域都有著獨(dú)特的應(yīng)用。實(shí)體檢索（Entity Retrieval，ER）是信息檢索技術(shù)中一個(gè)重要分支[1-3]，專家發(fā)現(xiàn)也稱專家檢索，是ER的一個(gè)特例，主要研究如何根據(jù)給定的查詢找到相關(guān)領(lǐng)域具有一定威望和專長(zhǎng)的專家，并按照專業(yè)水平對(duì)相關(guān)人員進(jìn)行排序[3-5]。專家發(fā)現(xiàn)在企業(yè)界和科技知識(shí)領(lǐng)域有著廣泛應(yīng)用，如何在海量科技文獻(xiàn)信息中準(zhǔn)確有效地發(fā)現(xiàn)某個(gè)領(lǐng)域的專家群體，近年來(lái)成為信息檢索和知識(shí)發(fā)現(xiàn)領(lǐng)域的一個(gè)研究熱點(diǎn)。

國(guó)際文本檢索會(huì)議組織的企業(yè)專家檢索任務(wù)推動(dòng)了專家檢索技術(shù)的發(fā)展[6-9]，F(xiàn)ang等人[6]提出了一個(gè)通用概率模型框架，用候選人生成模型和主題生成模型實(shí)現(xiàn)檢索，在TREC enterprise collections上的實(shí)驗(yàn)取得了較好效果。Cifariello 等人[10]提出一種基于實(shí)體鏈接的語(yǔ)義方法用于專家發(fā)現(xiàn)，使用語(yǔ)言模型與維基百科中通過(guò)實(shí)體鏈接形成的知識(shí)語(yǔ)義圖進(jìn)行專家檢索。Sharad 等人[11]提出基于一種社會(huì)網(wǎng)絡(luò)計(jì)算與本體學(xué)習(xí)相結(jié)合的專家發(fā)現(xiàn)算法，該算法通過(guò)獲取專家profile，使用概念計(jì)算和社會(huì)網(wǎng)絡(luò)分析進(jìn)行專家的綜合排序。Zhang 等人[12]利用文獻(xiàn)中主題信息構(gòu)建了局部的專家候選人網(wǎng)絡(luò)，通過(guò)候選人間認(rèn)可度進(jìn)行相似關(guān)系傳播，通過(guò)多輪迭代得到專家后選人的最終分?jǐn)?shù)。鄭義平等人[13]針對(duì)專家與文檔的建模問(wèn)題，提出使用逆向頻率方法實(shí)現(xiàn)專家與文檔的關(guān)聯(lián)強(qiáng)度計(jì)算，通過(guò)學(xué)術(shù)合作關(guān)系構(gòu)建專家關(guān)系圖，經(jīng)過(guò)專家間相似信息的多輪傳播計(jì)算可得到最終得分。

上述研究中，專家檢索性能的提升很大程度上依賴概念匹配和實(shí)體網(wǎng)絡(luò)計(jì)算，通過(guò)計(jì)算概念間距離進(jìn)行文本匹配，采用圖模型分析進(jìn)行證據(jù)的獲取與傳播。其中文獻(xiàn)[12-13]中的相關(guān)性傳播模型屬于兩階段模型，在本文中記為Pa_Model，專家檢索時(shí)取得了一定的效果，但其沒(méi)有形成一個(gè)有機(jī)的整體推理框架，不確定分析存在一定難度，另外如數(shù)據(jù)規(guī)模較大時(shí)，計(jì)算時(shí)間復(fù)雜度較高。針對(duì)上述問(wèn)題，本文將貝葉斯網(wǎng)絡(luò)技術(shù)引入到專家發(fā)現(xiàn)任務(wù)中，提出一種具有查詢語(yǔ)義擴(kuò)展功能的專家發(fā)現(xiàn)模型。該模型使用貝葉斯網(wǎng)絡(luò)對(duì)檢索任務(wù)進(jìn)行建模，模型具有四層網(wǎng)絡(luò)結(jié)構(gòu)，整體連接性好，可實(shí)現(xiàn)推理計(jì)算，借助Word2Vec 技術(shù)深入挖掘術(shù)語(yǔ)間的語(yǔ)義關(guān)系來(lái)實(shí)現(xiàn)查詢語(yǔ)義擴(kuò)展。

