现代信息检索技术山大本科考试题库及答案

现代信息检索技术山大本科考试题库及答案一、选择题（每题2分，共30分）1.（单选题）信息检索模型的核心是描述（）。A.用户需求与文档之间的匹配关系B.文档的存储结构C.用户的行为模式D.网络传输协议答案：A2.（单选题）布尔检索模型中，“AND”操作符的作用是（）。A.扩大检索结果范围B.缩小检索结果范围，提高查准率C.检索同义词D.忽略拼写错误答案：B3.（单选题）TF-IDF权重计算中，IDF（逆文档频率）的作用是（）。A.衡量词项在单个文档中的重要性B.降低高频词项的权重C.提高罕见词项的区分度D.计算文档长度归一化因子答案：C4.（单选题）向量空间模型中，计算文档与查询相似度常用（）。A.欧氏距离B.余弦相似度C.曼哈顿距离D.编辑距离答案：B5.（单选题）PageRank算法基于的核心假设是（）。A.被重要网页链接的网页更可能重要B.用户点击次数决定网页重要性C.网页内容长度影响权重D.网页更新频率决定排名答案：A6.（多选题）倒排索引的组成部分包括（）。A.词项词典B.文档频率表C.出现位置列表D.网页快照答案：ABC7.（多选题）影响信息检索系统查全率的因素包括（）。A.索引覆盖范围B.查询扩展技术C.排名算法D.用户界面设计答案：AB8.（多选题）语言模型在信息检索中的应用包括（）。A.查询似然模型B.文档平滑处理C.相关模型反馈D.布尔逻辑优化答案：ABC9.（单选题）隐语义索引（LSI）通过（）降低维度并捕捉语义关联。A.主成分分析B.奇异值分解C.聚类算法D.决策树分类答案：B10.（单选题）相关反馈中，Rocchio算法通过（）优化查询向量。A.增加相关文档向量，减少非相关文档向量B.仅增加高频词项权重C.随机调整词项权重D.删除低频词项答案：A11.（单选题）搜索引擎处理拼写错误常用（）。A.编辑距离算法B.布尔检索C.向量空间模型D.链接分析答案：A12.（多选题）Web信息检索的挑战包括（）。A.网页动态更新B.垃圾信息过滤C.多语言处理D.用户隐私保护答案：ABCD13.（单选题）BM25排序函数中，参数用于控制（）。A.词频饱和度的调节B.文档长度归一化强度C.查询词项权重D.文档频率影响答案：A14.（单选题）分布式信息检索中，文档分片的主要目的是（）。A.提高查询并行处理能力B.减少存储空间C.简化索引结构D.增强安全性答案：A15.（多选题）评价信息检索系统的常用指标包括（）。A.查准率B.查全率C.F1值D.平均准确率均值答案：ABCD二、填空题（每空1分，共20分）1.信息检索的基本流程包括：需求分析、查询构建、文档匹配、结果排序和________。答案：反馈优化2.倒排索引中，记录词项在所有文档中出现次数的表称为________。答案：文档频率表3.布尔检索的三种基本操作符是AND、OR和________。答案：NOT4.TF-IDF计算公式中，词项t在文档d中的权重可表示为：=t×l答案：文档集合中文档总数5.向量空间模型中，文档向量通常通过________方法进行长度归一化。答案：余弦归一化6.PageRank算法中，阻尼因子d通常设置为________左右。答案：0.857.语言模型检索中，查询似然模型通过计算________来评估文档相关性。答案：查询在文档语言模型下的生成概率8.隐语义索引通过________将词项-文档矩阵分解为低维表示。答案：奇异值分解9.相关反馈中，用户标记为相关的文档用于构建________。答案：正例集合10.编辑距离用于衡量两个字符串之间的________差异。答案：最小编辑操作次数11.BM25排序函数中，参数b用于调节________的影响。答案：文档长度归一化12.分布式检索系统中，查询分发策略包括________和按需分发。答案：广播13.查准率的计算公式为：________/（检索出的相关文档数+检索出的不相关文档数）。答案：检索出的相关文档数14.链接分析算法HITS将网页分为________和权威页面两类。答案：枢纽页面15.词干提取的目的是将词汇还原为________形式。答案：词干或词根16.