信息检索复习整理.docx

1、信息检索复习整理一、什么是信息(Information)？ 在西方英文中 information一词有情报、资料、消息、报道之意，我国大陆曾译为情报或信息，后经国家有关部门核准，统一译成“信息”。在我国台湾、香港地区，该词被译为“资讯”。信息是被反映物的属性再现，信息的属性在于表现它物。也就是说，信息不是事物的本身，而是由事物发出的消息、情报、指令、数据、信号中所包含的内容，是对客观世界中各种事物发出的特征、变化及其相互联系的最新反映。一切事物包括自然界和人类社会都会产生信息。一个完整的信息过程，包括信息的传递、接收、贮存、加工和利用。2、信息具有以下特征：1）普遍性（2）时效性：信息在一定的

2、时间内是有效的信息，在此时间之外就是无效信息。而且任何信息从信源传播到信宿都需要经过一定的时间，都有其时滞性。（3）传递性（4）可转换性：信息是可以由一种形态转换成另一种形态。信息一般有4种形态：数据、文本、声音、图像。这4种形态可以相互转化，例如，照片被传送到计算机，就把v图像转化成了数字。（5）可再生性（6）共享性：同一信源可以供给多个信宿，因此信息是可以共享的 ，且不因共享而减少（7）可识别性 ：信息是可以识别的，识别又可分为直接认别和间接识别，直接认别是指通过感官的识别，间接识别是指通过各种测试手段的识别。不同的信息源有不同的识别方法。 （8）可存储性：信息是可以通过各种方法存储的。

3、二、信息检索广义：将信息按一定的方式组织和存储起来，并根据用户需要找出相关文献的过程。其中包括存与取两个环节，存即信息存储，是对信息进行收集、标引、描述、及组织，并对其特征化表达集加以整序，形成信息检索工具或检索系统的过程。取即信息查找，是通过某种查询机制从检索工具或检索系统中查找出用户所需的特定信息或获取其线索的过程。狭义：仅仅指信息查找的过程。即取的环节。三、信息检索的发展1、第一阶段：完全手工检索阶段2、第二阶段：半机械检索系统-机电、光电检索系统的发展阶段3、第三阶段：计算机检索系统的发展阶段4、第四阶段：基于Internet 的网络化检索系统阶段信息资源的分类：1、信息源可分为自然信

4、息源和社会信息源。2、按信息资源所依附的载体划分 (不用全背）（1）体裁信息资源：以人体为载体并能为他人识别的信息资源。按其表述方式又可分为口语信息源和体语信息源。口语信息源是人类以口头方式表述但未被记录下来的口语信息，如：谈话、讲课、讲演、讨论、唱歌等。体语信息源是以人的体态为载体表述出来的信息资源，如：表情、手势、姿态等方式表述的体语信息。（2）实物信息资源：以实物为载体的信息资源。又分为自然实物信息源与人工实物信息源。如：化石、产品、样品等。（3）文献信息资源：以文字、图形、符号、声频、视频等发生记录在各种载体上的知识和信息资源。（4）网络信息资源：以网络为纽带连接起来的信息资源和以网络

5、为主要交流、传递、存储的手段与形式的信息资源。3、按信息资源传递的范围划分：（1）公开信息资源：又称共享信息资源或白色信息资源（white information），指公开发行、流通和传递的信息资源，其蕴涵的信息人人可以使用。一般来说，公开信息资源的数量最大，而且能够作为信息商品进行流通领域。（2）半公开信息资源：又称灰色信息资源（grey information），指非公开发行、流通和传递，从常规途径难以获取的信息（内部信息）。这类信息出版量小，发行渠道复杂，流通传递范围有限，不易收集。例如：内部的刊物、技术报告、会议资料等。 （3）非公开信息资源：又称黑色信息资源（black inform