2 經(jīng)典專家發(fā)現(xiàn)模型

在TREC2005中，研究人員介紹了兩種用于專家檢索任務(wù)的語(yǔ)言模型，即候選專家模型（Candidate Model）和文檔模型（Document Model），它們是目前較常用的專家檢索模型框架[6-7，14]，許多擴(kuò)展方法和新理論均基于該框架。候選專家模型和文檔模型均假定候選專家與查詢之間是相互獨(dú)立的。相對(duì)于候選專家模型，文檔模型的優(yōu)點(diǎn)在于其保留了完整的查詢和文檔之間的查詢接口，進(jìn)而可以結(jié)合其他檢索模型實(shí)現(xiàn)專家發(fā)現(xiàn)算法的改進(jìn)，目前較為常用，一般情況下檢索性能優(yōu)于候選專家模型[7，14]。

Document Model基本思想是使用文檔檢索方法獲得與查詢相關(guān)的文檔，然后按照候選專家與這些文檔的相關(guān)程度對(duì)專家進(jìn)行排序[15]，具體算法如下。

給定查詢query的條件下，候選專家ca出現(xiàn)的概率為P(ca|query)，根據(jù)貝葉斯公式有：

Dca為與ca相關(guān)的文檔集合，假定查詢query中，各個(gè)詞項(xiàng)是獨(dú)立分布的，則：

根據(jù)文獻(xiàn)[1，7]，假設(shè)term與ca之間是條件獨(dú)立的，θca是候選專家ca的模型，term是查詢query中的一個(gè)詞項(xiàng)，則：

對(duì)式（5）進(jìn)行平滑處理得到：

綜合上述各式可得：

其中，n(term,query)表示term在query中出現(xiàn)的次數(shù)，P(term|doc)是term在文檔doc中出現(xiàn)的概率，P(term)是term在文檔集中出現(xiàn)的概率。

3 Word2vec相關(guān)語(yǔ)言模型

Word2Vec[16]是google 提出的一個(gè)學(xué)習(xí)詞向量的框架，可以把輸入的每個(gè)長(zhǎng)短不一的詞轉(zhuǎn)換為維度相同的向量，使得文字處理變得簡(jiǎn)單化，Word2vec 也叫Word embedding，Word2vec 的訓(xùn)練過(guò)程可以看作是通過(guò)神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)算法來(lái)訓(xùn)練N-gram語(yǔ)言模型，并在訓(xùn)練過(guò)程中求出word 所對(duì)應(yīng)的vector 的方法。根據(jù)語(yǔ)言模型的不同，又可分為“CBOW”和“Skip-gram”兩種模型[16]，具體實(shí)現(xiàn)原理如圖1所示。

CBOW 模型利用上下文的若干詞去預(yù)測(cè)當(dāng)前詞，Skip-gram 模型恰好相反，利用當(dāng)前詞預(yù)測(cè)上下文的若干詞。Word2vec訓(xùn)練出的詞向量蘊(yùn)含了詞與詞之間的聯(lián)系與相關(guān)信息，有助于對(duì)文本語(yǔ)義的理解與挖掘，Word2vec技術(shù)在自然語(yǔ)言處理領(lǐng)域應(yīng)用具有較高應(yīng)用價(jià)值。

圖1 Word2vec原理模型

4 基于貝葉斯網(wǎng)絡(luò)模型查詢語(yǔ)義擴(kuò)展的專家發(fā)現(xiàn)方法

貝葉斯網(wǎng)絡(luò)是一種采用有向無(wú)環(huán)圖，能夠?qū)崿F(xiàn)不確定性推理計(jì)算，應(yīng)用領(lǐng)域較為廣泛[17-19]。本文提出一種新的專家發(fā)現(xiàn)方法，基本思想是采用貝葉斯網(wǎng)絡(luò)構(gòu)建一個(gè)專家發(fā)現(xiàn)算法模型，該模型具有多層結(jié)構(gòu)，能夠?qū)崿F(xiàn)專家發(fā)現(xiàn)任務(wù)的推理和查詢術(shù)語(yǔ)的語(yǔ)義擴(kuò)展。在術(shù)語(yǔ)層間采用Word2vec技術(shù)對(duì)術(shù)語(yǔ)進(jìn)行向量語(yǔ)義相似度計(jì)算，找出語(yǔ)義相近的詞進(jìn)而實(shí)現(xiàn)查詢術(shù)語(yǔ)語(yǔ)義挖掘與擴(kuò)展。

