田学东，崔晓娟

(河北大学 计算机科学与技术学院，河北 保定 071002)

基于数学表达式特征的科技文档检索模型

田学东，崔晓娟

(河北大学 计算机科学与技术学院，河北 保定 071002)

现有全文检索技术多是以文本信息为处理对象，对于以数学表达式为主要成分的科技文档检索还处在探索阶段.为了使用户可以方便地以数学公式作为查询语言对科技文档进行检索，提出了一种基于数学表达式特征的科技文档检索模型.首先通过将公式解析为二叉树得到数学表达式的子式信息，利用数学表达式及子式构造检索特征向量；在索引阶段，利用所提取的文档特征向量构建分层结构的索引表；在匹配阶段，对文档向量采用tf-idf进行加权操作，利用余弦相似度对检索向量和文档向量进行相似度计算，得到一个有序的文档检索结果.实验选取了来自不同领域的期刊、学术网站以及公共数据集的5 017篇科技文档，其中包含了96 362条数学公式，平均检索时间为0.428 s，表明该模型达到了实现较高效率科技文档检索的目标.

科技文档；数学表达式；检索；索引；匹配；二叉树；特征

数学表达式是科技文献的重要组成部分，以数学表达式为线索获取文档信息，对于科技工作者来说，是较为理想的科技信息获取方式之一.目前，全文信息检索技术已较为成熟，而以数学表达式检索为核心的科技文档信息检索还处于研究阶段.国内外针对数学表达式检索的研究已经取……