科技文档间非对称关系的双模态度量方法

徐建民,王鑫

(河北大学 网络空间安全与计算机学院，河北 保定 071002)

文档间关系度量研究是近年来多个领域的一个研究热点，在文档分类、抄袭检测、自动问答、智能检索等领域都有着广泛的应用[1].传统度量方法多假设文档间关系是对称的，不区分文档间关系的方向差异性，未能刻画出2个文档之间相互影响力的不同.Garg等[2]指出文本文档间存在非对称关系并提出了一种度量方法，实验证明了非对称关系度量与传统的对称度量方法相比具有更好的性能.

科技文档不同于文本文档，它是一种多模态数据，除文本外，还包括公式、图表等重要信息[3]，很多时候科技文档中的这些非文本信息更能代表相关文档的内涵.这些非文本信息之间的关系本质上来看也不是对称的，忽略这种非对称关系，或将已有的文本文档间非对称关系度量方法直接用于度量科技文档间非对称关系会造成度量数据的不准确乃至产生较大偏差.

本文在对科技文档间非对称关系进行分析的基础上，提出一种基于文本和公式双模态的度量方法.该方法将非对称关系定义为覆盖度，通过融合公式覆盖度和文本覆盖度得到文档覆盖度，以实现对科技文档间非对称关系的度量.新方法可以更好地区分科技文档间关系的方向性，更准确地度量科技文档间关系.本文的主要贡献包括：

1)针对科技文档间的非对称关系，提出文档覆盖度的概念，给出了文档覆……