信息匹配理论

在本研究中，我们提出了一种信息匹配理论。该理论的动机源于这样一个观察：检索本质上是关于两组属性（特征）之间的相关性匹配，即信息需求表示与信息项表示之间的匹配。然而，许多概率检索模型依赖于固定一种表示并优化另一种表示（例如，固定单一信息需求并调整文档），而非同时优化两者。因此，在计算相关性概率时，难以同时利用来自文档和查询的可用相关信息。在本文中，我们通过假设相关性为两组属性之间的一种逻辑关系来解决这一问题；该关系定义在这些属性之间的两个独立映射之上。利用该假设，我们开发了一个统一的概率相关性模型，该模型能够利用所有可用信息。我们通过为特定文本检索和协同过滤构建并开发概率相关性排序函数，验证了所提出的理论。我们在文本检索中的推导说明了该理论在无相关性信息可用情况下的应用。在协同过滤中，我们表明，与当前最先进的推荐模型不同，所得的推荐模型将用户和项目信息统一到相关性排序函数中，而无需应用任何降维技术或计算两个不同用户（或项目）之间的显式相似度。