基于模板匹配的搜索引擎粗糙集特征檢索

王學(xué)軍

（廣州華立學(xué)院，廣東 廣州 511325）

0 引 言

隨著網(wǎng)絡(luò)信息技術(shù)的發(fā)展，采用搜索引擎實(shí)現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)信息管理和檢索成為常態(tài)。搜索引擎檢索數(shù)據(jù)，是在信息化體系構(gòu)架下，進(jìn)行搜索引擎粗糙集查詢(xún)；結(jié)合知識(shí)結(jié)構(gòu)圖模型設(shè)計(jì)，建立搜索引擎粗糙集查詢(xún)數(shù)據(jù)的檢索和特征匹配模型，構(gòu)建搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息和文獻(xiàn)資源的數(shù)據(jù)分析模型，能夠提高數(shù)據(jù)檢索的精準(zhǔn)度。相關(guān)的搜索引擎粗糙集特征檢索方法研究受到了人們的極大關(guān)注[1]。

對(duì)搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息檢索是建立在對(duì)大數(shù)據(jù)信息結(jié)構(gòu)特征分析技術(shù)上的，采用統(tǒng)計(jì)特征分析方法，建立基于大數(shù)據(jù)分析和云計(jì)算技術(shù)的搜索引擎粗糙集特征檢索模型[2-3]。文獻(xiàn)[4]中提出基于大數(shù)據(jù)分析的搜索引擎粗糙集查詢(xún)數(shù)據(jù)融合方法，結(jié)合耦合參數(shù)匹配和信息重組方法實(shí)現(xiàn)搜索引擎粗糙集特征檢測(cè)，但采用該方法進(jìn)行數(shù)據(jù)檢索的實(shí)時(shí)性不好。文獻(xiàn)[5]采用聯(lián)合關(guān)聯(lián)規(guī)則性挖掘的方法，實(shí)現(xiàn)搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息檢索的特征分析，建立搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息檢索的聯(lián)合特征匹配模型實(shí)現(xiàn)引擎檢索，但該方法的計(jì)算負(fù)載較高。針對(duì)上述問(wèn)題，本文提出基于模板匹配的搜索引擎粗糙集特征檢索方法。首先采用稀疏性字典匹配集存儲(chǔ)機(jī)制構(gòu)建搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息的分塊網(wǎng)格化詞義結(jié)構(gòu)模型；然后建立搜索引擎粗糙集查詢(xún)的模板匹配參數(shù)，采用模板匹配和自適應(yīng)參數(shù)估計(jì)的方法，通過(guò)關(guān)聯(lián)規(guī)則調(diào)度，建立搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息匹配和檢索的尋優(yōu)學(xué)習(xí)模型；通過(guò)粗糙集語(yǔ)義參數(shù)估計(jì)，結(jié)合特征聚類(lèi)方法實(shí)現(xiàn)搜索引擎數(shù)據(jù)檢索。最后進(jìn)行仿真測(cè)試，結(jié)果表明，采用本文方法進(jìn)行搜索引擎粗糙集檢索的查準(zhǔn)率較高，檢索匹配能力較好。

1 搜索引擎粗糙集查詢(xún)數(shù)據(jù)結(jié)構(gòu)特征分析

1.1 搜索引擎粗糙集查詢(xún)數(shù)據(jù)結(jié)構(gòu)模型

為了實(shí)現(xiàn)搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息檢索，結(jié)合高層語(yǔ)義之間的語(yǔ)義特征分析和密度聚類(lèi)分析，構(gòu)建搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息檢索的特征匹配模型，采用關(guān)聯(lián)規(guī)則融合和相似度特征檢測(cè)，進(jìn)行搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息的特征檢測(cè)和粗糙集參數(shù)查詢(xún)[6]。根據(jù)空間分布狀態(tài)特征得到搜索引擎粗糙集查詢(xún)數(shù)據(jù)結(jié)構(gòu)分布如圖1 所示。

圖1 搜索引擎粗糙集查詢(xún)數(shù)據(jù)結(jié)構(gòu)分布

根據(jù)圖1 所示的搜索引擎粗糙集查詢(xún)數(shù)據(jù)特征分布，采用模糊引擎查詢(xún)調(diào)度的方法，得到搜索引擎粗糙集的HOG特征，構(gòu)建搜索引擎粗糙集查詢(xún)數(shù)據(jù)的樣本平均分布集，得到差異度匹配集Ei,j=，其中，ei∈{1, 0}。粗糙樣本集為：

