Диссертация (Многоязыковый информационный поиск с использованием мультиагентной платформы), страница 12

(Нечеткий вывод типа Сугено не имеет дефазификации, выходСугено является линейным или постоянным, поэтому при примененииэтой СНЛВ дефазификация не требуется.)Полученнаяэкспертнаяоценкарелевантностидокументадалееиспользуется для ранжирования результатов МИП.На рисунке 3.3 показан алгоритм оценки релевантности документов сиспользованием СНЛВ.Для оценки применимости систем Мамдани и Сугено для определениястепенирелевантностинайденныхэкспериментальные исследования.документовбыливыполнены82Рисунок 3.3 – Алгоритм экспертной оценки релевантностис помощьюнечеткого логического вывода3.3 Экспериментальная оценка применимости систем нечеткого выводаМамдани и Сугено для оценки релевантности документов при поиске наодном языкеЭксперимент проводился для оценки балла ранжирования релевантныхдокументов при использовании ключевых слов запроса «системы управленияавтоматические энергии».83Для оценки релевантности документов в мультиагентной системе МИП набазе СНЛВ Мамдани и Сугено и с использованием косинусного подобиясогласно выражению (2.9) для лингвистических переменных веса j-го термина взапросе и в документе были использованы следующие правила, основанные напроизведении:Если (w(tj,q) – очень низкий) и (w(tj,di) – очень низкий), то (cos (q,di) –очень низкая оценка).Если (w(tj,q) – высокий) и (w(tj,di) – средний), то (cos(q,di) – средняяоценка).Если (w(tj,q) – высокий) и (w(tj,di) – очень высокий), то (cos(q,di) – высокаяоценка).Если (w(tj,q) – высокий) и (w(tj,di) – очень низкий), то (cos(q,di) – оченьнизкая оценка).Если (w(tj,q) – низкий) и (w(tj,di) – очень низкий), то (cos(q,di) – оченьнизкая оценка).Если (w(tj,q) – средний) и (w(tj,di) – высокий), то (cos(q,di)– средняяоценка).Если (w(tj,q) – очень высокий) и (w(tj,di) – высокий), то (cos(q,di) – высокаяоценка).Если (w(tj,q) – очень высокий) и (w(tj,di) – очень высокий), то (cos(q,di) –очень высокая оценка).Если (w(tj,q) – высокий) и (w(tj,di) – высокий), то (cos(q,di) – высокаяоценка).Если (w(tj,q) – очень низкий) и (w(tj,di) – высокий), то (cos(q,di) – оченьнизкая оценка).Если (w(tj,q) – средний) и (w(tj,di) – низкий), то (cos (q,di) – низкая оценка).84Если (w(tj,q) – средний) и (w(tj,di) – средний), то (cos(q,di) – средняяоценка).Если (w(tj,q) – очень низкий) и (w(tj,di) – средний), то (cos(q,di) – оченьнизкая оценка).Если (w(tj,q) – очень низкий) и (w(tj,di) – очень высокий), то (cos(q,di) –очень низкая оценка).Если (w(tj,q) – средний) и (w(tj,di) – очень высокий), то (cos(q,di) – средняяоценка).Если (w(tj,q) – очень низкий) и (w(tj,di) – очень низкий), то (cos(q,di) –очень низкая оценка).Если (w(tj,q) – средний) и (w(tj,di) – очень низкий), то (cos(q,di) – оченьнизкая оценка).Если (w(tj,q) – низкий) и (w(tj,di) – высокий), то (cos(q,di) – низкая оценка).Если (w(tj,q) – низкий) и (w(tj,di) – очень высокий), то (cos(q,di) – низкаяоценка).Если (w(tj,q) – очень высокий) и (w(tj,di) – низкий), то (cos (q,di) – низкаяоценка).Если (w(tj,q) – очень высокий) и (w(tj,di) – средний), то (cos(q,di) – средняяоценка).Если (w(tj,q) – очень высокий) и (w(tj,di) – очень низкий), то (cos(q,di) –очень низкая оценка).Если (w(tj,q) – высокий) и (w(tj,di) – низкий), то (cos (q,di) – низкая оценка).Если (w(tj,q) – низкий) и (w(tj,di) – низкий), то (cos (q,di) – низкая оценка).Если (w(t1, q) – средний) и (w(t1,di) – очень низкий), то (cos (q, di)очень низкая оценка).Если (w(tj,q) – низкий) и (w(tj,di) – средний), то (cos(q,di) – низкаяоценка).–853.3.1 Оценка результатов ранжирования с использованием СНЛВМамданиКоличество входов СНЛВ Мамдани зависит от количества терминов взапросе, соответственно для запроса из четырех терминов на входе системы 8переменных:четыре (w(t1,q), w(t2,q), w(t3,q), w(t4,q), – для весов терминовдокумента и четыре w(t1,di) и w(t2,di) ,w(t3, di), w(t4,di) – для весов терминовзапроса), как показано на рисунке 3.4.Рисунок 3.4 – Система нечеткого логического вывода МамданиСистема имеет один выход – балл документа (оценку релевантности).Каждая из выбранных входных и выходных переменных описана множествомиз пяти лингвистических значений (очень низкий, низкий, средний, высокий иочень высокий), определенных треугольной функцией принадлежности, такимобразомпозволяющейосуществлятьпроцедуруфазификациидляпреобразования измеренных числовых значений в одно из нечетких значений.Функциипринадлежностииспользуютсядляфазификацииидефазификации для разметки ненечетких входных значений и лингвистическихтерминов и наоборот.

