用户信息检索中相关性反馈模型研究
信息检索中的相关度排序技术研究
信息检索中的相关度排序技术研究随着互联网的迅速发展，信息过载已成为我们耳熟能详的概念。
在这个信息爆炸的时代，如何从海量信息中快速准确地检索到所需信息，成为了人们不得不面对的问题。
这时，信息检索技术的重要性就显得尤为突出。
而信息检索中的相关度排序技术更是其中的核心和难点。
一、相关度排序技术介绍相关度排序技术主要应用于搜索引擎，其核心是根据用户的检索需求，将检索结果按照相关性从高到低排序。
使用者可以通过输入关键字或查询语句，从搜索引擎中获得与自己需求相关的信息，这是相关度排序技术的核心，也是其最终目标。
与相关度排序技术相关的重要概念是“文档”，即文本、网页或其他形式的信息资源。
相关度排序技术的核心思想是通过“索引”来实现，即将文档中的关键词提取出来，并建立关键词和文档之间的映射关系。
而相关度排序技术根据这种关系，确定每个文档与查询语句的相关程度，并对搜索结果进行排序，以便用户可以更快速地找到所需信息。
二、相关度排序技术的算法相关度排序技术通常会采用有监督或无监督的学习算法来实现。
有监督的学习算法需要先手动标注许多文档，从中学习到哪些特征与查询语句相关，然后对未标注的文档进行分类。
这种算法的缺点在于需要大量的标注数据，且无法应对新出现的搜索词和文档类型。
无监督的学习算法则不需要标注数据，而是通过发现文档之间的相似性进行分类。
这种算法的缺点在于可能导致分类不准确，甚至将无关的文档也归为搜索结果。
除此之外，相关度排序技术还有一些其他的算法，比如PageRank算法和机器学习等算法。
这些算法的核心思路都是根据文档与查询语句之间的关系，对搜索结果进行排序。
三、相关度排序技术的挑战相关度排序技术的实现过程中，还面临着一些挑战。
其中之一是语义理解的挑战。
由于自然语言中词汇的多义性和歧义性，导致通过关键词匹配很难准确理解用户查询的含义。
为了解决这个问题，搜索引擎需要将用户的查询语句进行语义分析，以便更好地理解用户的查询意图。
信息检索中的检索模型比较分析
信息检索中的检索模型比较分析信息检索是指用户在面对大量信息时，通过使用一定的检索模型和技术方法，从中找到对自己有用的信息。
在信息爆炸的时代，信息检索变得非常重要和必要。
在进行信息检索时，使用不同的检索模型可以对用户的需求有不同的体现和处理方式。
因此，本文将比较分析信息检索中常见的检索模型，包括布尔模型、向量空间模型和概率模型。
首先，布尔模型是信息检索中最简单和最早的一种模型。
它使用布尔运算符（AND、OR、NOT）来表达检索的需求。
布尔模型的优点是逻辑简单，可以精确地描述用户的需求，使得检索结果更加准确。
然而，布尔模型的缺点也很明显，即无法对文本进行有关键词排名和排序，只能返回文档是否与查询匹配的结果。
由于信息检索系统中文档数量庞大，使用布尔模型检索的结果可能会非常庞杂，给用户带来困扰。
其次，向量空间模型是一种基于向量空间的检索模型。
该模型将文档和查询都表示为向量，并计算它们之间的相似度来判断文档与查询的相关性。
向量空间模型的优点在于可以对检索结果进行排序和排名，使得结果更加合理和有序。
此外，向量空间模型还可以使用权重来表示文档中关键词的重要程度，从而进一步提高检索的准确性。
然而，向量空间模型也存在一些问题，例如需要对文档和查询进行向量表示，需要对文档中的关键词进行权重计算，这些都需要消耗大量的计算资源和时间。
最后，概率模型是一种基于统计学概率的检索模型。
它通过计算文档与查询之间的相关性概率来进行检索。
概率模型的优点在于可以通过统计学方法来估计查询与文档之间的相关性概率，从而更好地处理查询的需求。
此外，概率模型还可以使用反馈机制来进一步提高检索的准确性。
然而，概率模型也存在一些问题，例如需要对文档集合进行训练，需要估计相关性概率，这些都需要大量的计算资源和大规模的文档集合。
