融合知識圖譜的查詢擴展模型及其穩定性研究*

郝林雪，張 鵬，宋大為，候越先

天津大學 天津市認知計算與應用重點實驗室，天津 300350

融合知識圖譜的查詢擴展模型及其穩定性研究*

郝林雪，張 鵬+，宋大為，候越先

天津大學 天津市認知計算與應用重點實驗室，天津 300350

HAO Linxue,ZHANG Peng,SONG Dawei,et al.Research on knowledge graph based query expansion model and its retrieval stability.Journal of Frontiers of Computer Science and Technology,2017,11(1)：37-45.

知識圖譜；Freebase；查詢擴展；有效性；穩定性

1 引言

隨著大型結構化語義知識圖譜的構建，如Google的Knowledge Graph、微軟的Satori等，更多的商業搜索引擎開始將用戶查詢相關的知識體系和查詢文檔列表一并展示給用戶，以滿足用戶的信息需求和搜索體驗。由于目前大部分Web數據仍以文本形式出現（如Web頁面、博客、微博等），如何利用知識圖譜中豐富的實體信息提升查詢文檔列表的質量，也是信息檢索領域一個重要的研究方向[1]。

基于外部語料庫的查詢擴展模型是一種提升檢索系統性能的有效途徑，其中常用的外部語料庫包括半結構化的Wikipedia數據集，以及結構化的Concept-Net和Freebase等知識圖譜。文獻[1-4]分別研究了Wikipedia、Concept-Net和Freebase等外部語料庫對查詢擴展模型的影響。文獻[2]主要研究了如何基于Wikipedia實現查詢擴展模型，其中用到了與偽相關反饋[5]相似的策略，即在Wikipedia中檢索查詢，將與排序靠前的N篇文檔看作與查詢相關，并將其作為擴展詞來源。故這種擴展方法和偽相關反饋模型有相同的不足，例如當前N篇文檔中只有少數文檔與查詢真正相關時，基于這些文檔得到的擴展模型反而會引入噪聲，造成查詢漂移，對檢索結果產生不利影響，從而降低檢索系統的性能[5-6]。與Wikipedia的半結構化組織方式不同，Concept-Net和Freebase都是基于圖模型構建的知識圖譜，其中頂點表示概念或實體，兩點之間的邊表示兩者之間的語義關系（如圖1所示）。與文獻[3]中用到的Concept-Net相比，Freebase包含更豐富的實體信息，如實體別名、細粒度的分類信息等，并且大部分Web查詢由實體（人名、地名等命名實體或者概念性實體）構成，故本文選用Freebase作為外部擴展詞來源。另外，基于外部語料庫構建的查詢擴展模型是一種全局的擴展方法，不依賴于初始檢索結果，故Freebase作為查詢擴展詞來源可在一定程度上穩定檢索系統的性能，并減少類似于偽相關反饋給檢索系統帶來的不利影響[5-6]。文獻[1,4]也利用了Freebase進行查詢擴展模型的研究，但文獻[4]將查詢相關的實體處理成單個的擴展詞，忽略了實體內部各詞項之間的依賴關系。本文則將每個實體看作整體考慮，保留實體內部依賴關系。與文獻[1]的不同之處在于，本文借鑒了文獻[7]提出的投資組合理論中收益-風險分析方法在信息檢索中的應用，研究了如何降低基于知識圖譜的查詢擴展模型給檢索系統帶來的查詢漂移（query-drift）風險。

Fig.1 What is inside Freebase？圖1 Freebase內部結構舉例

本文旨在研究基于Freebase的實體以及實體屬性信息構建的查詢擴展模型對檢索系統有效性及穩定性的影響，所提出的擴展模型主要包括以下三部分內容：（1）從Freebase中自動匹配與查詢相關實體和實體屬性；（2）利用收益-風險分析方法計算并優化屬性擴展詞的權重；（3）將這些外部擴展信息與查詢語言模型結合，構建一個性能相對穩定的查詢擴展模型。

本文的實驗在兩個Web文檔集上進行，主要分析了本文所提出的擴展模型對檢索系統有效性和穩定性的影響。實驗結果表明，基于Freebase的查詢擴展模型，與一元語言模型LM相比平均檢索性能有6%～15%的提升；與基于偽相關反饋的查詢擴展模型RM3相比，有效性和穩定性都有不同程度的提升。總體而言，本文提出的基于知識圖譜的查詢擴展模型在兩個測試數據集上整體性能更優。