6、ation），指人们未破译或未被识别的，也指处于保密状态的信息。例如：考古发现的古老文字、未解密的政府文件、内部档案、个人日记、私人信件等。 自然信息均属于不可检信息。超文本型(Hypertext):是用超链结的方法，将各种不同空间的文字信息组织在一起的网状文本。文献信息资源1、按信息资源所依附的载体的物质形态划分 （1）刻写型：包括手稿、日记、信件、原始档案、碑刻等。 （2）印刷型：主要是指以纸张为载体，以印刷为记录手段，把信息内容固化在纸张上的形式。其优点是便于直接阅读、使用方便，其缺点是较笨重、存储密度低、收藏占用空间大、加工保存等花费人力物力大、识别和提取难以实现机械化和自动化。 （3

7、）缩微型：以感光材料为载体，以缩微照相为记录手段而产生的一种载体形式，如缩微胶卷、缩微胶片等。其优点是存储密度较大、体积小、便于收藏保存和远距离传递。缺点是不能直接阅读、需借助缩微阅读机或阅读复印机才能使用。 缩微型一般针对于数量大、利用率低但又有较大保存和利用价值的信息资源。（4）声像型：以磁性和感光材料为载体，借助特殊的机械装置（如复录机、摄像机、录像机等）直接记录声音、图像信号的信息载体，又称视听资料，如唱片、录音带、录像带、幻灯片、电影片、多媒体资料等。 其优点是可以闻其声、观其形，直观而真切，给人以生动鲜明的印象。其缺点是制造成本较高，且需要借助于一定的设备才能使用。2、按信息资源的

8、加工深度和结构等级划分（1）零次文献：指未经过任何加工的原始文献。如：实验记录、手稿、日记、原始录音、原始录像、谈话记录。（2）一次文献：未经加工或粗略加工的原始信息资源，以本人的研究成果为基本素材而创作的文献，具体、详尽和系统化。如期刊论文、专利文献、科技报告、会议录、学位论文等等。 （3）二次文献：它是将大量分散、零乱、无序的一次文献进行进行加工、整理、标引、著录、浓缩，并按照一定的逻辑顺序和科学体系加以编排存储，使之系统化，以便于检索利用。如：目录、题录、索引、文摘。具有报道和检索功能。（4）三次文献：通过二次信息资源提供的线索，对某一范围内的一次信息资源进行分析、研究、加工而成的信息资

9、源，它包括综述、述评、专题情报研究报告、百科全书、年鉴、指南、手册、词典等。特点：一次文献是最重要的文献，是全部文献的基础。数量庞大、内容分散、无系统性，不便于管理和传播。二次文献作为寻找一次文献的指南与向导，能提供多种检索途径（分类、主题、著者、团体著者、会议名称等）。三次文献可以充分利用反映某一领域研究动态的综述类文献信息，在短时间内了解其历史、动态、水平等。一次文献是二次文献和三次文献的基础，是文献检索的主要对象；二次文献具有浓缩性，是一次文献的简略及有序化，是文献检索的工具；三次文献具有综合性，既是检索对象，又可提供一定的检索途径与检索手段。总之，文献经过加工、压缩，从零次信息到三次信

10、息，使科技信息由分散到集中，由无序到有序，由无组织到系统化，由博而精的对知识信息进行不同层次的加工的过程。信息的不同出版类型划分为：图书 期刊 科技报告 会议文献C论题集中、新颖、丰富、专深、学术性强，是了解各国科技发展水平和动向的重要文献来源。（5）专利文献P：（6）技术标准和规范S：7）政府出版物（8）学位论文D：（9）产品资料 （10）技术档案 （11）报纸N3）科技报告R （理解） scientific and technical report ：报道（记录）研究工作和开发调查工作的成果或进展情况的一种文献类型。又称研究报告、报告文献。出现于20世纪初，第二次世界大战后迅速发展，成为科

11、技文献中的一大门类。大多与政府的研究活动、国防及尖端科技领域有关，发表及时，课题专深，内容新颖、成熟，数据完整，且注重报道进行中的科研工作，是一种重要的信息源。查寻科技报告有专门的检索工具。特点： 反映新的科研成果迅速。以科技报告形式反映科研成果比这些成果在期刊上发表，一般要早一年左右，有的则不在期刊上发表。内容多样化。它几乎涉及整个科学、技术领域和社会科学、行为科学以及部分人文科学领域。保密性。大量科技报告都与政府的研究活动、高新技术有关，使用范围控制较严。报告质量参差不齐。大部分科技报告是合同研究计划的产物，由工程技术人员编写，由于撰写受时间限制、因保密需要以工作文件形式出现等因素影响，使

