摘 要：現(xiàn)有的數(shù)據(jù)資源智能檢索方法的檢索排序質(zhì)量較低，檢索結(jié)果文檔排名順序和文檔之間的相關(guān)性較低，為此提出基于自然語言處理的社區(qū)人口數(shù)據(jù)公共信息智能檢索方法。對物聯(lián)網(wǎng)檢索問題進行分析，引入自然語言處理方式對社區(qū)人口數(shù)據(jù)公共信息進行映射處理，以信息在公共語義空間環(huán)境的分布位置為基礎(chǔ)提取特征，將與社區(qū)人口數(shù)據(jù)公共信息檢索請求特征擬合度最高的信息作為檢索輸出結(jié)果，實現(xiàn)社區(qū)人口數(shù)據(jù)公共信息智能檢索。在測試結(jié)果中，所設(shè)計檢索方法的NDCG值未受到并行檢索請求數(shù)量的影響，NDCG值處于較高水平，表示檢索結(jié)果的排序質(zhì)量較高，文檔排名順序和文檔之間的相關(guān)性較高，說明設(shè)計方法能夠有效地對檢索結(jié)果進行排序，具有較高的性能。

關(guān)鍵詞：自然語言處理；社區(qū)人口數(shù)據(jù)公共信息；智能檢索；映射處理；公共語義空間；特征擬合度

中圖分類號：TP39；U464 文獻標識碼：A 文章編號：2095-1302（2024）05-0-03

0 引 言

隨著大數(shù)據(jù)時代的到來，數(shù)字經(jīng)濟得到快速發(fā)展，其不僅在極大程度上顛覆了人類原有的生產(chǎn)方式和生活方式，降低了相關(guān)活動開展的難度[1]，同時也使得信息呈現(xiàn)大規(guī)?！熬畤姟?。在檢索目標信息時，無論是以搜索引擎為基礎(chǔ)的網(wǎng)頁信息搜索過程[2]，還是以個人計算機系統(tǒng)為基礎(chǔ)的文件信息查找過程，如何快速篩選出與用戶信息需求匹配的內(nèi)容和服務(wù)成為了備受關(guān)注的業(yè)務(wù)執(zhí)行效果優(yōu)化方向之一[3]。在此基礎(chǔ)上，對信息檢索的主要任務(wù)進行分析可以發(fā)現(xiàn)，其執(zhí)行的核心是以用戶查詢文本對象為基礎(chǔ)的，對應(yīng)的搜索范圍大多是大規(guī)模非結(jié)構(gòu)化的數(shù)據(jù)集，通過定位滿足用戶信息需求的文檔信息，實現(xiàn)對最符合要求信息的檢索[4]。一般情況下，以處理數(shù)據(jù)規(guī)模為基礎(chǔ)對信息檢索進行分類，可以劃分為3個主要級別，分別為大規(guī)模信息檢索、中等規(guī)模信息檢索以及小規(guī)模信息檢索[5]。其中，大規(guī)模信息檢索大多是以Web搜索的形式存在的；中等規(guī)模信息檢索大多是由數(shù)臺服務(wù)器提供檢索服務(wù)；小規(guī)模信息檢索的執(zhí)行載體大多為個人計算機。

國內(nèi)有相關(guān)領(lǐng)域的研究專家就信息的智能檢索展開了研究。潘敏等人[6]提出了基于ConceptNet語義的偽相關(guān)反饋信息檢索方法。但是檢索結(jié)果的優(yōu)劣排序與實際檢索需求還存在一定的誤差，檢索排序質(zhì)量不能滿足實際需求。傅曉菲等人[7]基于數(shù)據(jù)中臺，針對多級調(diào)度管理業(yè)務(wù)數(shù)據(jù)資源檢索方法展開了研究。但是檢索結(jié)果文檔排名順序與文檔之間的相關(guān)性較低，影響最終檢索結(jié)果的有效性。

為解決上述方法存在的不足，本文提出基于自然語言處理的社區(qū)人口數(shù)據(jù)公共信息智能檢索方法；并通過設(shè)置對比測試環(huán)境，分析驗證了設(shè)計方法的實際應(yīng)用效果和性能。