2 模型描述

2.1 外部擴展詞初始權重計算

給定一個用戶查詢Q，本文使用相鄰查詢詞組成的子查詢匹配實體信息[8]，原因是相鄰查詢詞之間存在依賴關系且包含上下文信息，匹配到的實體和用戶信息需求更相關[4]。由于Freebase中實體之間，實體與自身屬性之間均是以圖結構存儲的，以某個實體（圖中的一個頂點）為起點，廣度遍歷即可得到與該實體的屬性信息。本文將這些相關實體以及實體屬性作為查詢的外部特征，并計算其與查詢的相關性。在計算實體與查詢相關性時，考慮了兩種因素的影響：一是子查詢Qs相對于查詢Q的重要性，由兩者所包含詞項數目的比值來定義；二是子查詢與實體En的匹配得分rel(En,Qs)（由Freebase API[8]給出）。則實體En與查詢Q的相關性得分定義為：

由于Freebase中較為完整地記錄了實體的屬性信息，但有的屬性信息對本文的查詢擴展任務沒有使用價值，為了減少噪聲詞的引入，本文只考慮一些常見屬性，如實體別名、類別、所屬領域等進行查詢擴展。將遍歷得到屬性信息處理成獨立詞項分布，每個屬性詞與查詢的相似性得分定義如下：

式（2）對屬性詞權重的計算也考慮了兩方面的因素：一是屬性詞所屬的實體相對于查詢的權重；二是屬性詞與查詢本身的相關性。在計算時考慮了屬性詞與各查詢詞的相關性。在式（2）中，idfq為查詢詞q的逆文檔概率，代表其在查詢中的重要性；cfep表示屬性詞ep在文檔集中出現的次數；cf#uwN(ep,q)表示屬性詞ep和q共現在一個大小為N的窗口中的次數（本文取N為20）。

2.2 基于收益-風險分析方法優化屬性詞權重

利用式（2）計算外部擴展詞初始權重時，只考慮了擴展詞與查詢的相關性，并假設擴展詞之間相互獨立，這樣存在的問題是按照初始權重排序靠前的擴展詞可能只與某些查詢詞相關，擴展后的檢索結果向這些查詢詞偏移，從而偏離用戶的信息需求。本文參考文獻[7]提出的投資組合理論中收益-風險分析方法在文檔排序上的應用，將整個擴展詞列表看成一個整體，然后將外部擴展詞權重優化問題建模成投資組合問題來求解。該優化問題中的“投資收益”，是指擴展詞與查詢的相關性大小，相關性越大，表示收益越大。“投資風險”來源有兩種：一是每個擴展詞可能帶來的查詢擴展失敗的風險，即相關性收益的不確定性；二是考慮擴展詞之間的相互影響，在同時選取這些擴展詞可能帶來的冗余性風險[9]。

該擴展詞權重優化模型可描述如下：設屬性擴展詞列表中所有擴展詞的權重為隨機向量(r1,r2,…,rn)，其中每個變量的均值為E(ri)，即期望收益，由式（2）給出的相似性得分sim(epi,Q)為ri的一個估計值。該隨機向量對應的協方差矩陣記為C，由于各隨機變量之間不獨立，C中的非對角元素cij表示擴展詞權重ri和rj的協方差，由第二種風險來源產生，可解釋為在epi為擴展詞的條件下，再選取epj作為擴展詞的冗余性風險；C的對角元素cii代表第一種風險來源。本文參考文獻[9]，將協方差矩陣C中的元素用式（3）或式（4）來估計：

其中，η為歸一化因子；σ(epi,epj)表示兩個擴展詞之間的相似性，本文用Jaccard相似性系數來計算。每個擴展詞權重的方差cii則用其與所有查詢詞的相似度之和定義。

基于以上對擴展詞期望收益以及協方差矩陣的說明，本文定義外部擴展詞列表的相關性收益E(Rn)為所有擴展詞收益的加權平均（如式（5）所示）。wi表示每個擴展詞對總收益所貢獻的比重，其中wi=1 2i-1，表示與查詢Q相似性得分sim(epi,Q)排在第i位的屬性擴展詞為總收益所貢獻的。式（5）中的Var(Rn)定義為擴展詞列表中所有擴展詞的協方差之和，表示該擴展詞列表用來做查詢擴展時檢索性能存在的風險。