12、报告的质量相差很大。每份报告自成一册，装订简单，一般都有连续编号，出版发行不规则。通常载有主持单位、报告撰写者、密级、报告号、研究项目号和合同号等。附：美国四大科技报告（AD，PB， NASA ， DOE ）按检索对象的内容区分：（1）文献检索（document retrieval）（2）数据检索(data retrieval)（3）事实检索(fact retrieval)手工检索：以手工操作的方式，利用检索工具书进行信息检索。手工信息检索是信息检索的传统方式，已经历经了一个多世纪的发展历程。检索效率高；直接性灵活性好，浏览功能差附： 查全率：是指检出的相关文献量与检索系统中相关文献总量的比率

13、，是衡量信息检索系统检出相关文献能力的尺度。查全率=（检出相关文献量/系统中相关文献总量）*100% 查准率：是指检出的相关文献量与检出文献总量的比率，是衡量信息检索系统精确度的尺度。查准率=（检出相关文献量/检出文献总量）*100%三、按检索对象区分：（1）文本检索：查找含有特定信息的文本文献的检索，其结果是以文本形式反映特信息反映的文献。这是一种传统的信息检索类型，在信息检索中至今占据主要地位。（2）多媒体检索：多媒体是指将声音、图像、通信等在内的多种媒体的功能有机结合在一起，并用某种新媒体代替传统媒体的多种媒体。 多媒体检索是指根据用户的需求，对文字、声音、图像、图形等多种媒体信息进行组

14、织、存储从而识别、查找并获取所需信息的过程。在因特网上存在着大量的多媒体文献，用户常常需要查找特定的声音、图像、动画等。多媒体文献的信息组织与处理传统文本的处理截然不同，其检索要求和检索途径也别具特色，这是现代信息检索的新课题。（3）超媒体检索(hyper media retrieval) 如果超文本节点中的信息除文本块以外 ,还有图形、图像、声音、视频等多媒体信息 ,则称为超媒体 (hyper media )。即存储对象超出了文本范畴，融入了静、动态图像（形）以及声音等多种媒体信息。 （同样具有超文本检索的优点，并且检索内容与形式更为丰富）（1）强相关检索： 强调检索的准确性，也称作特性检索

15、。这种检索注重查准率。只要检索得到的文献信息能满足用户的需求就行，对于检索结果的数量多少不作要求。（2）弱相关检索： 强调检索的全面性，向用户提供系统完整的信息的检索。也称族性检索。这种检索注重查全性，要求检索出一段时间期限内有关特定主题的所有信息。为了尽可能避免漏检相关信息，对于检索的准确性相对要求较低。 要注意的是，这是两种检索要求比较极端的检索类型。实际上是介于两者之间，保证一定的查全率和查准率。按时间跨度（1）定题检索 SDI (selective dissemination of information)查找有关特定主题最新信息的检索。（2）回溯检索 RS (retrospectiv

16、e search)查找一段时期内有关特定主题信息的检索。文献检索是以文献作为检索对象，查找含有用户所需信息内容的文献，文献是一种相关性检索而非确定性检索，系统不直接解答用户所提出的问题本身，只提供与之相关文献或文献的属性信息与来源指示供用户参考和取舍。所以其检索对象是包含特定信息的各种文献七、按检索途径的特点区分(1) 常用法， 工具法，利用检索工具或系统中常设的检索入口查找文献信息的方法。如主题、分类、著者、题名等。其具体操作分为 顺查，倒查，抽查 顺查方式是根据有关课题的起始年代利用选定的检索工具由远及近的进行逐年查找。 倒查方式则相反。从最新时间查找起，直到满足检索要求为止。 抽查是针对