1 社區(qū)人口數(shù)據(jù)公共信息智能檢索方法設(shè)計

1.1 物聯(lián)網(wǎng)檢索問題分析

在物聯(lián)網(wǎng)體系內(nèi)，考慮社區(qū)人口數(shù)據(jù)公共信息特征以及用戶對信息完整性、獨立性的需求，需要在社區(qū)人口數(shù)據(jù)公共信息和用戶應(yīng)用之間構(gòu)建一個統(tǒng)一的信息處理模型，向上接收用戶所需的檢索請求，向下協(xié)調(diào)物聯(lián)網(wǎng)各個傳感器設(shè)備進行社區(qū)人口數(shù)據(jù)公共信息源的采集，進行有效的信息交流。物聯(lián)網(wǎng)信息檢索體系中，檢索結(jié)果與用戶需求的相關(guān)程度是信息檢索系統(tǒng)的核心標準，標志著反饋給用戶的檢索結(jié)果是否滿足用戶需求。物聯(lián)網(wǎng)檢索體系的主要目標是盡可能全面地檢索出海量社區(qū)人口數(shù)據(jù)公共信息與用戶檢索關(guān)鍵字之間相關(guān)的所有信息，能夠為數(shù)據(jù)處理和分析提供有力的支持。

1.2 社區(qū)人口數(shù)據(jù)公共信息自然語言映射處理

考慮到查詢請求、社區(qū)人口數(shù)據(jù)公共信息文檔和社區(qū)人口數(shù)據(jù)公共信息分類文本在存在形式上表現(xiàn)出的不同，首先對物聯(lián)網(wǎng)檢索問題進行分析，即因社區(qū)人口數(shù)據(jù)往往來自不同的數(shù)據(jù)源，包括統(tǒng)計數(shù)據(jù)、調(diào)查數(shù)據(jù)、公共部門數(shù)據(jù)等[8]，導致信息格式、標準、精度等可能存在差異，需采用自然語言處理方法進行映射處理，再實施智能檢索。在保證社區(qū)人口數(shù)據(jù)公共信息獨立性基礎(chǔ)上，需要引入自然語言處理的概念[9]，實現(xiàn)對信息屬性特征的獲取及信息檢索。

對自然語言檢索任務(wù)進行分析可以發(fā)現(xiàn)，其影響檢索性能的最主要原因是查詢請求語言、社區(qū)人口數(shù)據(jù)公共信息文檔和社區(qū)人口數(shù)據(jù)公共信息分類文本的存在形式不同。為此，本文首先通過預(yù)訓練的方式，對輸入的查詢請求、檢索請求和社區(qū)人口數(shù)據(jù)公共信息文本分類文檔中存在的自然語言進行映射處理，使對應(yīng)的自然語言向量處于同一個公共語義空間環(huán)境中[10]。其中，自然語言向量具體的映射方式為：

（1）

式中：vim為信息查詢請求中自然語言向量在公共語義空間環(huán)境的映射結(jié)果；vjn為公共信息中自然語言向量在公共語義空間環(huán)境中的映射結(jié)果；vkc為公共信息文本分類文檔中自然語言向量在公共語義空間環(huán)境中的映射結(jié)果；wordvecm（wmi）為查詢請求語言詞向量子；wim為公共信息查詢請求中的第i個詞匯；wordvecn（wnj）表示社區(qū)人口數(shù)據(jù)公共信息語言詞向量子；wjn表示社區(qū)人口數(shù)據(jù)公共信息中的第j個詞匯；wordvecc（wck）表示社區(qū)人口數(shù)據(jù)公共信息分類文本使用的跨語言詞向量子；wck表示社區(qū)人口數(shù)據(jù)公共信息文本分類文檔中的第k個詞匯。

1.3 社區(qū)人口數(shù)據(jù)公共信息智能檢索

按照上述方式，實現(xiàn)對社區(qū)人口數(shù)據(jù)公共信息檢索全過程中自然語言的映射處理，并以此為基礎(chǔ)，對輸入的查詢請求、檢索請求和社區(qū)人口數(shù)據(jù)公共信息文本分類文檔特征進行提取[11]。在具體的實現(xiàn)階段，以信息在公共語義空間環(huán)境的分布位置為基礎(chǔ)，具體的提取方式為：