4.1 專家發(fā)現(xiàn)算法模型

使用貝葉斯網(wǎng)絡(luò)圖模型的推理機(jī)制構(gòu)建了一個(gè)具有查詢語(yǔ)義擴(kuò)展的專家發(fā)現(xiàn)模型，命名為NEF（New Expert Finding），模型如圖2 所示，其具有四層結(jié)構(gòu)，分別為雙術(shù)語(yǔ)層T與T′、文檔層D和專家層C，模型中的變量集合V可表示為V=T′∪T∪D∪C。

圖2 NEF模型

對(duì)由于術(shù)語(yǔ)層T中的任意節(jié)點(diǎn)Ti，其父節(jié)點(diǎn)集合為Pa(Ti)，若Tj'∈Q且Tj'和Ti存在滿足一定條件的語(yǔ)義關(guān)系，則父節(jié)點(diǎn)集合由其本身Ti'和Tj'構(gòu)成，存在由Ti'和Tj'節(jié)點(diǎn)指向Ti的虛線，術(shù)語(yǔ)層間節(jié)點(diǎn)的關(guān)聯(lián)可以為查詢提供證據(jù)支撐信息，能夠起到有效擴(kuò)展查詢的功效。專家有與本身相關(guān)聯(lián)的文檔，故存在由集合D中節(jié)點(diǎn)指向集合C中節(jié)點(diǎn)的多條弧。據(jù)拓?fù)浣Y(jié)構(gòu)中弧的指向，可知術(shù)語(yǔ)相互邊緣獨(dú)立，文檔在給定其包含術(shù)語(yǔ)的情況下相互條件獨(dú)立，專家分布獨(dú)立，由此可以估計(jì)節(jié)點(diǎn)的概率分布。給定一個(gè)用戶查詢時(shí)，NEF模型將其作為一個(gè)證據(jù)引入系統(tǒng)中，考慮到網(wǎng)絡(luò)中存在大量的節(jié)點(diǎn)，使用一個(gè)與概率傳播算法效果等價(jià)的簡(jiǎn)單推理算法來(lái)計(jì)算每個(gè)候選專家C與查詢Q的相關(guān)概率。

4.2 模型推理

模型對(duì)應(yīng)的檢索推理過(guò)程如下：

（1）術(shù)語(yǔ)節(jié)點(diǎn)ti與查詢Q的關(guān)系可通過(guò)術(shù)語(yǔ)子網(wǎng)來(lái)計(jì)算P(ti|Q)，uij為術(shù)語(yǔ)Ti與Tj'之間的語(yǔ)義關(guān)聯(lián)強(qiáng)度，術(shù)語(yǔ)Ti父節(jié)點(diǎn)的集合用Pa(Ti)表示。

由于術(shù)語(yǔ)節(jié)點(diǎn)是邊緣獨(dú)立的，如果Tj'∈Q，則P(tj'|Q)=1，如果Tj'?Q，則P(tj'|Q)=1/M。

（2）為了區(qū)分Ti父節(jié)點(diǎn)集合中原節(jié)點(diǎn)Ti'與有語(yǔ)義關(guān)系的擴(kuò)展各節(jié)點(diǎn)在檢索中的作用，采用sim函數(shù)來(lái)衡量?jī)蓚€(gè)不同術(shù)語(yǔ)間的語(yǔ)義相關(guān)度，β是平滑參數(shù)，uij用sim函數(shù)展開后公式（7）可變?yōu)楣剑?）。

（3）根據(jù)上述步驟，基于查詢Q的文檔dj后驗(yàn)概率為：

公式中，wij為術(shù)語(yǔ)Ti在文檔Dj的權(quán)重值，η是一歸化常量保證P(dj|Q)值小于等于1。權(quán)重wij有多種定義方法，本文中使用的是TFIDF方法。

（4）根據(jù)上述步驟，基于查詢Q的候選專家Cj后驗(yàn)概率為：

其中，P(Ci|Q)表示候選專家Ci在查詢Q條件下的相關(guān)概率，是檢索結(jié)果排序的依據(jù)，hij是候選專家Ci與其所屬文檔dj的相關(guān)強(qiáng)度，文章設(shè)定hij值為1。

5 實(shí)驗(yàn)

本文實(shí)驗(yàn)的目是構(gòu)建貝葉斯網(wǎng)絡(luò)專家發(fā)現(xiàn)算法模型并實(shí)現(xiàn)查詢語(yǔ)義擴(kuò)展，通過(guò)實(shí)驗(yàn)將文獻(xiàn)[7，14]中的Document Model、文獻(xiàn)[12-13]提出的傳播 Pa_Model 與本文提出的NEF 模型進(jìn)行檢索性能比對(duì)，驗(yàn)證NEF 模型檢索性能的有效性。本文中Pa_Model 的實(shí)現(xiàn)是在Document Model基礎(chǔ)上構(gòu)建的兩階段傳播模型。