17、有关学科的发展特点，抽查某些特定时期的文献信息。通常抓住学科专业发展兴旺的时期，此时的不仅文献发表的数量多，质量也高。分类语言（大体了解）：用分类号和类名来表达信息的内容主题概念，并按知识门类的逻辑次序将信息资源系统地加以划分和组织的语言。其意义在于根据文献信息的内容特征和分类表，把相同内容的文献、信息集中在一起，同时又把不同内容的文献信息区别开来 ，以实现相关集中的功能。 分类语言的主要特点：按学科、专业集中相关文献信息，从知识分类的角度揭示文献信息之间的区别和联系，提供从学科专业领域检索文献信息的途径。（大体了解）事实检索是检索关于某些客体（如机构、人物等）的指示性描述，或关于某一事件发生

18、的时间、地点、经过等信息并将其查找出来的检索。如：名词术语、概念、定义、理论、方法、公式、事件等。 事实检索属于数据，因为事实也是一种数据，即非数值性数据。 数据检索是将经过选择、整理、鉴定的数值存入数据库中，根据需要查出可回答某一问题的数据的检索。数据检索是一种确定性的检索，即直接提供用户所需要的确切数据。而且检索结果一般也是确定性的，要么是有，要么是没有；要么是对，要么是错。有些数据检索系统不仅能查出数据，还提供一定的运算、推导能力。信息检索语言（retrieval language）又称为情报语言、情报存储和检索语言、信息组织语言，是用来描述文献特征，表达主题提问的一种专门的人工语言，是

19、由给定领域中的一切可用来描述信息内容和信息需求的词汇或符号，及其使用规则构成的供标引和检索的工具。是沟通信息存储与检索两个过程，标引人员与检索人员的桥梁。 信息检索语言是检索系统的语言基础，主要作用是：表达描述信息内容和信息需求；用于信息的组织和整序；用于对检索系统中索引标识或提问标识的规范和控制。 根据结构原理划分：（大体了解）1）分类语言 （2）主题语言 （3）分类主题一体化语言 （4）代码语言 （5）引文语言分类语言主要可分为等级体系型分类语言和分面组配型分类语言两种。目前我国广泛采用中国图书馆分类法（简称中图法）进行分类，该分类法由5大部类、22个大类组成主题语言：以主题词来表达信息主

20、题概念的语言，它按事物对文献信息进行浓缩、描述和整序，借用自然语言的语词，作为文献信息和检索提问的内容标示。 特点：按特定的事物集中文献信息，有较强的直接性。 构成原理：利用自然语言中的名词术语，经过一定程度的规范化处理，作为表达文献和提问内容的主题词；利用参照系统中的各种手段，显示主题标识之间的各种关系，并以此把主题词表中的众多主题词相互联系起来，构成多维的主题词体系；利用主题词的字顺序列，按事物的名称来排列和检索文献信息。标题语言：采用规范化了的自然语言，即经过标准化处理的名词术语作为标识，来表达文献所论述或涉及的事物-主题，并将全部标识按字顺排列。例：一篇文章用“微型计算机”这个术语来叙

21、述它的研究对象，另一篇文章用“微型电脑”这个术语来叙述它的研究对象，第三篇文章用“微机”这个术语来叙述，虽然都表示同一概念，这时就不能直接用“微型电脑”或“微机”来作标题词了，这三篇文章都必须用“微型计算机”作标题词（根据词表决定）。因为这三个术语是等同概念，如果同时用三个术语来标引，便会导致文献被分散。当然，读者若从“微型电脑”或“微机”入手检索时，都可以在标题词表中看到“见：微型计算机”的参照指示。关键词语言（keyword）：以关键词（从文献题名或文摘以及正文中抽取的，能够表达文献主题并具有实质意义的未经规范化处理的自然语言词汇）作为文献内容标识和检索依据的一种信息检索语言。关键词与其他