式中：PT-elec為搜索引擎粗糙集查詢(xún)數(shù)據(jù)的語(yǔ)義屬性；R為語(yǔ)義本體特征；LDATA為用戶(hù)的交互項(xiàng)目與被推薦項(xiàng)目的自由度；LACK為描述復(fù)雜特征信息的知識(shí)圖譜參數(shù)。根據(jù)搜索引擎粗糙集查詢(xún)數(shù)據(jù)的樣本構(gòu)造特點(diǎn)，得到模糊度檢測(cè)參數(shù)t，給定一個(gè)數(shù)據(jù)集S={x1, ...,xm}，用元路徑或元圖向量x=[x1x2...xk]表示搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息檢索的統(tǒng)計(jì)特征量。根據(jù)M1,M2, ...,MN的聚類(lèi)性，得到搜索引擎粗糙集查詢(xún)數(shù)據(jù)的特征匹配結(jié)構(gòu)式為：

式中：

式中：DIFS 為搜索引擎粗糙集查詢(xún)數(shù)據(jù)的描述統(tǒng)計(jì)特征量；tDATA為知識(shí)圖譜卷積網(wǎng)絡(luò)圖譜參數(shù)采樣時(shí)間間隔；tslot為用戶(hù)與項(xiàng)目之間的細(xì)粒度；tT-start為檢索開(kāi)始時(shí)間；SIFS 為差異化概率密度。根據(jù)上述分析，采用稀疏性字典匹配集存儲(chǔ)機(jī)制構(gòu)建搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息的分塊網(wǎng)格化詞義結(jié)構(gòu)模型，實(shí)現(xiàn)粗糙集特征分配檢索[7]。

1.2 搜索引擎粗糙集查詢(xún)數(shù)據(jù)檢索特征匹配

在計(jì)算學(xué)習(xí)者嵌入表示的過(guò)程中，根據(jù)搜索引擎粗糙集查詢(xún)的分組檢測(cè)結(jié)果，將鄰居節(jié)點(diǎn)信息聚合到當(dāng)前節(jié)點(diǎn)，得到檢索關(guān)鍵詞匹配參數(shù)為，搜索引擎粗糙集查詢(xún)數(shù)據(jù)的梯度聚類(lèi)函數(shù)為：

式中：l為搜索引擎粗糙集的邊緣分布特征；Ecomm為局部的近似結(jié)構(gòu)及特征；pdrop為聯(lián)合自相關(guān)統(tǒng)計(jì)特征量，給定交互矩陣與知識(shí)圖譜，得到搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息的模糊集分布為：

式中：v表示聚合鄰居實(shí)體；c(v)為學(xué)習(xí)資源l的拓?fù)浣Y(jié)構(gòu)信息。學(xué)習(xí)資源的嵌入聚合實(shí)體的權(quán)重分量，分單元格表示為：

式中：Pk+1|k為聚合實(shí)體的權(quán)重分配概率密度；Gk+1為知識(shí)圖譜中實(shí)體的鄰域分配系數(shù)，為其轉(zhuǎn)置特征量。通過(guò)模糊字節(jié)特征匹配方法，建立搜索引擎粗糙集查詢(xún)的模板匹配參數(shù)分配模型[8]。

2 搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息檢索優(yōu)化

2.1 搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息融合處理

設(shè)nz為搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息檢索節(jié)點(diǎn)數(shù)，引入搜索引擎粗糙集查詢(xún)數(shù)據(jù)語(yǔ)義的屬性分類(lèi)策略，采用分組檢驗(yàn)，得到搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息檢索的粗糙集為：

式中：N為交互數(shù)據(jù)的語(yǔ)義序列長(zhǎng)度；x為搜索引擎的知識(shí)圖譜分布；τ為時(shí)間延遲。由此，建立搜索引擎粗糙集查詢(xún)數(shù)據(jù)的語(yǔ)義自動(dòng)分配目錄，根據(jù)粗糙集特征分配，進(jìn)行模板匹配和語(yǔ)義檢索[9]。

