王學軍

（廣州華立學院，廣東 廣州 511325）

0 引 言

隨著網(wǎng)絡信息技術的發(fā)展，采用搜索引擎實現(xiàn)網(wǎng)絡數(shù)據(jù)信息管理和檢索成為常態(tài)。搜索引擎檢索數(shù)據(jù)，是在信息化體系構架下，進行搜索引擎粗糙集查詢；結合知識結構圖模型設計，建立搜索引擎粗糙集查詢數(shù)據(jù)的檢索和特征匹配模型，構建搜索引擎粗糙集查詢數(shù)據(jù)信息和文獻資源的數(shù)據(jù)分析模型，能夠提高數(shù)據(jù)檢索的精準度。相關的搜索引擎粗糙集特征檢索方法研究受到了人們的極大關注[1]。

對搜索引擎粗糙集查詢數(shù)據(jù)信息檢索是建立在對大數(shù)據(jù)信息結構特征分析技術上的，采用統(tǒng)計特征分析方法，建立基于大數(shù)據(jù)分析和云計算技術的搜索引擎粗糙集特征檢索模型[2-3]。文獻[4]中提出基于大數(shù)據(jù)分析的搜索引擎粗糙集查詢數(shù)據(jù)融合方法，結合耦合參數(shù)匹配和信息重組方法實現(xiàn)搜索引擎粗糙集特征檢測，但采用該方法進行數(shù)據(jù)檢索的實時性不好。文獻[5]采用聯(lián)合關聯(lián)規(guī)則性挖掘的方法，實現(xiàn)搜索引擎粗糙集查詢數(shù)據(jù)信息檢索的特征分析，建立搜索引擎粗糙集查詢數(shù)據(jù)信息檢索的聯(lián)合特征匹配模型實現(xiàn)引擎檢索，但該方法的計算負載較高。針對上述問題，本文提出基于模板匹配的搜索引擎粗糙集特征檢索方法。首先采用稀疏性字典匹配集存儲機制構建搜索引擎粗糙集查詢數(shù)據(jù)信息的分塊網(wǎng)格化詞義結構模型；然后建立搜索引擎粗糙集查詢的模板匹配參數(shù)，采用模板匹配和自適應參數(shù)估計的方法，通過關聯(lián)規(guī)則調(diào)度，建立搜索引擎粗糙集查詢數(shù)據(jù)信息匹配和檢索的尋優(yōu)學習模型；通過粗糙集語義參數(shù)估計，結合特征聚類方法實現(xiàn)搜索引擎數(shù)據(jù)檢索。最后進行仿真測試，結果表明，采用本文方法進行搜索引擎粗糙集檢索的查準率較高，檢索匹配能力較好。

1 搜索引擎粗糙集查詢數(shù)據(jù)結構特征分析

1.1 搜索引擎粗糙集查詢數(shù)據(jù)結構模型

為了實現(xiàn)搜索引擎粗糙集查詢數(shù)據(jù)信息檢索，結合高層語義之間的語義特征分析和密度聚類分析，構建搜索引擎粗糙集查詢數(shù)據(jù)信息檢索的特征匹配模型，采用關聯(lián)規(guī)則融合和相似度特征檢測，進行搜索引擎粗糙集查詢數(shù)據(jù)信息的特征檢測和粗糙集參數(shù)查詢[6]。根據(jù)空間分布狀態(tài)特征得到搜索引擎粗糙集查詢數(shù)據(jù)結構分布如圖1 所示。

圖1 搜索引擎粗糙集查詢數(shù)據(jù)結構分布

根據(jù)圖1 所示的搜索引擎粗糙集查詢數(shù)據(jù)特征分布，采用模糊引擎查詢調(diào)度的方法，得到搜索引擎粗糙集的HOG特征，構建搜索引擎粗糙集查詢數(shù)據(jù)的樣本平均分布集，得到差異度匹配集Ei,j=，其中，ei∈{1, 0}。粗糙樣本集為：

式中：PT-elec為搜索引擎粗糙集查詢數(shù)據(jù)的語義屬性；R為語義本體特征；LDATA為用戶的交互項目與被推薦項目的自由度；LACK為描述復雜特征信息的知識圖譜參數(shù)。根據(jù)搜索引擎粗糙集查詢數(shù)據(jù)的樣本構造特點，得到模糊度檢測參數(shù)t，給定一個數(shù)據(jù)集S={x1, ...,xm}，用元路徑或元圖向量x=[x1x2...xk]表示搜索引擎粗糙集查詢數(shù)據(jù)信息檢索的統(tǒng)計特征量。根據(jù)M1,M2, ...,MN的聚類性，得到搜索引擎粗糙集查詢數(shù)據(jù)的特征匹配結構式為：

式中：

式中：DIFS 為搜索引擎粗糙集查詢數(shù)據(jù)的描述統(tǒng)計特征量；tDATA為知識圖譜卷積網(wǎng)絡圖譜參數(shù)采樣時間間隔；tslot為用戶與項目之間的細粒度；tT-start為檢索開始時間；SIFS 為差異化概率密度。根據(jù)上述分析，采用稀疏性字典匹配集存儲機制構建搜索引擎粗糙集查詢數(shù)據(jù)信息的分塊網(wǎng)格化詞義結構模型，實現(xiàn)粗糙集特征分配檢索[7]。

