2025年信息检索题库及答案

2025年信息检索题库及答案一、单项选择题（每题2分，共20分）1.以下哪项是信息检索的核心目标？A.收集所有网络信息B.从信息集合中快速定位用户需求的相关信息C.存储结构化数据D.提供新的知识内容答案：B2.布尔逻辑检索中，“AANDNOTB”的检索结果是？A.包含A或B的文档B.包含A且不包含B的文档C.同时包含A和B的文档D.不包含A但包含B的文档答案：B3.倒排索引的核心结构是？A.文档ID与关键词列表的映射B.关键词与文档ID列表的映射C.文档长度与权重的映射D.用户查询与点击行为的映射答案：B4.TF-IDF中的“IDF”指的是？A.词频（TermFrequency）B.逆文档频率（InverseDocumentFrequency）C.文档频率（DocumentFrequency）D.平均逆词频（AverageInverseTermFrequency）答案：B5.向量空间模型中，文档和查询的相似度通常用哪种方法计算？A.欧氏距离B.余弦相似度C.曼哈顿距离D.杰卡德相似度答案：B6.PageRank算法的核心假设是？A.高质量网页被更多网页链接B.网页内容长度决定排名C.用户点击次数直接影响排名D.关键词密度越高排名越靠前答案：A7.语义检索的关键技术不包括？A.词向量（WordEmbedding）B.实体识别（NamedEntityRecognition）C.布尔逻辑运算D.知识图谱（KnowledgeGraph）答案：C8.信息检索系统评价中，“召回率”（Recall）的计算公式是？A.相关文档中被检索到的数量/所有相关文档总数B.被检索到的文档中相关的数量/被检索到的文档总数C.被检索到的文档总数/所有文档总数D.相关文档总数/被检索到的文档总数答案：A9.元数据（Metadata）在信息检索中的主要作用是？A.增加文档内容长度B.提供文档的描述性信息以辅助检索C.替代文档正文进行检索D.降低检索系统计算复杂度答案：B10.零点击搜索（Zero-ClickSearch）的典型场景是？A.用户未输入查询词直接获得结果B.搜索引擎直接在结果页展示答案，用户无需点击链接C.检索结果中无相关文档D.用户点击后返回原查询页答案：B二、简答题（每题5分，共30分）1.简述布尔检索的优缺点。答：优点：逻辑清晰，结果可预测性强；适合精确检索（如法律条文、专利文献）；实现简单，计算效率高。缺点：无法处理语义相关性（如同义词、上下位词）；结果可能过于严格（AND操作可能排除部分相关文档）；不支持模糊匹配或相关性排序。2.倒排索引的构建步骤包括哪些？答：（1）文档预处理：分词、去停用词、词干提取；（2）统计关键词：记录每个文档中出现的关键词及其位置/频率；（3）建立映射表：以关键词为键，对应值为包含该关键词的文档ID列表（可能附加词频、位置等信息）；（4）优化存储：压缩文档ID列表（如使用差值编码）以减少空间占用。3.解释TF-IDF的计算公式及各部分含义。答：TF-IDF权重=词频（TF）×逆文档频率（IDF）。其中，TF=某词在文档中出现的次数/文档总词数（或原始计数），反映词对文档的重要性；IDF=log(总文档数/(包含该词的文档数+1))（+1避免除零），反映词的区分度（罕见词IDF更高，对检索更有价值）。4.向量空间模型中，余弦相似度的计算意义是什么？答：余弦相似度通过计算文档向量与查询向量的夹角余弦值，衡量两者在高维空间中的方向相似性。值越接近1，说明文档与查询的主题越相关；值越接近0，相关性越低。该方法将文本转化为数值向量，解决了传统布尔检索无法量化相关性的问题。5.PageRank算法如何处理“链接农场”（LinkFarm）作弊？答：PageRank假设“质量高的网页被高质量网页链接”，通过随机跳转机制（用户以概率α跟随链接，以1-α随机访问任意网页）降低人为制造的大量低质量链接的影响。此外，现代搜索引擎会结合链接可信度（如来自权威域名的链接权重更高）、链接上下文（锚文本与内容相关性）等因素优化算法，抑制作弊。6.语义检索与关键词检索的核心区别是什么？答：关键词检索基于字面匹配（如布尔逻辑、词频统计），仅关注查询词与文档的字面重叠；语义检索通过词向量、知识图谱、上下文分析等技术，理解查询和文档的语义（如同义词、隐含意图、实体关系），能匹配“意思相关但字面不同”的内容（如查询“苹果”时，同时返回“AppleInc.”和“水果苹果”的相关文档，根据上下文区分）。三、论述题（每题10分，共30分）1.结合实例论述信息检索技术在知识图谱构建中的作用。