實驗設計

引表。而我們整體實驗過程皆是在 Intel(R) Core i5-2400 3.10GHz 的核心處理器以及 8GB 的存取記憶體，搭配 Windows 7 64 位元作業系統的電腦規格下進行，並且以 Java

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

27

彙抽取，依照其權重值的大小對各文件保留 Top-k 特徵字詞向量，建立其所屬的字詞文 件表格 (Term-Document Table)，並且依各文件的特徵字詞向量，計算彼此在向量空間 中的餘弦相似度，依據此相似度值作階層式聚集分群演算法，對各節點內所有文件作分 群動作。而分群後各個群集仍需保留文件原有的 Top-k 特徵字詞向量，並且對所有特徵 字詞取聯集後，重新計算群集的 Top-k 特徵字詞權重，以作為群集的代表資訊。最後，

在選出數個起動節點後，我們會將整體端對端網路切割成數個區域，每個顏色即代表一 個區域，如下圖 4.1 所示：

圖 4.1：區域切割後的端對端網路

當 P2P 網路內的區域切割完畢後，各啟動節點便會去蒐集各自區域內的特徵字詞向 量，作為未來建立特徵索引表的依據。在演算法的比較部分，我們會與 SON-based Framework 做比較，SON-based Framework 也是在端對端網路環境下，找出與查詢文件 Top-k 相似的文件集合。使用的方法主要是透過語義層疊式網路的建構，來對具有相似 內容的文件群集做合併，並且再針對具有相似內容的節點再做一次合併，形成跨區域的 階層式語義層疊式網路，算是一種很直覺式的方法。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

28

4.1.1 分群演算法實驗

由於分群演算法所產生出的分群結果，很明顯會影響我們的方法在查詢處理時的結果與 搜尋速度。因此在實驗過程中，我們會針對不同節點數量的端對端網路環境下，去測試 其各節點資料庫內群集之間的相似度平均值，該數值的大小也代表群集之間的分離程度：

當群集之間的相似度平均值較大，代表分群結果是較差的，群集彼此所擁有的文件過於 相似；若平均值低，則表示我們所採用的分群演算法，可有效的將文件依特徵字詞向量 做分群。並且額外記錄各群集所擁有的 Top-k 特徵字詞向量個數，以及在該網路環境下 的總群集數量。以上是我們的第一個實驗。

4.1.2 準確率與查詢成本比較實驗

在本研究所提出的問題中，為了幫助我們實驗的驗證，會以傳統集中式搜尋引擎 (Baseline Algorithm) 進行 Top-k 相似文件查詢的結果文件，作為標準答案。也就是 去檢索所有文件當中包含查詢文件的所有特徵字詞，以便測試我們的方法架構與 SON-based 的準確率優劣，並以各自查詢過程中，須接觸多少個節點資料庫數量，才可 回傳 Top-k 相似文件結果，作為整體查詢成本耗費的比較，而 SON-based 演算法在相關 研究章節中已有做詳細的介紹了。

因此在查詢處理的實驗上，我們首先會針對 Ohsumed 文件資料庫的三十五萬分文件 當中，隨機從這二十三種類別當中，挑選一百篇病例報告文件作為查詢集合。再從這一 百份文件當中，挑選一篇文件作為查詢文件，並且計算其查詢文件與經過我們方法所得 出的結果文件集合之餘弦相似度，再透過設定的相似度門檻值來決定有哪些文件是與查 詢文件相似的，因此我們可以定義出檢索後得到文件集合的準確率。

‧

‧

100 500 1000 2000

Number of contacted peers

Network size ( Number of peers)

SON-based@25 F.I.T@25 SON-based@50 F.I.T@50