該優化模型的目標為最大化期望收益E(Rn)，最小化方差Var(Rn)，即最大化函數為On=E(Rn)-bVar(Rn)，其中b為風險偏好參數，b＞0表示規避風險，本文取b=0.05。在優化模型實現過程中，本文借鑒了文獻[7]的序列最大化文檔排序得分收益的方法，并對其進行了適當的改進，得到了序列最優化擴展詞權重收益的算法，具體優化步驟如下：

（1）按照式（2）計算出的屬性詞初始權重，選取權重較大的n個擴展詞組成候選擴展詞集合E；并設已選擴展詞集合為S，初始狀態為空。

（2）將E中權重最大的擴展詞加入S，并將其從E中刪除。

（3）將E中其余的擴展詞依次加入集合S，第k個加入S的擴展詞滿足如下條件，該擴展詞加入S可以使目標函數的增量最大，即選取一個擴展詞使式（7）最大化。式（7）的值也作為擴展詞優化后的權重，記為sim′(epk,Q)。

用以上權重優化模型得到的擴展詞既考慮了擴展詞與查詢的相關性，又考慮了降低擴展詞之間的冗余以及查詢擴展失敗的風險。

2.3 外部擴展詞與查詢語言模型的結合

基于Freebase得到的與查詢相關的擴展實體及實體屬性詞兩種加權特征，可作為影響文檔與查詢相關性得分的因素整合到文檔排序函數中：

式（8）由三部分組成：第一部分表示原始查詢Q與文檔D的相似性得分；第二部分表示查詢相關的實體EQ與文檔D的相似性得分；最后一部分則表示實體屬性詞集合EP與文檔D的相似性得分。sim′(ep,Q)即為基于式（7）優化后的屬性擴展詞與查詢Q的相似性得分。參數λq、λEn和λep用來調節三部分特征在排序函數的權重，且三者和為1。表達式φori(q,D)用來估計查詢詞q在文檔D對應的語言模型中的生成概率，該表達式的計算如下：

其中，tfq,D和cfq表示查詢詞q在文檔D以及文檔集C中的詞頻；|D|表示文檔D的長度；|C|表示文檔集C的詞項總數；β表示用文檔集平滑該生成概率的平滑系數。表達式φEn(En,D)和φep(ep,D)的計算參照式（9）。

3 實驗

3.1 實驗設置

本文在兩個TREC標準數據集WT10G和Clue-Web12B上對所提出的基于知識圖譜的查詢擴展模型進行了實驗。兩個數據集的基本情況如表1所示，并且兩個數據集都由Web頁面組成，文檔內容以及文檔長度區別較大，屬于異構類型的數據集。實驗所用到的查詢為TREC提供的測試topics的title部分，該部分一般用查詢關鍵詞來描述，更符合Web用戶的查詢習慣。

Table 1 Statistics of two TREC test collections表1 兩個TREC測試數據集的統計信息

本文采用了3種策略來驗證基于Freebase的外部擴展信息的有效性：（1）取權值最大的NEn個相關實體構建查詢擴展模型（對應擴展模型記為KF-En）；（2）取權值最大的Nep個實體屬性詞進行擴展（對應模型記為KF-EP）；（3）綜合考慮實體和實體屬性的影響（對應模型記為KF-En-EP）。

用一元語言模型LM和基于偽相關反饋的查詢擴展模型RM3[10]進行了對比實驗。實驗中所有模型都是基于Indri[11]的語言模型框架實現的，文檔集中所有文檔和查詢均按以下方式進行預處理：根據標準的停用詞表去除停用詞，然后用Porter Stemmer算法提取詞干。

在RM3模型實現過程中，有3個重要的參數需要調整，即初次檢索返回的前K(5≤K≤10)篇文檔，擴展詞個數N(10≤N≤100)，以及擴展詞與原始查詢的插值系數λ(0≤λ≤1)。在每個數據集上，3個參數分別以步長5、10、0.1進行逐步調整，直至找到平均準確率（mean average precision，MAP）最優的參數設置。在調整本文提出的3種基于Freebase的擴展模型的參數時，采用了與RM3模型類似的調參方法。KF-En模型包含兩個參數，外部擴展實體的個數NEn(1≤NEn≤5)以及擴展實體與原始查詢的插值系數λEn(0≤λEn≤1)，兩個參數的調整步長分別為1、0.1；KFEP模型中也包含兩個參數，外部屬性詞個數NEP(5≤NEP≤50)及其與原始查詢的插值系數λEP(0≤λEP≤1)，兩個參數的調整步長分別為5、0.1。鑒于4個參數NEn、λEn、NEP和λEP同時在模型KF-En-EP中出現，參數調整策略參考模型KF-En和KF-EP。