2.2 搜索引擎粗糙集查詢(xún)數(shù)據(jù)特征檢索

建立搜索引擎粗糙集查詢(xún)的模板匹配參數(shù)分配模型，采用模板匹配和自適應(yīng)參數(shù)估計(jì)的方法，通過(guò)關(guān)聯(lián)規(guī)則調(diào)度，得到層次聚類(lèi)中心為Mi和Mj；采用粗糙集特征匹配的方法，得到搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息檢索的層次密度聚類(lèi)輸出為Clustdist(Mi,Mj)。當(dāng)(i≠j, 1 ≤i≤q, 1 ≤j≤q)時(shí)，搜索引擎粗糙集查詢(xún)數(shù)據(jù)語(yǔ)義屬性的聚類(lèi)輸出的時(shí)間概率密度函數(shù)表示為：

式中：Xp為搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息語(yǔ)義分布的源信息；u為搜索引擎粗糙集查詢(xún)數(shù)據(jù)的粗糙度；v為搜索引擎粗糙集匹配度特征量。建立模糊度匹配模型，得到模糊邊緣匹配系數(shù)為的邊緣向量值，用四元組(Ei,Ej,d,t)來(lái)表示大數(shù)據(jù)背景下引擎粗糙集的融合度，得到信息融合輸出：

式中：σs為學(xué)習(xí)狀況和學(xué)習(xí)滿(mǎn)意度的聯(lián)合匹配泛函；X1為學(xué)習(xí)者行為參數(shù)；H為信息熵。設(shè)搜索引擎粗糙集查詢(xún)數(shù)據(jù)的采樣周期為T(mén)s，則每個(gè)周期包含的搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息數(shù)據(jù)點(diǎn)數(shù)m=T/Ts。采用類(lèi)型化的模板參數(shù)匹配，實(shí)現(xiàn)對(duì)搜索引擎粗糙集查詢(xún)數(shù)據(jù)知識(shí)結(jié)構(gòu)圖模型的匹配[10-12]。

3 仿真實(shí)驗(yàn)與結(jié)果分析

通過(guò)MATLAB 仿真實(shí)驗(yàn)驗(yàn)證本文方法在搜索引擎粗糙集特征檢索中的應(yīng)用性能，實(shí)驗(yàn)中以圖片檢索為例，圖片采樣大小Q設(shè)置為4，相似度為0.28，學(xué)習(xí)率為0.001，待檢索圖像如圖2 所示。

圖2 搜索引擎待檢索圖

以圖2 為研究對(duì)象，采用本文方法進(jìn)行模板匹配和粗糙集特征提取，實(shí)現(xiàn)圖像檢索，結(jié)果如圖3 所示。

圖3 搜索引擎信息檢索結(jié)果

分析圖3 可知，采用本文方法進(jìn)行搜索引擎粗糙集特征檢索的模板匹配性能較好，匹配精度較高。測(cè)試檢索的查準(zhǔn)率，對(duì)比結(jié)果如圖4 所示。分析圖4 可知，本文方法的查準(zhǔn)率更高，性能優(yōu)于傳統(tǒng)方法。

圖4 查準(zhǔn)率對(duì)比

4 結(jié) 語(yǔ)

結(jié)合知識(shí)結(jié)構(gòu)圖模型設(shè)計(jì)，建立搜索引擎粗糙集查詢(xún)數(shù)據(jù)的檢索和特征匹配模型，能夠提高數(shù)據(jù)檢索的精準(zhǔn)度。本文提出基于模板匹配的搜索引擎粗糙集特征檢索方法。采用稀疏性字典匹配集存儲(chǔ)機(jī)制構(gòu)建搜索引擎粗糙集查詢(xún)數(shù)據(jù)信息的分塊網(wǎng)格化詞義結(jié)構(gòu)模型，實(shí)現(xiàn)粗糙集特征分配檢索；采用類(lèi)型化的模板參數(shù)匹配，實(shí)現(xiàn)對(duì)搜索引擎粗糙集查詢(xún)數(shù)據(jù)知識(shí)結(jié)構(gòu)圖模型的匹配。分析得知，本文方法對(duì)搜索引擎粗糙集特征檢索的匹配性和查準(zhǔn)率較高。