91、基于αβ邻域的自适应文档过滤方法

基于αβ邻域的自适应文档过滤方法

1. 引言

信息过滤系统旨在从信息流中筛选出满足用户信息需求的文档。系统为每个用户维护一个代表其信息需求的配置文件。对于每个传入文档，系统需做出接受或拒绝的二元决策。若系统能定期接收用户关于已交付文档是否相关的反馈，即为自适应过滤系统。这种反馈为系统提供在线学习的训练示例。

常见信息过滤系统构建分类器时需要大量训练文档，而自适应过滤系统期望能用少量训练示例开始分类，并依据用户反馈增加知识。现有自适应过滤方法包括Rocchio算法、逻辑回归和支持向量机等。这些方法常以单个向量表示用户配置文件，假设配置文件中的文档围绕该向量均匀分布，但实际中满足用户信息需求的文档可能分布不规则。

为解决此问题，提出一种新的自适应过滤方法，用一组文档表示配置文件，并根据新检索文档的反馈更新。分类使用基于αβ邻域的最近邻（NN）规则，同时定义投票方案和决策规则用于自适应过滤问题。该方法在TREC - 11基准数据集上评估，实验表明，当配置文件存在内部差异时，此方法性能优于其他方法；对于接近均匀的配置文件，也能取得相当的结果。

2. 相关工作

自适应文档过滤主要有两种方法：检索 + 阈值法和文本分类法。
- 检索 + 阈值法 ：利用为信息检索（IR）设计的算法构建自适应过滤策略。系统用IR算法为每个传入文档打分，分数高于阈值的文档视为相关。例如，Yang和Kisiel提出基于边界的局部回归算法更新阈值并应用于Rocchio算法；Tebri等人提出基于Rocchio算法的系统，用强化学习算法更新向量配置文件的权重。
- 文本分类法 ：将