综上所述，信息检索中的检索模型比较分析主要包括布尔模型、向量空间模型和概率模型。
布尔模型逻辑简单，可以精确地描述用户的需求，但无法对检索结果进行排序和排名；向量空间模型可以对检索结果进行排序和排名，但需要对文档和查询进行向量表示和权重计算；概率模型可以通过统计学方法估计查询与文档的相关性概率，但需要大量的计算资源和训练集合。
国外学术用户信息查寻行为模型研究综述
国外学术用户信息查寻行为模型研究综述何晓阳【摘要】Papers on information searching behavior models of foreign academic users in the past 10 years were analyzed in aspects of general academic users, establishment of specific subject user model, and modification of present models. The stress was laid on uncertain model, information encountering model, medical scholar information searching behavior model, social scientific scholar information searching behavior mode, historian information searching behavior model, and musician information searching behavior model, and the general characteristics and developmental trend of foreign information searching behavior models were summarized.%采用系统性综述分析方法,从普通学术用户、特定学科用户的模型构建以及现有模型修正3个方面,对国外近十年来学术用户信息查寻行为模型的相关研究文献进行多维分析,重点介绍与评析了不确定性模型、信息偶遇模型以及医学学者、社会科学学者、历史学者及音乐学者4个特定学术群体的信息查寻行为模型,并总结了国外信息查寻行为模型的研究总体特点与发展趋势.【期刊名称】《中华医学图书情报杂志》【年(卷),期】2017(026)003【总页数】6页(P20-25)【关键词】信息行为模型;学术用户;综述【作者】何晓阳【作者单位】第三军医大学图书馆,重庆400038【正文语种】中文【中图分类】G252;G254.9;R-05820世纪90年代前后是信息查寻行为模型研究的一个高峰期。
基于数据融合和相关度反馈的信息检索方法
基于数据融合和相关度反馈的信息检索方法信息检索(informationretrieval)计算机学中一项基础性的研究领域，特别是它在搜索引擎等互联网应用中的应用，对于解决许多在实际工作和生活中会遇到的问题起着非常重要的作用。
然而，传统的信息检索模型存在一些缺点，例如无法准确定位搜索结果与用户需求的相关性，无法有效利用多源信息加以分析、无法改善搜索结果的质量，从而使用户无法获得较正确的搜索结果。
为了解决这些问题，基于数据融合和相关度反馈的信息检索方法应运而生。
这种方法基于以用户为中心的思想，利用相关度反馈技术和数据融合技术来对获取的源数据进行加工处理，最终达到提供搜索引擎用户满意结果的目的。
数据融合技术是基于数据融合技术的一种技术，它可以通过利用多个不同来源的数据，将这些数据综合分析，最终获得完整、准确的数据信息。
这样一来，就可以将多源数据应用于信息检索，从而提高搜索结果的准确率和完整程度。