（2）

式中：z表示查詢請求、檢索請求和社區(qū)人口數(shù)據(jù)公共信息文本分類文檔特征提取結(jié)果；σ表示物聯(lián)網(wǎng)Bi-GRU單元的文本特征提取器；λ表示物聯(lián)網(wǎng) Bi-GRU單元的編碼器；β表示物聯(lián)網(wǎng)Bi-GRU單元的學習模型；γ表示物聯(lián)網(wǎng)Bi-GRU單元的軟共享參數(shù)。根據(jù)提取結(jié)果，將擬合度最高的數(shù)據(jù)信息作為檢索的輸出，其中對應(yīng)的輸出結(jié)果為：

（3）

式中，f（x）表示匹配vim社區(qū)人口數(shù)據(jù)公共信息查詢請求的社區(qū)人口數(shù)據(jù)公共信息輸出結(jié)果。

按照上述方式實現(xiàn)對社區(qū)人口數(shù)據(jù)公共信息的有效檢索。

2 應(yīng)用測試

2.1 測試環(huán)境

在對本文設(shè)計的基于自然語言處理的社區(qū)人口數(shù)據(jù)公共信息智能檢索方法實際應(yīng)用效果進行分析時，以A地區(qū)的實際環(huán)境為基礎(chǔ)，開展了對比測試。其中，參與測試的對照組分別為文獻[6]提出的以ConceptNet語義為基礎(chǔ)的信息檢索方法，以及文獻[7]提出的以數(shù)據(jù)中臺為基礎(chǔ)的資源檢索方法。

對測試環(huán)境的基本情況進行分析，其中A地區(qū)為所在城市的經(jīng)濟中心區(qū)域，具有交通、科技發(fā)展水平較高的特點，具有明顯的金融中心屬性。對測試地區(qū)的總面積情況進行分析，約為64.20 km2，其中共包含11個小區(qū)。對測試區(qū)域的人口占比分布情況進行統(tǒng)計，以第七次人口普查結(jié)果為基礎(chǔ)，3歲及以下人口占比為15.2%，3～18歲人口占比為27.2%，18～40歲人口占比為42.6%，65歲及以上人口占比為15.0%。以上述數(shù)據(jù)信息為基礎(chǔ)，分別采用三種檢索方法開展對比測試。在對具體的檢索效果進行分析時，本文將歸一化折損累計增益（Normalized Discounted Cumulative Gain， NDCG）作為具體的評價指標。NDCG值的范圍在0～1之間，越接近1代表排序質(zhì)量越好。具體的計算方式可以表示為：

（4）

（5）

式中：DCG@κ表示文檔數(shù)排名在前κ時的截斷累積增益；re表示排名在第e位的文檔的相關(guān)性得分，re={r1， r2， ...， re}；I×DCG@κ表示理想情況下的累積增益。

以上述研究為基礎(chǔ)，對三種不同信息檢索方法的性能做出客觀評價。

2.2 測試結(jié)果與分析

結(jié)合上述測試環(huán)境，本文設(shè)置了不同的并行檢索請求數(shù)量，對應(yīng)的檢索結(jié)果如圖1所示。

結(jié)合圖1所示的測試結(jié)果，對三種不同信息檢索方法的性能進行分析可以發(fā)現(xiàn)，在ConceptNet語義信息檢索方法下，對應(yīng)的NDCG值隨著并行檢索請求數(shù)量的增加呈現(xiàn)出逐漸下降的發(fā)展趨勢，其中，當并行檢索請求數(shù)量由5個增加至35個時，對應(yīng)的NDCG值由0.542 2下降至0.401 7，降幅達到了0.140 5。在數(shù)據(jù)中臺信息檢索方法下，NDCG值受并行檢索請求數(shù)量的影響并不明顯，但是NDCG值的整體水平始終處于相對偏低的狀態(tài)，最大值僅為0.462 4。相比之下，在本文設(shè)計的信息檢索方法的測試結(jié)果中，不僅NDCG值未受到并行檢索請求數(shù)量的影響，而且具體的NDCG值始終穩(wěn)定在較高水平，其中最大值達到了0.856 6，比ConceptNet語義信息檢索方法高0.314 4，比數(shù)據(jù)中臺信息檢索方法高0.394 2；最小值也達到了0.852 1（并行檢索請求數(shù)量為35個時），比ConceptNet語義信息檢索方法高0.450 4，比數(shù)據(jù)中臺信息檢索方法高0.419 8。

