1、語義網(wǎng)(Semantic Web)是一種智能網(wǎng)絡(luò)，它不但能夠理解詞語和概念，而且還能夠理解它們之間的邏輯關(guān)系，使電腦更容易地理解語句和文章。在近幾年，語義網(wǎng)有長足的發(fā)展，并應(yīng)用在不同的領(lǐng)域，如文本挖掘和搜索引擎。結(jié)合其他方法的應(yīng)用也層出不窮，而在與查詢擴展的結(jié)合方向，現(xiàn)有的方法仍然不能滿足處理的要求。因此本文提出了兩種不同的新方法，并將其中一種應(yīng)用到一個富媒體檢索系統(tǒng)上，證明該方法的可行性。
　　本論文針對現(xiàn)有信息檢索系統(tǒng)的不足，

2、提出了一種結(jié)合相關(guān)規(guī)則和WordNet本體信息的查詢擴展方法。該方法借助相關(guān)規(guī)則和WordNet本體信息構(gòu)建加權(quán)詞語關(guān)系圖，并根據(jù)加權(quán)圖的結(jié)構(gòu)和權(quán)重信息計算擴展詞的重要性。查詢時，從這個圖中先取原查詢詞的最鄰近詞作為擴展詞來源，再選取其中權(quán)重最大的p個詞返回并進行二次檢索。在實現(xiàn)算法的基礎(chǔ)上，通過Lucene全文檢索器進行實驗，將所得的結(jié)果值F1與其他算法的結(jié)果作比較，證明方法的有效性。
　　為了提高信息檢索系統(tǒng)的查詢性能，還提出

3、了一種基于NMF(非負矩陣分解)和WordNet語義網(wǎng)的查詢擴展方法。在該方法中，非負矩陣分解的結(jié)果和WordNet本體庫被用來建立一個加權(quán)詞圖。每個單詞的重要性是根據(jù)圖形結(jié)構(gòu)和權(quán)重來計算的。在查詢的階段，原始查詢的最鄰近詞被選為擴展詞，然后其中具有最大權(quán)重的詞語將被用于第二次檢索。該方法的貢獻在于，它有效地結(jié)合在WordNet的語料庫和語義信息的詞相關(guān)性信息。
　　另外，還設(shè)計了一個基于富媒體的查詢擴展系統(tǒng)。本查詢擴展系統(tǒng)實現(xiàn)了