此外，还可以从数据融合的角度，根据用户的行为历史和偏好，计算出按照用户相关性最高的结果，从而有效改善搜索结果的质量。
另一方面，相关度反馈技术则是以用户为中心的信息检索技术，其目的是基于用户对文档的真实或潜在兴趣，改善搜索技术提供给用户的搜索结果。
它可以根据用户本身的行为来改善信息检索技术提供的搜索结果，同时可以利用内容分析技术和关联技术来提高搜索技术的准确性和可靠性。
因此，结合数据融合技术和相关度反馈技术，可以更好地运用信息检索技术，同时提高搜索引擎的精准度和可靠性，从而更有效地满足用户的搜索需求。
在总结以上技术原理的基础上，本文还将分析基于数据融合和相关度反馈的信息检索技术的实际应用情况。
针对基于数据融合和相关度反馈的信息检索技术，研究人员主要运用它来满足用户特定的信息搜索需求。
首先，它可以运用数据融合技术和相关度反馈技术，将多源数据进行融合处理，从而使用户可以获得更精确准确的搜索结果。
其次，结合用户行为数据，可以基于用户的行为历史和偏好，计算出按照用户相关性最高的结果，从而有效改善搜索结果的质量。
信息检索系统中的用户相关反馈机制
（ ， ４ ３ ２ 一 （ ． ５， ． ５ ｛ １ ， ． ５ １ ２ ０ （ 值 换 成 ０ 。 Ｏ ０， ， ， ） ３ ７ １ ７ ， 一 ） １ ２ ， ． ５， ） 负 ）
Ｔｅ ｍ １ ｒ Ｔｅ ｍ２ ｒ ７ｅ ｍ ３ ｒ ７ｅ ｍ４ 、ｒ Ｔｅ ｍ ５ ｒ
相关反 馈是 如何 实 现查询 式扩 展 和检 索词权 值 调整 的 。
【 键 词 】 信息 检索 关
相 关反 馈 查 询扩 展
权 值 调整
【 类 号 】 Ｇ３ ４ 分 ５
Ｕ ｓ ｒ Ｒ ｅ ｅ ａ ｅ Ｆｅ ｄｂａ ｋ ｆ ｎｆ ｍ ａ ｉ ｅ ｒ ｅ ａ ｓ ｅ ｅ ｌ ｖ ｎｃ ｅ ｃ ｏｒ Ｉ ｏｒ ｔｏｎ Ｒ ｔ ｉ ｖ ｌ Ｓｙ ｔ ｍ
Ｃｈｅ Ｄ ｉ ｎ ｎｇｑｕａ ｎ
（ ｅ Ｄｏ ｕ ｎ ａ ｉｎ ａ ｄ Ｉ ｆ ｒ ｔｏ ｎ ｅ ＿ Ｔｈ ｃ ｍｅ ｔ ｔｏ ｎ ｎ ｏ ｍａ ｉｎ Ｃｅ ｔｒ ０ 厂Ｃ ５，Ｂｅｊｎ ｊ ０ ８ ， ｉ ａ） ｉｉｇ ０ ０ Ｃｈ ｎ ０
［ ｓｒ ｃ 】 Ｂａ ｅ ｏ ｖ ｃｏ ｓ ａ ｅ Ａｂ ｔａ ｔ ｓ ｄ ｎ ｅ ｔ ｒ ｐ ｃ ｍｏ ｅ ａ ｄ ｒ ｂ ｂ ｌ ｙ ｍｏ ｅ ，ｔ ｉ ｐ ｐ ｒ ｌ ｂ ｒ ｔ ｓ ｏ ｔ ａ ｏ ｔ ｄ ｌ ｎ ｐ ｏ ａ ｉｉ ｄ ｌ ｈ ｓ ａ ｅ ｅａ ｏ ａ ｅ ｈ ｗ Ｏ ｄ ｐ ｔ
Ｑｎ一 （ ０， ２． ＋ ０． ３， ０， ０） ２５（ ２＋ １， ４＋ ３， ０＋ ０． ０＋ ０， ２＋ ０）一 ０ ５ ．２
以 修 改 最 初 查 询 式 中 检 索 词 的 权 值 ， 时 还 可 以 根 据 相 关 文 同 献 中 的新标 引词 扩 展 查询 的 检索 词 ｌ。 技 术 的发 展概 况 ， ３ 该 ］ 请
第07章 检索结果相关反馈与优化
Information Retrieval and Processing
第7章 检索结果相关反馈与优化
Information Retrieval and Processing
信息检索的一个问题
信息 集合
特征化 表示
信息检索系统
特征化 表示
需求 集合
选择与匹配
问题：当首次信息检索结果不能满足用户需求时， 应该如何处理以满足用户的需要？
Information Retrieval and Processing
一个解决策略—查询优化
查询优化（Query Refinement），也称查询修正、查询 改进、查询精化或查询细化，国外亦称之为查询点移动 （Query Point Movement），是根据检索结果的满足程 度来进一步调整检索策略的方法与技术。
6．制定具体的检索程序
