Lucene全文檢索技術(shù)在專利服務(wù)平臺中的研究與應(yīng)用.pdf

1、本文從生物醫(yī)藥專利信息服務(wù)平臺的實際應(yīng)用需求出發(fā),在深入研究了Lucene全文檢索工具包及相關(guān)技術(shù)基礎(chǔ)之上,擴展了Lucene分詞模塊,改進了Lucene默認(rèn)的排序算法,并擴展了Lucene的多格式文檔處理模塊,使本文設(shè)計的專利系統(tǒng)支持常用的多種專利文檔格式的檢索,并最終將以上研究應(yīng)用于本文介紹的專利服務(wù)平臺中,有效地改善了專利檢索系統(tǒng)的性能。
　　 本文主要工作如下:
　　 (1)對Lucene全文檢索工具包進行了深入

2、研究,分析了各種常見格式文檔處理技術(shù)的現(xiàn)狀,著重研究了中文分詞技術(shù)和Lucene的排序機制,為Lucene全文檢索技術(shù)更好的在專利服務(wù)平臺中的科學(xué)應(yīng)用,提供了充分的理論依據(jù)；
　　 (2)針對專利文獻(xiàn)特點及專利文獻(xiàn)自動分詞的難點,提出了一種基于規(guī)則和后綴數(shù)組相結(jié)合的自動分詞方法,擴展了Lucene分詞模塊,實驗證明該方法有效地提高了專利分詞的查準(zhǔn)率和查全率；
　　 (3)針對專利文獻(xiàn)的特點,改進了傳統(tǒng)的TF-IDF公式,

3、提出了一種對位置信息進行加權(quán)來計算特征詞權(quán)重的方法,對檢索結(jié)果進行了自定義排序,實驗證明該排序方法能很好地匹配更相關(guān)的文檔；
　　 (4)為了能夠讓本文的專利檢索系統(tǒng)既不局限于純文本格式的檢索,又不用將文檔轉(zhuǎn)換成中間格式,本文設(shè)計了一個通用的接口,借助第三方開發(fā)的解析工具對不同格式的專利文檔(如PDF文檔、WORD文檔、HTML文檔等)進行處理,將其轉(zhuǎn)換成Lucene能夠處理的格式,使本文設(shè)計的專利檢索系統(tǒng)支持對多種格式專利文獻(xiàn)