3.2 評價指標

本文采用了基于檢索返回的前1 000文檔平均準確率（MAP）作為模型有效性的評價指標，MAP也是TREC最為常規的檢索模型評價指標。由于兩個測試數據集均為Web文檔集，本文也用了TREC Web Track任務評價時常用的NDCG@20和ERR@20兩個評價指標來評價模型的有效性。

在評價模型穩定性時，本文選用了文獻[12]提出的Urisk評價方法，2013 TREC Web Track任務將該指標作為模型穩定性評價的重要參考指標[13]。該評價指標在使用時，需要有一個基準模型作為參照，本文選擇LM作為基準模型，Urisk定義如下：

其中，|Q|表示查詢個數；Q+表示與基準模型相比，檢索性能提升的查詢集合；Q-表示與基準模型相比，檢索性能降低的查詢集合。Δq表示待測模型與基準模型之間的性能差值，對于Q+集合中的查詢，Δq＞0；對于Q-集合中的查詢，Δq＜0。α是對性能下降的查詢的懲罰系數，α值越大，懲罰力度越大，本文實驗中設置α=10。由式（10）可以看出，Urisk越大表示模型越穩定。

另外，本文也采用文獻[14-15]提出的一種基于偏差方差分解的評價方法評價了所提出的擴展模型的整體性能。若用平均有效性AP作為單個查詢的檢索有效性評價指標，該評價方法可用以下公式定義：

其中，APT表示單個查詢的最優性能，本文取APT=1。式（11）表示待評價模型的AP與最優值APT的期望平方誤差，該誤差項可以分解為偏差方差兩部分：偏差Bias2(AP)可用來評價模型有效性，偏差越小表示模型越有效；方差Var(AP)可用來評價模型的穩定性，方差越小模型越穩定，故該評價指標的值越小，模型整體性能越好。

3.3 實驗結果分析

表2給出了KF-En、KF-EP、KF-En-EP擴展模型，以及基準模型LM和對比模型RM3在兩個測試數據集上的評價結果。在每個數據集上，性能表現最優的模型用粗體標出，4種擴展模型MAP提高的百分比均是相對于基準模型LM而言的。

由表2的實驗結果可知，本文提出的3種基于知識圖譜的查詢擴展模型在兩個測試數據集上MAP有6%～15%不等的提升。而相比之下，常用的查詢擴展模型RM3在兩個數據集上的檢索效果不如本文提出的擴展模型，且在ClueWeb12B上性能有所下降。出現該現象的原因是ClueWeb12B的初始檢索結果中排在前面的K篇文檔與查詢相關的很少（LM的MAP較低），從中提取的擴展詞造成了查詢偏移，從而使檢索性能下降，而基于外部知識圖譜的查詢擴展模型則不會受到初始檢索結果的影響。另外，表2也表明本文提出的3種擴展模型的檢索性能之間也存在差異，KF-En的檢索性能均低于另外兩個模型，原因是與查詢最為相關的實體個數較少，從而無法很好地擴展查詢來更好地表達用戶的信息需求。而基于實體屬性詞的擴展模型則充分挖掘了Freebase中與查詢相關的實體屬性，故檢索性能提升更為顯著。

Table 2 Average performance of 5 retrieval models on two test collections表2 5個模型在兩個數據集上的平均性能比較

在分析了本文提出的擴展模型有效性相比基準模型和RM3有所提升之后，接著主要分析了擴展模型對檢索系統穩定性的影響。表3列出了模型的穩定性評價指標Urisk以及總體性能評價指標Bias2+Var在各個模型上的評價結果。Urisk列中最大值用粗體標出，表示該模型最穩定，Bias2+Var列中最小值用粗體標出，表示該模型的整體性能最優。由表3可知，本文提出的3個擴展模型均表現得比RM3穩定，并且提升了檢索系統的有效性。