确定回溯时间，分配检索任务
7．判断检索结果的相关性，必要时进行反 馈检索，获取原始信息单元
Information Retrieval and Processing
7.1 检索策略的构造与优化
7.1.1 检索策略的含义 7.1.2 检索策略的构造 7.1.3 检索词的选择 7.1.4 检索式的拟定 7.1.5 检索策略的优化
颖率等
费用
用户为检索所投入的费用
时间
用户检索所花费的时间
Information Retrieval and Processing
检索策略
用于 提高 查全 率的 措施
用于 提高 查准 率的 措施
调整检索策略的方式
1、去掉用AND连接的非主题限定词
2、增加用OR连接的相关检索词
3、减少用NOT限定的检索式
本体信息检索情境下相关性理论研究_郝斌
郝 斌 :本体信息检索情境下相关性理论研 究 Hao Bin:Relevance in the Ontology-Driven Information Retrieval
2 .1 本体用于分类 在这一类型的本体信息检索模型中 , 本体一般
本体(Ont ology)最初是一个哲学的概念 , 表示 事物的一种存在 , 是对客观世界真实存在的一种客 观描述[ 10] 。 后来随 着计算 机 、人工智 能领域 的发 展 , Nehces 、G ruber 、Bo rst 、S tuder 相继给出了本体 的一些定义 , 其中 1998 年 St uder 给出的定义较为 完善[ 11] 。 它体现了 O nto logy 的 4 个 含义 :即概念 模型(Concept ualizat ion)、明 确(Explicit)、形 式化 (F orm al)和共 享(Share)。 这四 个模块 中 , 核 心是 “概念模型” , 它是指特定领域中所有可能状态所包 含所有元素涉及概念及概念间的关系 。 或者说 , 通 过对领域概念化 , 从中抽象出概念 , 明确概念间的各 种关系 , 从而建立包含语义联系的领域知识库 。 同 时 , 完全意义上的本体还能够利用公理 、规则对概念 及概念间关系进行知识推理 。 因此 , 通过概念化建 模 , 利用本体能够建立反映客观世界领域知识及知 识间联系的概念模型 。
[ Abstract] A s one of the basic t heory of Inf ormat ion Science , relevance i s t he key facto r t o evaluate the ef fectiveness o f inf orm ation ret rieval .On the o ther hand , si nce t he Onto logy-Driven IR i s the hot f ield o f IR research w hich show s a promising f uture , it i s necessary to research these tw o poi nt s to get her and the paper discuss t he relevance pe rf o rm ance i n diff erent Ontol ogy-Driven IR m odel and co mpa re them w i th the Mizzaro relevance m odel . [ Key words] Relevance Ont ology info rmatio n ret riv al Onto logy
信息检索中“相关性”与“相关反馈”研究概述
ｐ ｓ ｎ 。可 以对用 户不够具体 的初始查 询 （ ｉａ ｎ ｏ ａ ｉ） ｉｔｌ ｎ ｉ ｑｅｙ进 行 细 化 、 体 化 。将 已经 检 出 的 文 档 集 不 ｕｒ） 具