3 結(jié) 語

為了實現(xiàn)對目標信息的快速獲取，有效的信息檢索方法成為了研究熱點之一。本文提出基于自然語言處理的社區(qū)人口數(shù)據(jù)公共信息智能檢索方法，通過對社區(qū)人口數(shù)據(jù)公共信息自然語言進行映射處理，實現(xiàn)了社區(qū)人口數(shù)據(jù)公共信息智能檢索。希望借助本文關(guān)于公共信息智能檢索方法的研究，為實際的檢索工作提供有價值的參考，最大限度地提高檢索的性能。

參考文獻

[1]李輝，黃祖源，田園，等.基于隱私信息檢索的大規(guī)模用電增信查詢方法[J/OL].山西大學學報（自然科學版）：1-11[2024-04-08].https：//doi.org/10.13451/j.sxu.ns.2023117.

[2]陳佳，張鴻.基于特征增強和語義相關(guān)性匹配的圖像文本檢索方法[J].計算機應(yīng)用，2024，44（1）：16-23.

[3]李葉，毛伊敏，陳志剛.基于Winograd卷積的并行深度卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化算法[J].信息與控制，2023，52（4）：466-482.

[4]岳雷，崔展齊，陳翔，等.基于歷史缺陷信息檢索的語句級軟件缺陷定位方法[J/OL].軟件學報：1-20[2024-04-08]. https：//doi.org/10.13328/j.cnki.jos.006980.

[5]孫志強，鄭杭彬，呂超凡，等.基于神經(jīng)渲染的數(shù)字孿生資產(chǎn)快速場景幾何建模與檢索方法[J/OL].計算機集成制造系統(tǒng)：1-21[2024-04-08]. http：//kns.cnki.net/kcms/detail/11.5946.TP.20230818.1726.010.html.

[6]潘敏，劉宇，裴全力，等. 基于ConceptNet語義的偽相關(guān)反饋信息檢索方法[J]. 湖北師范大學學報（自然科學版），2023，43（2）：28-37.

[7]傅曉菲，陳涵，陳磊，等. 基于數(shù)據(jù)中臺的面向多級調(diào)度管理業(yè)務(wù)數(shù)據(jù)資源檢索方法[J]. 現(xiàn)代計算機，2023，29（9）：98-102.

[8]劉思源，毛存禮，張勇丙. 基于領(lǐng)域知識圖譜和對比學習的漢越跨境民族文本檢索方法[J]. 南京大學學報（自然科學），2023，59（4）：610-619.

[9]王湘玲，沙璐，楊雯婷. 國際譯者信息檢索行為研究現(xiàn)狀和趨勢分析（2000-2022）—基于R語言Bibliometrix的可視化分析[J]. 湖南大學學報（社會科學版），2023，37（4）：98-105.

[10]侯慧太，藍朝楨，徐青.基于衛(wèi)星影像全局和局部深度學習特征檢索的無人機絕對定位方法[J].地球信息科學學報，2023，25（5）：1064-1074.

[11]胡侃，王明莉，魏曉倩. 融合橋梁建設(shè)知識圖譜" 建立多元數(shù)據(jù)檢索方法—實現(xiàn)橋梁工程內(nèi)業(yè)資料數(shù)字化創(chuàng)新應(yīng)用[J]. 四川檔案，2023，41（2）：34-35.

作者簡介：孔越峰（1982—），男，廣東汕頭人，碩士研究生，信息技術(shù)工程師，研究方向為人工智能、大數(shù)據(jù)及其智能化應(yīng)用。

收稿日期：2023-10-31 修回日期：2023-11-27