5.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)來(lái)自Aminer[20]學(xué)術(shù)文獻(xiàn)數(shù)字?jǐn)?shù)據(jù)平臺(tái)中的學(xué)術(shù)數(shù)據(jù)集，AMiner平臺(tái)是計(jì)算機(jī)科學(xué)領(lǐng)域的科研數(shù)據(jù)平臺(tái)，其學(xué)術(shù)資源社會(huì)網(wǎng)絡(luò)數(shù)據(jù)集是由2 092 356篇文章、1 712 433 個(gè)作者、8 024 869 條引用、4 248 615 條協(xié)作關(guān)系組成的。實(shí)驗(yàn)前對(duì)該數(shù)據(jù)集進(jìn)行清洗，去除具有不完整信息的論文及作者，剔除hi因子較低的作者及對(duì)應(yīng)論文，最終保留文獻(xiàn)數(shù)量為129 617篇、作者數(shù)目33 828名。專家數(shù)據(jù)來(lái)源于AMiner平臺(tái)專家數(shù)據(jù)庫(kù)[21]，表1展示了實(shí)驗(yàn)中采用的查詢主題及對(duì)應(yīng)的專家數(shù)目。

表1 計(jì)算機(jī)科學(xué)領(lǐng)域?qū)＜乙挥[表

5.2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)分為四個(gè)部分：（1）Document Model 上進(jìn)行專家檢索任務(wù)實(shí)驗(yàn)，找到其最佳的平滑參數(shù)設(shè)置；（2）word2vec 參數(shù)選擇，驗(yàn)證查詢擴(kuò)展性能。（3）通過(guò)調(diào)節(jié)NEF 模型的平滑參數(shù)β，對(duì)其檢索性能進(jìn)行比較分析。（4）將最優(yōu)參數(shù)下的 Document Model 與 Pa_Model作為基線系統(tǒng)，檢驗(yàn)NEF模型對(duì)檢索性能的有效性。實(shí)驗(yàn)采用準(zhǔn)確率和召回率，P@5，P@10，P@20，P@30 和MAP指標(biāo)進(jìn)行評(píng)價(jià)[22]，輸出截?cái)嘀翟O(shè)為100。

在經(jīng)典專家發(fā)現(xiàn)模型實(shí)驗(yàn)中，表2數(shù)據(jù)對(duì)應(yīng)平滑參數(shù)α取6個(gè)不同值時(shí)的檢索結(jié)果，其中α分別于0.5、0.9與1.0時(shí)其P@30值最佳，在0.5、0.9與1.0這3個(gè)值中，α等于0.5 時(shí)具有最佳MAP 值，故將α=0.5 作為經(jīng)典模型的平滑參數(shù)。

表2 文檔模型檢索性能比較

NEF模型中查詢術(shù)語(yǔ)語(yǔ)義擴(kuò)展采用了Word2vec技術(shù)，在Windows 平臺(tái)下開展訓(xùn)練，詞向量上下文窗口設(shè)置為5，維度設(shè)置為1 000，其他參數(shù)按照經(jīng)驗(yàn)值來(lái)設(shè)置，選擇Skip-gram模型來(lái)訓(xùn)練。表3 為NEF 模型在參數(shù)β和查詢術(shù)語(yǔ)擴(kuò)展數(shù)目N取不同值時(shí)對(duì)應(yīng)的P@10 和MAP值。

表3 查詢術(shù)語(yǔ)擴(kuò)展實(shí)驗(yàn)MAP值比較

從表3 中的數(shù)據(jù)發(fā)現(xiàn)，當(dāng)平滑參數(shù)β值等于1 時(shí)對(duì)應(yīng)的是貝葉斯網(wǎng)絡(luò)專家檢索模型無(wú)查詢術(shù)語(yǔ)擴(kuò)展的情況，隨著查詢術(shù)語(yǔ)擴(kuò)展數(shù)目的增加，其檢索P@10 和MAP 值保持恒定；當(dāng)β在[0.7，0.9]區(qū)間段取值時(shí)，發(fā)現(xiàn)隨著查詢術(shù)語(yǔ)擴(kuò)展數(shù)目N值的增加，其P@10 和MAP值也在遞增，并在N等于30時(shí)P@10達(dá)到最大值0.225，MAP 值達(dá)到最大值0.218，當(dāng)β從[0.5，0.6]區(qū)間段取值時(shí)發(fā)現(xiàn)，N值增加時(shí)其MAP值呈現(xiàn)下降趨勢(shì)，其P@10值也較低。綜合表3中的P@10和MAP值分析可知，查詢術(shù)語(yǔ)擴(kuò)展數(shù)目選取30時(shí)檢索系統(tǒng)能夠很好地起到查詢術(shù)語(yǔ)擴(kuò)展的功效。