断缩小 ， 终 得 到相关 度 最 大 的文 档 集 。 （ ） 最 ２ 调整 词 权 （ｅｍ ｅ ｉｈｉｇ 。 当 用 户 的查 询 目的 并 不 十 ｔｒ ｒｗｅ ｔ ） ｇ ｎ 分 明确 时 ， 统可 根 据 用 户 对 初 次 查 询 结 果 的 相关 系 性 判 断通 过 调整 词 权 改 变 词 语 在 询 问 中 的作 用 ， 从 而改 变检 索效 果 。但 是 尽 管相 关 反馈 技 术 在 信息 检
２ ０世 纪 ４ ０年 代 以 来 ， 息 检 索 被 确 立 为 一 门 信
观 念在 ８ ０年代 被 融 合 于信 息检 索 过 程 中 的人 机 交
互 以及人 工智 能 中 的 问题 求 解 。直 到 今 天 ， 关 性 相 的讨 论仍 在 热烈 进行 中 。 但 是 ， 然对 此 的讨 论 已经很 多 ， 相 关性 的定 虽 对
独立的学科一直受到广泛的关注。人们 习惯于这样 简单的描述 ： 我们被淹没在大量信息中 ， 获得信息的 准确 性似 乎 显得 越 来越 难 。这 样 所造 成 的结果 之 一 就是相关信息由于未被发现而被忽视。随着计算机 时代的到来 ， 人们逐 渐地 把计算 机用 于提供快速 而 具智能性的信息检索系统。正是由于计算机代替人 所做 的大量工作 ， 使得其在处理检索 问题 上与检索 者本身产生了一定的“ 隔阂” 即用户 的需求不能被 ， 正确地了解 和满足 。伴随着诸多 问题 的产生 ， 信息
但对于相关性 的研 究却与相 关反馈在 系统 中的 实际应 用存在 着脱 节。文章对相 关性与相 关反馈 的有关情 况做 了概 述 ， 以期 二 者 更 大程度 的 融合 ， 开发 更适合 于用 户 的信 息检 索 系统 。 关 键 词 ： 息检 索 ； 关性 ； 关反 馈 信 相 相
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
用户信息检索中的相关性反馈模型研究摘要：本文提出一种通过获取用户建立和更新信息相关反馈模型的思想。
通过观察用户在浏览web 页面时所采取的动作来获取反馈信息，利用检索算法将用户信息量化，并利用这些信息建立与更新用户模型。
一方面用户对检索结果的评价输入到用户模型上，另一方面，检索系统通过学习跟踪用户信息并优化用户模型。
关键词：信息检索相关性反馈用户需求中图分类号：g203 文献标识码：a 文章编号：1674-098x（2012）09（c）-0050-02当今进入了信息时代，随着网络技术与智能技术不断创新计算机应用环境，网上关键词不能按需要进行扩检、缩检或作相关检索，从而达不到理想的检索效果，目录型网络信息检索分类处理跟不上信息扩张的速度且类目难以统一组织。
高质量的信息检索需要用户提供准确的兴趣描述，然而面对今天浩如烟海的信息，信息技术领域的一个热点问题就是如何帮助用户高质量地检索，以获取真正有用的信息，这样可以节省科研时间，提高工作效率，同时避免重复研究，加快科技创新的速度，充分挖掘分析信息从而制定高明的市场谋略。
近年来，各种学者研究出基于各种检索模型下的反馈方法，均已成为当前能够产生实效的新研究课题。
1 相关性反馈概念和原理信息检索的种类有许多种，但对于任何一种方法，其根本内容都是一样的，即检索项与标引项的匹配问题。
对事先组织好的文档，可以按用户提出的检索条件去进行匹配运算，符合条件的即为命中，否则为不命中。
检索过程就是对记录的内容再细分的过程，而检索条件就是细分的根据。
对于同一个检索题目，可以产生很多种方法，其反映了标引的逆向过程。
如图1所示，用户需要的内容主要通过信息检索来实现，但在检索的过程中存在一些不确定因素从而使该目标无法实现。