答：知识图谱构建需从海量非结构化文本中抽取实体、关系和属性（如“张三-毕业于-清华大学”），信息检索技术在此过程中起关键支撑作用：（1）实体识别：通过倒排索引快速定位文本中高频出现的候选实体（如“清华大学”在多篇文档中出现），结合TF-IDF筛选高区分度实体；（2）关系抽取：利用语义检索技术（如词向量相似度）识别实体间潜在关系（如“担任”“成立于”等动词短语），例如从“马云创立了阿里巴巴”中抽取“马云-创立-阿里巴巴”；（3）知识融合：通过跨文档检索（如基于向量空间模型的相似度计算）合并重复实体（如“阿里巴巴”与“阿里”指向同一实体），避免知识冗余；（4）质量评估：利用检索系统的用户反馈（如点击日志）优化知识图谱的实体重要性排序（如高频查询的实体“人工智能”应赋予更高优先级）。实例：Google的KnowledgeGraph通过分析网页内容（检索关键词“乔布斯”关联的“苹果公司”“iPhone”等实体），构建人物-公司-产品的关系网络，提升搜索结果的语义丰富度。2.对比分析BM25与TF-IDF在文本检索中的差异及适用场景。答：BM25（BestMatching25）是TF-IDF的改进算法，两者核心差异体现在：（1）词频处理：TF-IDF的TF采用线性或对数形式（如log(TF+1)），BM25引入饱和函数（TF×(k1+1)/(TF+k1×(1-b+b×(文档长度/平均文档长度)))），避免长文档因词频过高获得不公平优势（k1、b为调节参数）；（2）文档长度归一化：BM25通过文档长度与平均长度的比值（b参数控制）调整词权重，更适合处理长短差异大的文档集合（如网页文本）；（3）查询词独立性：TF-IDF假设查询词独立，BM25考虑查询词间的协同作用（如通过BM25+扩展处理多次出现的查询词）。适用场景：TF-IDF适合短文本、文档长度差异小的场景（如学术论文摘要检索）；BM25更适合长文本、文档长度差异大的场景（如网页检索、社交媒体内容检索）。例如，在新闻网站检索中，不同新闻篇幅差异大（短则200字，长则5000字），BM25通过长度归一化能更准确反映词的重要性，避免长文档因重复关键词获得过高排名。3.从用户行为数据角度，论述如何优化检索系统的相关性排序。答：用户行为数据（如点击日志、停留时间、二次检索次数）是优化排序的核心依据，具体策略包括：（1）点击模型（ClickModel）：通过分析“用户点击哪些结果”学习查询与文档的相关性。例如，若查询“Python教程”时用户频繁点击排名第3的文档，而较少点击排名第1的文档，可能说明原排序算法高估了第1名的相关性，需调整特征权重（如增加“用户评价”“内容深度”等特征）；（2）会话分析（SessionAnalysis）：跟踪用户连续查询（如先搜“机器学习”，再搜“决策树算法”），识别检索意图的演变，将长会话中的后续查询作为前序查询的细化，优化排序时考虑上下文（如为“机器学习”结果增加“决策树”相关文档的权重）；（3）停留时间与跳出率：若用户点击某文档后快速返回（高跳出率），可能说明文档不相关，需降低其在同类查询中的排名；若用户长时间停留并滚动阅读（低跳出率），则提升其权重；（4）A/B测试：通过随机分组对比不同排序策略的用户行为指标（如点击率提升5%、平均会话深度增加2），选择最优策略。例如，某电商检索系统发现用户搜索“跑步鞋”时，点击“透气”“轻便”属性标签的文档转化率更高，于是在排序模型中增加属性匹配度特征，显著提升了相关性。四、应用题（每题10分，共20分）1.给定以下文档集合，构建倒排索引表（需包含词频信息）：文档1：“信息检索是数据挖掘的基础技术”文档2：“数据挖掘包括分类与聚类技术”文档3：“信息检索结合自然语言处理提升效果”答：预处理（分词后去停用词，假设“是”“的”为停用词）：文档1：信息检索（1次）、数据挖掘（1次）、基础（1次）、技术（1次）文档2：数据挖掘（1次）、包括（1次）、分类（1次）、与（1次）、聚类（1次）、技术（1次）文档3：信息检索（1次）、结合（1次）、自然语言处理（1次）、提升（1次）、效果（1次）倒排索引表：信息检索→{文档1:1,文档3:1}数据挖掘→{文档1:1,文档2:1}基础→{文档1:1}技术→{文档1:1,文档2:1}包括→{文档2:1}分类→{文档2:1}与→{文档2:1}聚类→{文档2:1}结合→{文档3:1}自然语言处理→{文档3:1}提升→{文档3:1}效果→{文档3:1}2.某检索系统需对用户查询“人工智能应用”进行排序，给定以下3篇文档（已分词，去停用词），计算每篇文档的TF-IDF权重（总文档数=1000，包含“人工智能”的文档数=200，包含“应用”的文档数=500），并按权重从高到低排序。文档A：“人工智能技术推动应用发展”（词数=5）文档B：“人工智能应用场景包括医疗与教育”（词数=6）文档C：“机器学习是人工智能的子领域”（词数=5）答：（1）计算各词的IDF：IDF(人工智能)=log(1000/(200+1))≈log(4.975)≈1.60IDF(应用)=log(1000/(500+1))≈log(1.996)≈0.696（2）计算各文档的TF（词频/文档词数）：文档A：TF(人工智能)=1/5=0.2，TF(应用)=1/5=0.2权重=0.2