RMM 之改進與實驗結果

RMM 也是一個十分有效之查詢模型，其由於考慮了查詢本身資訊而有著 不錯的檢索效能，但在此我們也提出數種方法，試圖改進 RMM 之效果。

語料庫 mAP

T2S 0.4738 T2T 0.4505 T3S 0.4427 T3T 0.4937 WSJ 0.2994 表(6.20) RMM2 之實驗結果

語料庫 mAP

T2S 0.4737 T2T 0.4443 T3S 0.4532 T3T 0.4914 WSJ 0.2909 表(6.21) RMM2 使用 MRW 選

取方法之實驗結果

語料庫 mAP

T2S 0.3736 T2T 0.47 T3S 0.4326 T3T 0.5037 WSJ 0.3098 表(6.22) RMM3 之實驗結果

首先，我們在 SMM2 中已提過使用背景模型作為參考對象之不足之處，

此我們將此概念用於 RMM 之改進上，同樣以虛擬關聯文件集合建立新背景模 型並取代原本之背景模型；我們將此模型稱為 RMM2，並進行其採用基礎虛擬 關聯文件之結果。此實驗結果見表(6.20)。RMM2 在 T2S 及 T3S 中皆有進步，

而再其他語料庫中則略遜於原始的 RMM。我們也將 MRW 之結果用於 RMM2 中，結果如表(6.21)所示。在使用 MRW 的情況下，RMM2 僅在 T3S 中較使用 基礎虛擬關聯文件之 RMM2 為佳，在其餘語料庫中之效果都相去不遠。

語料庫 mAP

T2S 0.4149 T2T 0.4736 T3S 0.4139 T3T 0.4558 WSJ 0.3057 表(6.23) RMM3 使用 MRW 選

取方法之實驗結果

RMM 中藉由考慮差查詢本身資訊來建立模型，但查詢本身資料有限，故 在建立模型時無法確定其影響力。為改進此點，我們將以其他具備更多資 訊的模型來取代原始的查詢模型；在此我們以 RM 作為替代原始查詢模型之角 色並進行模型之建立，並將此模型稱為 RMM3。表(6.22)為其使用基礎虛擬關 聯文件之檢索結果。除了 T2T 外，RMM3 在其餘語料庫之效能上都有所改進。

我們同樣進行將 RMM3 使用 MRW 結果建立之實驗，其結果參見表(6.23)。在 表(6.23)中，RMM3 在 T2S 與 WSJ 上有些許進步，但整體效果仍遜於使用基 礎虛擬關聯文件之 RMM3。

RMM2 與 RMM3 的目標是改進原始 RMM 模型中之各種不足部分，故兩 者之改進方向是相互獨立的。在此我們試著將兩者之改進同時進行，而此模 型我們稱之為 RMM4。以下表(6.24)及表(6.25)分別為 RMM4 使用基礎虛擬關 聯文件以及 MRW 選取結果之實驗結果。

語料庫 mAP

T2S 0.4442 T2T 0.4589 T3S 0.4764 T3T 0.5308 WSJ 0.3095 表(6.24) RMM4 之實驗結果

語料庫 mAP

T2S 0.3966 T2T 0.3912 T3S 0.4711 T3T 0.5001 WSJ 0.3017 表(6.25) RMM4 使用 MRW 選

取方法之實驗結果

在使用基礎虛擬關聯文件時，RMM4 在 T2S、T3S、T3T 及 WSJ 上之所效 果都有所進步，尤其在 T3T 上最為明顯。當使用 MRW 之結果時，同樣只有 T2T 沒有獲得改進，但進步幅度不如前者。

以上各種 RMM 之改進中，在檢索效果上皆有些許進展，表示這些改進應 該有彌補 RMM 本身之不足之處。而使用 MRW 所選文件之效果不明顯，應該 是與 RMM 本身著重於查詢關聯性的特性所影響，而無法有效的利用其中資訊。

語料庫 查詢模型

RM SMM RMM T2S 0.3741 0.2875 0.3643 T2T 0.4230 0.4707 0.5187 T3S 0.4668 0.4219 0.4291 T3T 0.5073 0.4929 0.4989 WSJ 0.299 0.3059 0.3008 表(6.26) 不同查詢模型考慮查詢清晰度用於調整

權重之實驗結果

語料庫 查詢模型

SMM2 RMM2 RMM3 RMM4 T2S 0.316 0.4743 0.3536 0.4309 T2T 0.4718 0.4475 0.4687 0.3628 T3S 0.422 0.4424 0.4045 0.407 T3T 0.4867 0.4923 0.452 0.454 WSJ 0.2976 0.2966 0.2935 0.2819 表(6.27) 不同改良查詢模型考慮查詢清晰度用於調整權重之實驗

結果