自然语言的复杂性和模糊性是影响检索系统性能的根源，其中包括文档和查询的表达方式、文档和查询相关性的匹配能力、查询结果的排序和用户进行相关反馈的机制等。
就这种检索系统来说，当前的信息检索工具普遍存在这样的一些问题。
（1）检索比较模糊，精准性不强。
用户所需要的文献可能由于计算机系统检索精确性低而不能完全检测到，而不相关和相关度较低的文档则被频繁的检索出来。
（2）检索工具在编制技术上存在问题。
比如，只反映参考文献的第一作者，若从第二作者入手查，就无法使用检索工具；同一来源在索引中反复著录多次，浪费了许多篇幅，不经济；同名著者不能区分，同一作者的不同名字不易控制和合并，等等。
（3）无法实现一次性复杂检索。
传统的信息检索系统允许多次简单条件进行“二次检索”，即在第一次检索的基础上，根据检索要求，在二次检索框中输入相应的检索词再次进行检索，逐步缩小范围。
与传统的检索方式相比较，基于用户的信息检索具有以下优势：（1）利用反映用户信息需求的特征来进行检索。
（2）相关反馈检索，即根据检索库中各个被检索单元与用户检索需求的相关程度而二次检索。
传统的信息检索通常是不区分用户所处的社会环境、受教育的程度和个人的能力这些因素而进行检索的，因而大多数用户无法从检索方法、检索策略和检索结果中获取个人的需要。
例如，输入“番茄”关键词查询有关番茄的信息，得到的结果中一定含有“番茄”，而“西红柿”、“圣女果”都可以表达相同的概念，却由于词形上的差异不能满足关键词匹配的要求。
又比如“航天飞机”和“太空梭”虽然指的概念是一样的，但在中文检索工具上用“航天飞机”是查不到“太空梭”的主页的。
显然，相关反馈检索是相当有用的。
在改进的检索系统中用户可以评估文档，并且把信息反馈到检索系统中，另一方面系统通过获取用户感兴趣的领域和用户的检索行为建立用户模型库，并执行一次新的查询。
相关反馈技术能够提供更为智能化、知识化的服务的技术，它可以使检索性能得到很大的提高，在检索过程中，它提供了一个受控查询改变的过程，在强调某些重要的检索词的同时，削弱了另外一些检索词。
系统根据用户的查询要求返回检索结果。
用户对检索系统进行评价和标记，并将这些信息反馈给系统，将查询操作划分成一个个小的查询过程，以逐渐接近用户想要的目标文档。
系统则根据这些信息进行学习，并返回新的查询结果，从而使检索结果更加满足用户的要求。
在此过程中系统需要为用户建立模型以用来存储用户的兴趣、检索习惯、用户背景等信息，用户所要做的工作是处理文档所包含的思想和概念。
首先，用户提出一个查询请求，检索系统开始进行原始的查找，检索系统根据用户文档修改用户查询条件，并对用户提问查询进行重新查找；其次，用户罗列出返回的那些内容是关联性大的，然后检索系统会自动的使用其中检索词来进行扩检查询，基于用户相关性来形成新的查询。
通过这种用户与相关反馈系统的相互作用不断完善和精确用户的查询请求。
同时，相关反馈过程也是一个不断重复的过程。
我们要解决的重点是，怎样收集并组织相关文献，怎样优化查询，怎样选定新的检索词，而相关反馈模型检索能比较完善的解决了这个问题。
2 基于用户的相关反馈模型机制检索系统通过观察用户与系统之间的交互动作获取用户的个人兴趣，从而利用相关反馈来扩展对用户的查询。
因而基于用户的相关反馈模型能够根据用户的使用情况，适时调整系统的主题和全局模式，以满足用户的需要，将使系统更加灵活。
例如，当全社会掀起创建和谐社会时，对于互帮互助、雷锋精神相关的文献需求量可能会增加；在进行高科技技术学习时，可能对航空航天相关文献的需求又会增加。
对于这种需要，虽然事先无法预料，但可以通过对用户检索内容的分布情况的分析来对主题和全局模式进行调整。
2.1 采集用户查询行为信息在进行采集用户行为信息前要进行需求分析，即明确采集目标。
需求分析是整个信息采集的出发点，也是整个信息采集工作效率高低和成败的关键。