Table 3 Comparison of model stability and overall performance表3 模型的穩定性以及總體性能的比較

最后，本文主要分析了查詢相關的實體及屬性信息能夠提高檢索系統穩定性的原因。將數據集WT10G和ClueWeb12B對應的查詢按難度大小分成5組，查詢的難度參考了LM模型在該查詢上的平均準確率AP，AP越小表示查詢越難。如圖2所示，查詢難度從左至右依次降低，最左側的直方圖“0%～20%”表示最難的查詢分組上的MAP值，最右側的柱狀圖“80%～100%”表示最容易的查詢分組上的MAP值。由圖2（a）可知，對于數據集WT10G，在最難的查詢分組“0%～20%”上，本文提出的3個擴展模型MAP值稍微高于LM和RM3；在較難的查詢分組“20%～40%”上，KF-En和KF-En-EP的MAP值顯著高于LM和RM3；在難度適中的查詢分組“40%～60%”以及“60%～80%”上，KF-En-EP的MAP值高于其他模型，而KFEn和KF-EP的檢索效果與RM3相似；在最容易的查詢分組“80%～100%”上，RM3檢索結果最優。由圖2（b）可知，對于數據集ClueWeb12B來說，在前3個較難的查詢分組上模型KF-En和KF-En-EP的MAP值高于其他模型；在較簡單的查詢分組“60%～80%”上，KF-En、KF-EP和KF-En-EP的性能均優于LM和RM3；而在最簡單的查詢分組“80%～100%”上，KFEn-EP則表現得優于其他模型。綜上對不同難度查詢分組的分析可知，基于知識圖譜的查詢擴展模型不僅有利于提升難查詢的檢索性能，又能減少噪聲詞的引入來保證簡單查詢的檢索性能不被降低，故可以同時提高檢索系統的有效性和穩定性。

Fig.2 MAPof different query subsets on WT10G and ClueWeb12B圖2 數據集WT10G和ClueWeb12B上不同難度的查詢分組平均性能

4 結束語

本文提出了一種基于知識圖譜的查詢擴展模型，該模型主要解決了自動匹配與查詢相關的實體以及實體屬性，并利用收益-風險分析方法計算并優化實體屬性詞的權重。該方法既考慮了最大化整個屬性詞列表與查詢的相關性收益，又兼顧了最小化該屬性詞列表可能帶來的查詢擴展失敗的風險。最后將這些外部特征與查詢語言模型結合構建性能更加穩定的查詢擴展模型。本文實驗在兩個Web數據集上進行，實驗結果表明，本文提出的擴展模型與基準模型LM以及常用擴展模型RM3相比，檢索有效性有顯著提升；模型穩定性在兩個數據集上都優于RM3模型；最后通過對不同難度查詢分組的分析可知，本文提出的查詢擴展模型對難查詢檢索性能的提升顯著，對簡單查詢的檢索性能影響較小，故可以使檢索系統更加穩定。

未來的研究工作主要包括：（1）本文的研究集中在探索Freebase對檢索模型有效性和穩定性的影響，后續工作擬在其他外部語料庫上驗證外部知識對查詢擴展的有效性；（2）本文在計算實體與查詢的相似度時，只考慮到了查詢本身，而用戶查詢一般以少量的關鍵詞表示，可用的上下文信息較少，下一步工作將考慮融合查詢在文檔中的上下文信息來更準確地估計實體與查詢的相似度。

[1]Dalton J,Dietz L,Allan J.Entity query feature expansion using knowledge base links[C]//Proceedings of the 37th International ACM SIGIR Conference on Research and Development in Information Retrieval,Gold Coast,Queensland,Australia,Jul 6-11,2014.New York:ACM,2014:365-374.

[2]Xu Yang,Jones G J F,Wang Bin.Query dependent pseudorelevance feedback based on Wikipedia[C]//Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval,Boston,USA, Jul 19-23,2009.New York:ACM,2009:59-66.

[3]Kotov A,Zhai Chengxiang.Tapping into knowledge base for concept feedback:leveraging concept net to improve search results for difficult queries[C]//Proceedings of the 5th ACM International Conference on Web Search and Data Mining,Seattle,USA,Feb 8-12,2012.New York:ACM, 2012:403-412.

