面向OCR識別文檔的蒙古文信息檢索技術研究.pdf

1、蒙古文文獻資料是蒙古民族智慧的結晶，也是中華民族的寶貴財富。OCR系統(tǒng)可以將蒙古文文獻數(shù)字化，用戶就可以在互聯(lián)網上檢索到OCR識別后的資料。由于蒙古文文獻進行OCR識別后存在一定的錯誤，如果直接對用戶查詢進行全文檢索，檢索系統(tǒng)的性能一定會降低。本文首先通過對停用詞表、索引單元和平滑方法等進行試驗找到了適合蒙古文信息檢索的模型;然后提出了改變索引單元和基于混淆字符串查詢擴展兩種方法，來提高OCR識別后文檔的檢索性能。
　　在蒙古文信

2、息檢索模型的研究中，通過對比發(fā)現(xiàn)結構化語言模型作為檢索模型效果最好;采用TF和DF方法統(tǒng)計了停用詞表，結果表明停用詞在不降低檢索性能的情況下，能有效的減小索引大小;以整詞和詞根作為檢索單元進行實驗，發(fā)現(xiàn)詞根的效果最好;應用偽相關反饋能夠進一步提高檢索性能。
　　在面向OCR識別后文檔的檢索過程中，本文提出的兩種方法的檢索性能有了明顯的提高。在使用不同的索引單元時，字符級4-gram作為索引單元時效果較好。實驗結果表明基于混淆字符串