在采集过程中根据信息采集的需求不同，要采用不同的采集。
不同类型、不同内容的用户信息，获取的途径和方法也不一样。
用户查询行为的采集应采用调查问卷、启发式采集、现场搜集等方式来获取，例如用户的移动手持设备，方便用户，充分发挥手持设备的优势，利用拍照和录音功能实现用户查询行为信息采集、信息采集的“移动化”、“零手写”。
利用河南移动公司的设备定位技术，实现信息采集地点的自动定位，提高信息采集的效率。
采用查全率和查准率来对反馈技术在经过前处理的检索模型和没有经过前处理的模型上的有效进行分析。
查全率=检出相关信息量/系统中相关信息总量×100%查准率=检出相关信息量/检出信息总量×100%根据实验结果可以看出基于反馈技术在信息检索模型上是有效的，但是实验结果说明该种方法还需进一步的论证，从而提高查全率和查准率。
经过比较可以得出结论：前处理技术一定程度上提高了相关反馈的查准率，而查全率和未经过处理前的模型差不多。
2.2 用户检索结果的相关度研究在实际检索中，假设用户检索最终结果的数量超过了一定的条数，或者页码过多，那么用户只能重点浏览前面的检索结果，而对后面的内容漠不关心。
因此，就要对检索结果进行相关度排序，把相关度高的结果排在前面，这就要对系统进行设计。
其主要思想是对文献的题目、关键词、作者、内容摘要四个位置进行相关度的计算，为每个地方设计一个不同的权重，相关度越高的则权重越高。
相关度的计算方法如下：假设有检索词k，计算机检索得到的结果集l={l0，l1，…，ln}（n∈n），l中的各个项进行相关度排序。
设lki为k的一个检索结果li，则li∈l。
lmi为li用户使用过的次数。
则l中的任意两项li，lj存在以下关系：（1）当仅当lki=lkj， lmi=lmj，那么li=lj；（2）如果lki>lkj，那么li>lj；（3）如果lki=lkj， lmi>lmj，那么li>lj。
该算法表示如下：void queryresultcollection：：ranksort（）{ if（—result.size（）mi，mi∈（m-p）。
这时，由p中元素对应的主题组成的集合，就是要寻找的主题集合。
对于集合f，如果选择的主题太大，则在集合m中可能存在大量元素的值偏小，这时需要通过系统管理员的人工判断来选择。
本系统主要是对一定时间内用户检索内容的分类情况和涉及的主题情况，进行统计来分析检索内容的分布情况。
在每个用户检索时，一方面是对其感兴趣的检索结果进行记录，一方面是对其使用的检索词进行匹配，从而得到单个用户一次检索时的兴趣范围，通过对一段时间内所有用户的兴趣范围的累计，得出一个用户兴趣范围的分布情况表，即兴趣模型。
3 结语当前对相关反馈模型的研究日益深入，它有助于实现个性化的智能检索服务，信息检索是一个涉及自然语言处理各个方面的研究领域，用户反馈模型的引入，可以挖掘用户信息之间的内在联系，检索的结果能准确、系统的反映用户的需求。
通过研究新的相关反馈模型机制，拓展信息检索领域的研究内容，推进信息技术的利用水平，主要表现在挖掘用户的潜在兴趣、开辟新的兴趣领域和进行专门的检索服务。
信息检索中的相关反馈模型的研究已经成为人们日益关注的一个热点，是未来检索服务的一个研究方向，基于用户个性化的检索模式将会随着不断完善的功能、不断提高的准确性，为人们获取信息提供更多的便利。
但是在其实现过程中，仍旧存在不少困难，如用户兴趣的遗忘、用户兴趣的挖掘、反馈学习机制的优化模型，以及多用户兴趣模型的设计和实现，这些都还有待进一步改进和解决。
参考文献[1] 李业丽，林鸿飞，姚天顺.基于事例的用户信息需求模型[j].用户计算机工程与用，2000.[2] 李广建，黄昆.用户模型及其学习方法[j].现代图书情报技术，2002.[3] 王志军，于超.基于隐式反馈的个人信息检索技术及实现[j].工程应用技术与实现，2003.。