1.2 搜索引擎粗糙集查詢數(shù)據(jù)檢索特征匹配

在計算學習者嵌入表示的過程中，根據(jù)搜索引擎粗糙集查詢的分組檢測結果，將鄰居節(jié)點信息聚合到當前節(jié)點，得到檢索關鍵詞匹配參數(shù)為，搜索引擎粗糙集查詢數(shù)據(jù)的梯度聚類函數(shù)為：

式中：l為搜索引擎粗糙集的邊緣分布特征；Ecomm為局部的近似結構及特征；pdrop為聯(lián)合自相關統(tǒng)計特征量，給定交互矩陣與知識圖譜，得到搜索引擎粗糙集查詢數(shù)據(jù)信息的模糊集分布為：

式中：v表示聚合鄰居實體；c(v)為學習資源l的拓撲結構信息。學習資源的嵌入聚合實體的權重分量，分單元格表示為：

式中：Pk+1|k為聚合實體的權重分配概率密度；Gk+1為知識圖譜中實體的鄰域分配系數(shù)，為其轉置特征量。通過模糊字節(jié)特征匹配方法，建立搜索引擎粗糙集查詢的模板匹配參數(shù)分配模型[8]。

2 搜索引擎粗糙集查詢數(shù)據(jù)信息檢索優(yōu)化

2.1 搜索引擎粗糙集查詢數(shù)據(jù)信息融合處理

設nz為搜索引擎粗糙集查詢數(shù)據(jù)信息檢索節(jié)點數(shù)，引入搜索引擎粗糙集查詢數(shù)據(jù)語義的屬性分類策略，采用分組檢驗，得到搜索引擎粗糙集查詢數(shù)據(jù)信息檢索的粗糙集為：

式中：N為交互數(shù)據(jù)的語義序列長度；x為搜索引擎的知識圖譜分布；τ為時間延遲。由此，建立搜索引擎粗糙集查詢數(shù)據(jù)的語義自動分配目錄，根據(jù)粗糙集特征分配，進行模板匹配和語義檢索[9]。

2.2 搜索引擎粗糙集查詢數(shù)據(jù)特征檢索

建立搜索引擎粗糙集查詢的模板匹配參數(shù)分配模型，采用模板匹配和自適應參數(shù)估計的方法，通過關聯(lián)規(guī)則調(diào)度，得到層次聚類中心為Mi和Mj；采用粗糙集特征匹配的方法，得到搜索引擎粗糙集查詢數(shù)據(jù)信息檢索的層次密度聚類輸出為Clustdist(Mi,Mj)。當(i≠j, 1 ≤i≤q, 1 ≤j≤q)時，搜索引擎粗糙集查詢數(shù)據(jù)語義屬性的聚類輸出的時間概率密度函數(shù)表示為：

式中：Xp為搜索引擎粗糙集查詢數(shù)據(jù)信息語義分布的源信息；u為搜索引擎粗糙集查詢數(shù)據(jù)的粗糙度；v為搜索引擎粗糙集匹配度特征量。建立模糊度匹配模型，得到模糊邊緣匹配系數(shù)為的邊緣向量值，用四元組(Ei,Ej,d,t)來表示大數(shù)據(jù)背景下引擎粗糙集的融合度，得到信息融合輸出：

式中：σs為學習狀況和學習滿意度的聯(lián)合匹配泛函；X1為學習者行為參數(shù)；H為信息熵。設搜索引擎粗糙集查詢數(shù)據(jù)的采樣周期為Ts，則每個周期包含的搜索引擎粗糙集查詢數(shù)據(jù)信息數(shù)據(jù)點數(shù)m=T/Ts。采用類型化的模板參數(shù)匹配，實現(xiàn)對搜索引擎粗糙集查詢數(shù)據(jù)知識結構圖模型的匹配[10-12]。

3 仿真實驗與結果分析

通過MATLAB 仿真實驗驗證本文方法在搜索引擎粗糙集特征檢索中的應用性能，實驗中以圖片檢索為例，圖片采樣大小Q設置為4，相似度為0.28，學習率為0.001，待檢索圖像如圖2 所示。

圖2 搜索引擎待檢索圖

以圖2 為研究對象，采用本文方法進行模板匹配和粗糙集特征提取，實現(xiàn)圖像檢索，結果如圖3 所示。

圖3 搜索引擎信息檢索結果

分析圖3 可知，采用本文方法進行搜索引擎粗糙集特征檢索的模板匹配性能較好，匹配精度較高。測試檢索的查準率，對比結果如圖4 所示。分析圖4 可知，本文方法的查準率更高，性能優(yōu)于傳統(tǒng)方法。

圖4 查準率對比

4 結 語

結合知識結構圖模型設計，建立搜索引擎粗糙集查詢數(shù)據(jù)的檢索和特征匹配模型，能夠提高數(shù)據(jù)檢索的精準度。本文提出基于模板匹配的搜索引擎粗糙集特征檢索方法。采用稀疏性字典匹配集存儲機制構建搜索引擎粗糙集查詢數(shù)據(jù)信息的分塊網(wǎng)格化詞義結構模型，實現(xiàn)粗糙集特征分配檢索；采用類型化的模板參數(shù)匹配，實現(xiàn)對搜索引擎粗糙集查詢數(shù)據(jù)知識結構圖模型的匹配。分析得知，本文方法對搜索引擎粗糙集特征檢索的匹配性和查準率較高。