Функция принадлежности также применяется дляколичественной характеристики лингвистического терма.86В эксперименте вход обрабатывает НСЛВ типа Мамдани, используятреугольную функцию принадлежности и правила, описанные в выше. Входдля процесса дефазификации заключается в агрегации выхода нечеткогомножества (суммы после применения правил), и получение для выходногомножества скалярного значения – взвешенное среднее, как показано на рисунке3.5, а-б. Документ на рисунке 3.5,а имел наибольший балл (значение центроида- 0.502), также документ на рисунке 3.5,b имели наименьший балл (взвешенноесреднее – 0.414).3.3.2 Оценка результатов ранжирования с использованием СНЛВ СугеноНачальные шаги и настройка СНЛВ Сугено аналогичны настройкам СНЛВтипа Мамдани.

В этом случае на входе также восемь значений (четыре весатерминов документа и четыре веса терминов запроса), как показано на рисунке3.6, и генерирует один выход, который показывает меру подобия.87Рисунок 3.5 – Результаты эксперимента с использованием СНЛВ Мамдани:a – оценка для наиболее соответствующего документа;b – оценка для наименее соответствующего документа88Рисунок 3.6 – Система нечеткого логического вывода СугеноКаждая из выбранных входных переменных описана множеством из пятинечетких лингвистических значений, определенных треугольной функциейпринадлежности, как для СНЛВ типа Мамдани (см. рисунок 3.2).

В отличие отдиапазона выходных значений СНЛВ Мамдани, диапазон выходов СНЛВСугено – значение, которое находится между 0 и 1.База правил для СНЛВ типа Сугено такая же, как и для СНЛВ типаМамдани. В эксперименте входные данные обработаны НСЛВ типа Сугено сиспользованием правил. Множество выходов было представлено одним числом(взвешенной средней), как показано на рисунке 3.7, а и 3.7,b. Документ нарисунке 3.7,aимел самое большое значение (взвешенное среднее – 0.8),документ на рисунке 3.7,b имел наименьший балл (взвешенное среднее - 0.7).89Рисунок 3.7 – Результаты эксперимента с использованием НСЛВ Сугеноa – оценка для наиболее соответствующего документа; b – оценка длянаименее соответствующего документаРезультатыэкспериментовпоказали,что,несмотрянаразличиеполучаемых баллов, для релевантных документов СНЛВ Мамдани и Сугеноработают аналогично, т.е.

порядки ранжирования документов по оценкам,полученным с помощью обеих систем, практически одинаковы. Следовательно,90для оценки балла ранжирования документа можно использовать оба типаСНЛВ. Однако СНЛВ Сугено позволяет получить оценку в 50-60 раз быстрее[102], следовательно, использование системы нечеткого вывода Сугенопредпочтительно.Таким образом обе СНЛВ и Мамдани, и Сугено могут быть использованыдля оценки релевантности документов.Аналогичные результаты были получены для МИП.3.4 Разработка методики многоязыкового информационного поиска спомощью мультиагентной системыМетодика выполнения МИП включает следующие операции.1.

Пользовательвводитключевоесловоналюбомязыкевпользовательском интерфейсе.2. Выполняется перевод этото запроса на другие языки. Если введенныеключевые слова не найдены в словаре, пользователь еще раз вводит ключевыеслова.3. С использованием поисковой машины Google осуществляется поиск поключевым словам в сети Интернет. Google возвращает ссылки, собирая URLссылки на доступных ему веб-сайтах. Если нет доступных URL-ссылок,пользователь еще раз вводит ключевое слово для получения URL-ссылок,удовлетворяющих его запросу.4. Выполняется извлечение документов по найденным ссылкам.5. Выполняетсяанализтекстовнавсехиспользуемыхязыкахсиспользованием алгоритмов лемматизации, удаления стоповых слов илексемизации.6.

Вычисляется нормализованные взвешенные веса терминов для запросаи документов.917. Рассчитываютсяэкспертныеоценкирелевантностидлякаждогодокумента.8. Выполняется ранжирование результатов поиска по релевантностинайденных документов.Данная методика в виде алгоритма представлена на рисунке 3.8.Рисунок 3.8 – Алгоритм многоязыкового информационного поискаВыводы по главе 31. Введеналингвистическаяпеременная«Вестермина»,котораяиспользована в СНЛВ для оценки релевантности найденных документовпоисковому запросу, определено множество значений этой переменной и вид еефункции принадлежности.922. Построены экспертные системы оценки релевантности документазапросу, основанные на СНЛВ Мамдани и Сугено, определены правиланечеткого вывода для этих систем.3.