计算机信息检索基础与原理

本资源是清华大学计算机科学领域关于信息检索的课件，主要面向工程硕士。内容涵盖了信息检索的基本概念、词汇、原理以及不同发展阶段的检索系统类型。 在信息检索中，"禁用词"（Stop words）是一个关键概念，指的是在记录中过于频繁出现的词汇，例如"的"、"在"、"和"等，这些词在检索过程中通常不会被考虑，因为它们对区分文档主题的帮助较小，可能导致检索结果的冗余。在处理文本时，去除这些词可以提高检索效率和精确度。 第二讲深入讨论了信息检索词汇（terms），包括信息检索（Information retrieval, IR）、信息获取（Information access）、信息寻找（Information search）等，强调了主动的信息寻求行为，以及"定位"（locate）和"命中"（hit）的概念，这在实际检索过程中是核心操作。 信息检索的基本原理包括以下几个方面： 1. 信息集合：所有可检索的数据源。 2. 匹配与选择：根据用户需求，比较和挑选相关信息。 3. 需求集合：用户的查询或信息需求。 4. 特征化和表示：将信息和需求转化为可供计算的特征，以便进行匹配。 信息检索的发展经历了几个阶段： 1. 手工操作：依赖人工查找。 2. 计算机化：使用计算机处理检索任务。 3. 网络化：通过互联网实现全球范围的信息共享。 4. 智能化：引入人工智能技术提升检索效果。 5. 认知化：强调理解和推理，更好地模拟人类思考。 主要的检索系统类型包括： 1. 联机检索：实时交互，用户与远程主机数据库进行通信。 2. 脱机检索：非实时，数据预先处理，用户事后查看结果。 3. 光盘检索：基于光盘存储的检索系统。 4. 网络检索：互联网上的搜索，如搜索引擎。 5. 全球数字图书馆系统：整合全球数字资源的检索平台。 联机检索系统的特点是互动性强，实时性好，用户通过通信网络与远程主机数据库直接交互。检索终端通过广域网（WAN）连接到数据库，实现了远程直接访问。 课件还介绍了在线数据库的特点，这些数据库提供服务，帮助用户找到特定信息，是信息检索的重要组成部分。 这个课件详细阐述了信息检索的基础理论和实践应用，对于理解信息检索系统的工作原理及其发展历史具有重要价值，对于学习和研究计算机科学，特别是信息检索领域的工程硕士来说是一份宝贵的资料。