22、主题语言的区别在于：前者是没有经过规范处理的自然语言。属于非受控语言。后者是经过规范处理的自然语言，属于受控语言。元词语言：叙词语言检索途径及其选择1、内容特征检索途径：内容特征是指表征文献实质意义的特征，如主题词、关键词、分类号、内容摘要等。（1）分类途径（2）主题途径（3）分类主题途径2、外部特征检索途径：外部特征是指文献上显而易见的，一般情况下不反映文献实质意义的那些特征，如书名（题名、篇名）、人名、各种符号标识（专利号、标准号、报告号等）、机构名、文献出处等（1）责任者途径（2）题名途径（3）序号途径（4）引文途径西文词典一般都是按本国文字的字母顺序排列，查询时按字顺查找；日文字典大多

23、按五十音顺排列，查找时按音顺查找；中文字典排列方法较多，有部首法、笔画笔顺法、汉语拼音法、四角号码法等。 百科全书可按收录范围分为综合性百科全书（如：中国百科全书、专业性百科全书（如：化工百科全书；还可按编辑规模分为：大百科全书（20卷以上）、小百科全书（10卷以下）、百科词典（单卷）。 编排方式有三种：按字顺编排、按分类编排和分类与字顺相结合编排。目前，按字顺编排条目已成为百科全书编排方式的主流，也有采用分类与字顺相结合的形式编排的。 百科全书一般都有各种索引，其中最主要的是主题索引（了解）中国大百科全书是中国第一部大型综合性百科全书，也是世界上规模较大的几部百科全书之一。美国百科全书名为E

24、ncyclopedia Americana，简称EA不列颠百科全书(Encyclopedia Britannica)(又称大英百科全书，简称EB)科利尔百科全书（Collier Encyclopedia）简称EC 世界ABC三大百科全书：美国百科全书、不列颠百科全书、科利尔百科全书 年鉴大体可分为综合性年鉴和专业性年鉴两大类，前者如百科年鉴、统计年鉴等；后者如经济年鉴、历史年鉴、文艺年鉴、出版年鉴等。名录可分为人名录、地名录和机构名录文献检索工具是用于报道、存贮和查找文献线索的工具，它通过对文献特征的描述，并按一定的科学方法排列、提供多种检索途径，使我们能从文献的汪洋大海里找到特定的文献。 检

25、索工具必须具备四个条件：第一，必须详细描述文献的外部特征和内容特征。第二，每条描述记录都必须具有各种检索标识。（所谓检索标识是指描述文献外部特征和内容特征的专门用于信息检索的词、词组或代码，如主题词、分类号、著者姓名、文献序号等。）第三，全部描述记录要科学地组织成一个有机的整体第四，能够提供多种检索途径。按著录方式分，有目录型、题录型和文摘型。其中按著录方式划分体现了检索工具对文献内容揭示的深浅程度，体现了检索工具的性质，这是检索工具最主要的划分方法。目录是以出版物（如一本图书、一种期刊等）为报道对象，揭示出版物外部特征的检索工具。所以目录对文献的描述比较浅显，一般只描述文献的外部特征，有时也

26、通过简单的内容提要介绍文献的内容，但它不涉及文献中的具体章节或具体文献。目录主要用于报道、登记出版物的出版发行情况，揭示其收藏情况，供人们选购、查阅和获取文献时使用。目录的著录项目通常包括出版物名称、责任者（著者、编者或译者）、出版项（出版者、出版地、出版时间、版次等）和稽核项（页数、开本、价格等）。目录型检索工具主要有图书馆馆藏目录、联合目录、出版社目录、国家书目等。题录是以单篇文献作为报道单位，揭示文献外部特征的检索工具。由于它是以单篇文献为单位来报道和存储文献的，所以对文献的揭示程度比目录要具体、深入。 但题录与文摘相比，对文献内容的揭示又相对较浅，不过，它也因此具有加工容易、可以缩短报

27、道的时差、文体简短、可以增加检索刊物的容量的优点。题录的著录项目一般包括题录号、文献题目、作者及其工作单位、出处、原文文种、主题词、文中所附图表数及参考文献数等。文摘（abstract）是指对一份文献或一个文献单元的内容所做的简略、准确的描述，通常不包含对原文的补充、解释和评论。文摘的报道对象与题录相同，但它对文献内容的揭示程度较题录更深入具体，它不仅描述文献的外部特征，还进一步描述文献的主题内容。对内容的介绍主要由其中的“文摘”部分完成。文摘是最常用的文献检索工具。原文出处。指刊载原文的地方。（材料题）文摘的主要著录项目为：（1）文摘号、入藏号（abstract number ,refere