圖3 為NEF 模型查詢術(shù)語(yǔ)擴(kuò)展數(shù)目為30 時(shí)的實(shí)驗(yàn)結(jié)果，圖中顯示在平滑參數(shù)β等于0.8時(shí)，專家檢索模型NEF 具有較高的 P@5、P@10 和 MAP 值，因此該點(diǎn)具有較高的參考價(jià)值，參數(shù)β取值1時(shí)，對(duì)應(yīng)的是無(wú)查詢擴(kuò)展的實(shí)驗(yàn)結(jié)果，其各項(xiàng)評(píng)估指標(biāo)均低于有擴(kuò)展的查詢實(shí)驗(yàn)。

圖3 NEF專家發(fā)現(xiàn)模型性能分析

將NEF 模型與基線系統(tǒng)進(jìn)行的專家檢索實(shí)驗(yàn)評(píng)價(jià)指標(biāo)值進(jìn)行對(duì)比，其中Document Model和Pa_Model選用最優(yōu)參數(shù)下的評(píng)價(jià)指標(biāo)值，NEF 模型選用β=0.8 時(shí)對(duì)應(yīng)的評(píng)價(jià)指標(biāo)值，對(duì)比結(jié)果如表4 所示，表中結(jié)果顯示 Pa_Model 與 Document Model 具有相同的 P@5 和P@10 值，但在 P@20、P@30、MAP 值上 Pa_Model 要優(yōu)于Document Model，這是由于Pa_Model 在傳播階段能夠有效實(shí)現(xiàn)了專家間的信息傳遞，進(jìn)一步提升了部分專家的權(quán)威度?？傮w上看NEF模型檢索性能良好，相對(duì)比Baseline 系統(tǒng)的兩個(gè)模型，其P@5、P@10 值增幅較大，P@5 增長(zhǎng)了10%，P@10 增長(zhǎng)了 12.5%，P@20、P@30 和MAP值略有下降。

表4 模型評(píng)估分?jǐn)?shù)比較

NEF 模型在P@5、P@10 兩項(xiàng)指標(biāo)上取得了較好評(píng)估值，對(duì)比基線系統(tǒng) P@20、P@30 指標(biāo)，NEF 模型指標(biāo)值下降的原因在于查詢語(yǔ)義擴(kuò)展的同時(shí)會(huì)帶來(lái)查詢主題的漂移，導(dǎo)致了部分查詢語(yǔ)句對(duì)應(yīng)的結(jié)果很不理想，導(dǎo)致平均分下降。在排序前100名作者的條件下，一部分作者排名較靠后，故MAP 值會(huì)降低?？傮w上看實(shí)驗(yàn)結(jié)果顯示出了NEF模型良好的檢索效果，P@5和P@10值經(jīng)過(guò)查詢擴(kuò)展后得到了較大提升，有效實(shí)現(xiàn)了查詢術(shù)語(yǔ)的語(yǔ)義擴(kuò)展。

6 結(jié)束語(yǔ)

在分析貝葉斯網(wǎng)絡(luò)檢索和詞向量技術(shù)的基礎(chǔ)上，提出了一種可擴(kuò)展查詢術(shù)語(yǔ)語(yǔ)義的專家發(fā)現(xiàn)方法。該方法可控制術(shù)語(yǔ)語(yǔ)義的擴(kuò)展程度，更準(zhǔn)確地解決了術(shù)語(yǔ)間語(yǔ)義概念的匹配問(wèn)題，比單一使用術(shù)語(yǔ)查詢?nèi)〉昧烁玫臋z索效果。由于當(dāng)前語(yǔ)料規(guī)模限制及模型參數(shù)選擇等因素的影響，實(shí)驗(yàn)結(jié)果還不夠理想，后續(xù)研究工作將聚焦于主題提煉及進(jìn)一步尋求優(yōu)化參數(shù)，逐步改善模型的檢索性能。