[4]Pan Dazhao,Zhang Peng,Li Jingfei,et al.Using Dempster-Shafer's evidence theory for query expansion based on freebase knowledge[C]//LNCS 8281:Proceedings of the 9th Asia Information Retrieval Societies Conference,Singapore,Dec 9-11,2013.Berlin,Heidelberg:Springer,2013: 121-132.

[5]Amati G,Carpineto C,Romano G.Query difficulty,robustness,and selective application of query expansion[C]//LNCS 2997:Proceedings of the 26th European Conference on Information Retrieval,Sunderland,UK,Apr 5-7,2004.Ber-lin,Heidelberg:Springer,2004:127-137.

[6]Collins-Thompson K,Callan J.Estimation and use of uncertainty in pseudo-relevance feedback[C]//Proceedings of the 30th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval,Amsterdam,The Netherlands,Jul 23-27,2007.New York:ACM, 2007:303-310.

[7]Wang Jun,Zhu Jianhan.Portfolio theory of information retrieval[C]//Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval,Boston,USA,Jul 19-23,2009.New York:ACM, 2009:115-122.

[8]Bollacker K,Evans C,Paritosh P,et al.Freebase:a collaboratively created graph database for structuring human knowledge[C]//Proceedings of the 2008 ACM SIGMOD International Conference on Management of Data,Vancouver,Canada,Jun 10-12,2008.New York:ACM,2008:1247-1250.

[9]Collins-Thompson K.Estimating robust query models with convex optimization[C]//Advances in Neural Information Processing Systems 21:Proceedings of the 22nd Annual Conference on Neural Information Processing Systems,Vancouver,Canada,Dec 8-11,2008:329-336.

[10]Zhai Chengxiang,Lafferty J.Model-based feedback in the language modeling approach to information retrieval[C]// Proceedings of the 10th International Conference on Information and Knowledge Management,Atlanta,USA,Nov 5-10,2001.New York:ACM,2001:403-410.

[11]Strohman T,Metzler D,Turtle H,et al.Indri:a languagemodel based search engine for complex queries[R].University of Massachusetts Amherst,Center for Intelligence Information Retrieval.

[12]Wang Lidan,Bennett P N,Collins-Thompson K.Robust ranking models via risk-sensitive optimization[C]//Proceedings of the 35th International ACM SIGIR Conference on Research and Development in Information Retrieval,Portland,USA,Aug 12-16,2012.NewYork:ACM,2012:761-770. [13]Collins-Thompson K,Bennett P,Diaz F,et al.TREC 2013 Web track guidelines[EB/OL].(2013)[2015-09-28].http:// research.microsoft.com/en-us/projects/trec-web-2013.

[14]Zhang Peng,Song Dawei,Wang Jun,et al.Bias-variance decomposition of IR evaluation[C]//Proceedings of the 36th International ACM SIGIR Conference on Research and Development in Information Retrieval,Dublin,Ireland, Jul 28-Aug 1,2013.New York:ACM,2013:1021-1024.

[15]Zhang Peng,Hao Linxue,Song Dawei,et al.Generalized bias-variance evaluation of TREC participated systems[C]// Proceedings of the 23rd ACM International Conference on Information and Knowledge Management,Shanghai,China, Nov 3-7,2014.New York:ACM,2014:1911-1914.

HAO Linxue was born in 1990.She is an M.S.candidate at Tianjin University.Her research interests include query expansion,information retrieval risk,knowledge base mining and model evaluation,etc.

郝林雪（1990—），女，河南南陽人，天津大學碩士研究生，主要研究領域為查詢擴展，信息檢索模型風險研究，知識庫挖掘，模型評價方法設計等。

ZHANG Peng was born in 1983.He received the Ph.D.degree from Robert Gordon University in 2013.Now he is a lecturer and M.S.supervisor at Tianjin University,and the member of CCF.His research interests include information retrieval,quantum cognitive computing and machine learning,etc.He has published more than 20 papers including journal papers and conference papers.

張鵬（1983—），男，山西高平人，2013年于英國羅伯特戈登大學獲得博士學位，現為天津大學計算機學院講師、碩士生導師，CCF會員，主要研究領域為信息檢索，量子認知計算，機器學習等。發表20余篇期刊及會議論文，主持1項國家自然科學基金和1項教育部博士點新教師類基金。

SONG Dawei was born in 1972.He received the Ph.D.degree from Chinese University of Hong Kong in 2000. Now he is a professor and Ph.D.supervisor at Tianjin University,and the member of CCF.His research interests include theory and formal models for context-sensitive information retrieval,multimedia and social media information retrieval,domain-specific information retrieval,user behavior,interaction and cognition in information seeking, text mining and knowledge discovery,etc.He has published more than 100 papers including many top tier international journal papers and conference papers.