28、nce number , accession number ）。它是在文献处理完以后，为每条文摘编的号码，起排序并帮助读者识别特写文摘的作用。它可以是简单的顺序号，也可以是含有某种情报内容的代码符号。（2）文献名称（document title）。即文献的题目（篇名），它是读者识别特定文献的重要标志之一。文献名称一般是逐字照录，有时也可以删去某些引导性的词，或对含义不清及不完整的名称加以改写、补充。外文文献一般要同时著录译名和原名。有些英文检索工具对非拉丁文字的文献一般不著录原名，而著录原名的音译名。（3）著者（author）及其工作单位（affiliation）。是读者迅速鉴别文献的依据之一

29、，著录著者姓名可以用全称，也可以用简称。许多国家的人名表述是名在前，姓在后，一般姓用全称，名可以缩写。但大多数检索工具都采用姓在前、名在后的形式。英文检索工具对非拉丁文姓名用音译法著录。 4）合同号（contract number）或拨款号（ grant number）。如果该文献是在某项合同或拨款的支持下进行的，一般都要标明该项合同的编号或拨款文件的编号。科技报告都有这一项目。（5）原文出处。指刊载原文的地方。原文如果是某种期刊中的论文，出处包括该刊的刊名、出版地、卷期号、出版日期和起讫页码；如果是图书或其中的一部分，出处就是书名、编著者、出版地、出版者、出版时间和起讫页码。科技报告的出处就

30、是入藏号、订购号或原来的报告号。专利说明书的出处就是专利申请书或专利说明书的编号。原文出处的著录是读者顺利找到原文的重要线索。（6）原文文别和译文来源。原文文别一般用某种语言的简称标明，放在文献出处之后，有的放在文献的译名之后。若所摘录的文献是一篇译文，应给出译文的来源（被译文献的出处），如“译自X刊X卷X期X页”。此项的用处是免得使读者去找他所不能阅读的东西。（7）主题词或索引词。指用来描述该文献的主题内容的若干个词或词组。该项的用途很多，既可以帮助读者了解原文主题，也可以用以查找其他相关文献，或供计算机识别和进行逻辑组配检索。（8）文摘正文。对文献内容所做的简略描述。可以有报道性文摘和指示

31、性文摘之分。前者需概述原文的内容要点，特别是创新点，向读者提供原文中的定量信息（如距离、最大值、最小值、公式等）和定性信息（如发现、结果、新方法、新设备、结论等）。它是原文内容的浓缩，基本上能反映原文的技术内容、信息量大，字数也较多。后者则是为了把原文的主题范围、目的和方法概略地指示给读者的一种文摘，一般不包含具体的数据、方法、设备、结论等内容。它指示读者将在原文中发现什么，帮助读者判断原文是否与自己的需要相关以及是否需要阅读原文，字数也相对较少。例：计算机应用文摘 9609321 复杂的混合信号集成电路的参量成品率预测刊，英/Oleary,M. /Int.J.Electron. 1995,78(2) . 267-394 借助图象处理技术能从硅片图象提取文摘号文献篇名文献类型、文种著者姓名文献出处：刊名缩写、年卷期起讫页码文献摘要 索引通常不提供文献内容本身，只指明文献的物理位置，是一种检索文献的系统指南，使读者能准确地找出文献或文献集合体中的特定信息。最常用的索引有著者索引、主题索引、分类索引、题名索引。被抽选出来的关键词都可以作为标引词在索引中进行轮排，作为检索词进行检索主题索引可分为四种： 1、标题索引 2、关键词索引 3、单元词索引 4、叙词索引 1、布尔逻辑组配检索技术（问答）布尔逻辑组配检索是现行计算机检索的基本技术，它利用布尔逻辑运算符表示两个检索词之间的逻辑关系，