信息检索中的停用词通常指________的词项。答案：高频但无实际区分意义17.查询扩展技术包括基于________和基于相关反馈的方法。答案：同义词词典18.搜索引擎的爬虫组件负责________网页内容。答案：采集和更新19.多语言信息检索需要解决________和翻译问题。答案：跨语言查询20.隐私保护检索中，________技术允许在不暴露查询内容的情况下检索加密数据。答案：可搜索加密三、简答题（每题6分，共30分）1.简述倒排索引的构建过程及其优势。答案：倒排索引构建包括文本分词、词项归一化（如小写化、词干提取）、构建词项词典和记录词项在文档中出现位置。优势包括快速定位包含查询词项的文档、支持布尔运算和排名计算，适用于大规模文档集合的检索。2.解释向量空间模型中余弦相似度计算原理及其在检索中的应用。答案：余弦相似度通过计算查询向量与文档向量夹角的余弦值衡量相似性，公式为：c其中q和d分别为查询和文档向量。该值越接近1，相似度越高。应用中，文档按余弦相似度降序排序，作为检索结果输出。3.说明PageRank算法的基本思想及计算步骤。答案：PageRank基于“被重要网页链接的网页更重要”的假设。计算步骤包括：初始化所有网页的PageRank值（如均分），通过迭代公式更新：P其中d为阻尼因子（通常0.85），N为网页总数，M()为链入的网页集合，L()4.比较布尔检索模型与向量空间模型的优缺点。答案：布尔模型优点：逻辑清晰、支持精确组合查询、实现简单。缺点：无法排序结果、无部分匹配、对用户检索技能要求高。向量空间模型优点：支持部分匹配和结果排序、可融入权重计算（如TF-IDF）。缺点：假设词项独立、高维稀疏向量计算复杂度高。5.简述相关反馈中Rocchio算法的原理及公式。答案：Rocchio算法通过调整查询向量，使其更接近相关文档向量、远离非相关文档向量。公式为：=其中为原始查询向量，和为相关和非相关文档集合，α,β,γ四、应用题（共20分）1.（计算题）给定文档集合包含5篇文档，词项“信息”在文档D1中出现3次，D2中出现2次，D3中出现1次，D4中出现0次，D5中出现4次。文档集合总数为5，词项“信息”出现在4篇文档中。（1）计算词项“信息”在D1中的TF-IDF权重（使用自然对数）。（2）若查询向量为[0.5,0.2]（对应“信息”和“检索”），D1向量为[0.6,0.1]（已归一化），计算查询与D1的余弦相似度。答案：（1）TF-IDF计算：tf=3权重w=（2）余弦相似度：q·|q|dco2.（分析题）某搜索引擎对查询“人工智能应用”返回10篇文档，经人工判定，其中6篇相关，4篇不相关。若文档集合中共有20篇相关文档。（1）计算此次检索的查准率和查全率。（2）若调整排名算法后，返回的10篇文档中相关文档增至8篇，分析查准率和查全率的变化趋势。答案：（1）查准率=6/10=0.6，查全率=6/20=0.3。（2）调整后查准率=8/10=0.8（上升），查全率=8/20=0.4（上升）。说明算法优化同时提升了查准率和查全率。3.（综合题）设计一个新闻检索系统，需支持实时更新和热门话题发现。（1）说明索引结构应如何设计以支持实时更新。（2）提出一种从查询日志中发现热门话题的方法。答案：（1）采用增量索引结构：主索引存储历史数据，辅助索引缓存新文档。定期合并辅助索引到主索引，并使用倒排索引结合布隆过滤器快速检测新词项。（2）基于查询日志的热门话题发现：收集短期（如24小时）查询日志，通过聚类算法（如K-means）对查询词分组，结合词频统计和突发检测（如KL散度）识别突发查询组作为热门话题候选，再经人工或语义过滤确认。五、论述题（每题10分，共20分）1.论述深度学习在信息检索中的应用及其挑战。答案：深度学习应用于检索的多个环节：词嵌入（如Word2Vec）表示词项语义关系，卷积神经网络提取文本局部特征，循环神经网络处理序列依赖，注意力机制提升查询-文档交互建模。应用案例包括排序模型（如DRMM、BERT）、查询理解和文档表示。挑战包括：需要大规模标注数据、模型计算复杂度高、可解释性弱、与传统检索模型融合困难。未来方向包括轻量化模型设计、