宋大為（1972—），男，河北滄州人，2000年于香港中文大學獲得博士學位，現為天津大學計算機學院教授、博士生導師，CCF會員，主要研究領域為信息檢索理論與模型，多媒體與社會媒體信息檢索，特定領域信息檢索，信息檢索用戶交互與認知，文本挖掘與知識發現等。發表學術論文百余篇，主持英國國家工程和物理科學研究基金委員會基金項目4項，參與國家重點基礎研究發展計劃（973）2項，主持國家自然科學基金項目1項。

HOU Yuexian was born in 1972.He received the Ph.D.degree from Tianjin University in 2001.Now he is a professor and Ph.D.supervisor at Tianjin University,the director of the Institute of Computational Intelligence and Internet Application,Tianjin University,and the senior member of CCF.His research interests include machine learning, information retrieval and natural language processing,etc.He has published more than 50 papers on main international conferences and journals.

候越先（1972—），男，天津人，2001年于天津大學獲得博士學位，現為天津大學計算機科學與技術學院教授、博士生導師，天津大學網絡智能信息技術研究所主任，中國中文信息處理學會理事，CCF高級會員，主要研究領域為機器學習，信息檢索，自然語言處理等。近年來在主要國際學術期刊和會議上發表學術論文50余篇。

Research on Knowledge Graph Based Query Expansion Model and Its Retrieval Stability*

HAO Linxue,ZHANG Peng+,SONG Dawei,HOU Yuexian
Tianjin Key Laboratory of Cognitive Computing andApplication,Tianjin University,Tianjin 300350,China
+Corresponding author:E-mail:pzhang@tju.edu.cn

This paper aims to construct a query expansion model based on query-related entities and their properties in Freebase,which are used to reconstruct the query for better expressing the user's needs.The relevance score between each property term and the query is measured by the risk-reward analysis in portfolio theory,which is expected to maximize the reward of the relevance scores of property terms and minimize the risk of query expansion failure using these property terms.This paper also proposes a method to integrate these entities and associated properties into the language modeling framework for query expansion.In the experiments,the retrieval effectiveness and stability of the query expansion model solely based on Freebase are evaluated on two Web collections,in comparison with the baseline language model LM and the traditional query expansion model based on pseudo relevance feedback RM3.The experimental results show that the expansion model proposed in this paper outperforms baseline LM by 6%～15%in MAP(mean average precision),and it also performs more effectively and stably than RM3.

knowledge graph;Freebase;query expansion;effectiveness;stability

A

：TP391.3

10.3778/j.issn.1673-9418.1511043

*The National Natural Science Foundation of China under Grant Nos.61402324,61272265(國家自然科學基金);the National Basic Research Program of China under Grant Nos.2013CB329304,2014CB744604(國家重點基礎研究發展計劃(973計劃));the Specialized Research Fund for the Doctoral Program of Higher Education of China under Grant No.20130032120044(高等學校博士學科點專項科研基金).

Received 2015-10,Accepted 2015-12.

CNKI網絡優先出版:2015-12-03,http://www.cnki.net/kcms/detail/11.5602.TP.20151203.1407.006.html

摘 要：旨在構建一種基于知識圖譜Freebase的查詢擴展模型，通過從Freebase中抽取與查詢相關的若干實體及實體屬性作為擴展詞來重構查詢，從而更好地表達用戶的信息需求。在計算擴展詞權重時，參考了投資組合理論中收益-風險分析方法，最大化擴展詞和查詢的相關性收益，同時也最小化擴展詞可能帶來的查詢漂移的風險。最后將查詢相關的實體和實體屬性作為兩種特征和查詢語言模型結合實現查詢擴展。在兩個Web數據集上進行實驗，用來檢驗所提出的擴展模型對檢索系統的有效性和穩定性的影響。實驗結果表明，提出的查詢擴展模型與一元語言模型LM相比，檢索結果的平均準確率（mean average precision，MAP）在兩個數據集上有6%至15%的顯著提升；和基于偽相關反饋的查詢擴展模型RM3相比，有效性及穩定性都有不同程度的提升。