where b is a parameter, dl is the l

where b is a parameter, dl is the length of the document, and avdl is the average length of a document in the collection. The constant b regulates the impact of the length normalization, where b = 0 corresponds to no length normalization, and
b = 1 is full normalization. In TREC experiments, a value of b = 0.75 was found to be effective. As an example calculation, let’s consider a query with two terms, “president” and “lincoln”, each of which occurs only once in the query (qf = 1). We will consider the typical case where we have no relevance information (r and R are zero). Let’s assume that we are searching a collection of 500,000 documents (N), and that in this collection, “president” occurs in 40,000 documents (n1 = 40, 000) and “lincoln” occurs in 300 documents (n2 = 300). In the document we are scoring (which is about President Lincoln), “president” occurs 15 times (f1 = 15) and “lincoln” occurs 25 times (f2 = 25). The document length is 90% of the average length (dl/avdl = 0.9). The parameter values we use are k1 = 1.2, b = 0.75, and k2 = 100. With these values, K = 1.2 • (0.25 + 0.75 • 0.9) = 1.11, and the document score is:

ผลลัพธ์ (ไทย) 1:

ซึ่ง b คือ พารามิเตอร์ dl คือ ความยาวของเอกสาร และ avdl คือ ความยาวเฉลี่ยของเอกสารในคอลเลกชัน ค่าคง b ควบคุมผลกระทบต่อการปรับสภาพความยาว ที่ b = 0 ตรงกับฟื้นฟูไม่ยาว และb = 1 จะฟื้นฟูเต็มรูปแบบ ใน TREC ทดลอง ค่า b = 0.75 พบมีประสิทธิภาพ เป็นการคำนวณตัวอย่าง ลองพิจารณาแบบสอบถาม มีสองเงื่อนไข "ประธาน" และ "ลินคอล์น" ซึ่งเกิดขึ้นเพียงครั้งเดียวในแบบสอบถาม (qf = 1) เราจะพิจารณากรณีทั่วไปที่เรามีไม่มีความเกี่ยวข้องข้อมูล (r และ R เป็นศูนย์) สมมติว่า เรากำลังค้นหาคอลเลกชันเอกสาร 500,000 (N), และที่ในคอลเลกชันนี้ "ประธาน" ที่เกิดขึ้นในเอกสาร 40,000 (n1 = 40, 000) และ "ลินคอล์น" เกิดขึ้นในเอกสาร 300 (n2 = 300) ในเอกสาร เราจะให้คะแนน (ซึ่งเกี่ยวกับประธานาธิบดีลินคอล์น), "ประธาน" เกิดขึ้น 15 ครั้ง (f1 = 15) และ "ลินคอล์น" เกิดขึ้น 25 ครั้ง (f2 = 25) ความยาวของเอกสารคือ 90% ของความยาวเฉลี่ย (dl/avdl = 0.9) ค่าพารามิเตอร์เราใช้อยู่ k1 = 1.2, b = 0.75 และ k2 = 100 มีค่าเหล่านี้ K = 1.2 • (0.25 + 0.75 0.9) = 1.11 และเอกสารคะแนน:

ผลลัพธ์ (ไทย) 2:

โดยที่ B คือพารามิเตอร์ DL คือความยาวของเอกสารและ avdl คือความยาวเฉลี่ยของเอกสารในคอลเลกชัน คง B ควบคุมผลกระทบของการฟื้นฟูความยาวที่ B = 0 สอดคล้องกับไม่มีการฟื้นฟูความยาวและ
B = 1 คือการฟื้นฟูอย่างเต็มรูปแบบ ในการทดลอง TREC ค่าของ B = 0.75 ถูกพบว่ามีประสิทธิภาพ ในฐานะที่เป็นตัวอย่างการคำนวณขอพิจารณาแบบสอบถามที่มีคำสองคำ "ประธาน" และ "Lincoln" ของแต่ละคนซึ่งเกิดขึ้นเพียงครั้งเดียวในแบบสอบถาม (QF = 1) เราจะพิจารณากรณีทั่วไปที่เรามีข้อมูลความสัมพันธ์กันไม่มี (R และ R เป็นศูนย์) สมมติว่าเรากำลังค้นหาคอลเลกชันของ 500,000 เอกสาร (N) และที่อยู่ในคอลเลกชันนี้ "ประธาน" ที่เกิดขึ้นใน 40,000 เอกสาร (N1 = 40, 000) และ "ลิงคอล์น" เกิดขึ้นใน 300 เอกสาร (N2 = 300) ในเอกสารที่เราจะให้คะแนน (ซึ่งเป็นเรื่องเกี่ยวกับประธานาธิบดีลินคอล์น) "ประธาน" เกิดขึ้น 15 ครั้ง (F1 = 15) และ "ลิงคอล์น" เกิดขึ้น 25 ครั้ง (F2 = 25) ความยาวของเอกสารเป็น 90% ของความยาวเฉลี่ย (DL / avdl = 0.9) ค่าพารามิเตอร์ที่เราใช้เป็น K1 = 1.2, B = 0.75 และ K2 = 100 ที่มีค่าเหล่านี้ K = 1.2 • (0.25 + 0.75 • 0.9) = 1.11 และคะแนนของเอกสารคือ

ผลลัพธ์ (ไทย) 3:

ที่ B เป็นค่า DL คือความยาวของเอกสาร และ avdl มีความยาวเฉลี่ยของเอกสารในคอลเลกชัน ค่าคงที่ b ควบคุมผลกระทบของความยาวปกติที่ B = 0 กับไม่มีความยาวปกติและB = 1 เต็มน . ใน trec การทดลอง ค่าของ b = 0.75 ก็พบว่ามีประสิทธิภาพ ตัวอย่างการคำนวณ , ให้พิจารณาแบบสอบถามที่มีสองด้าน " ประธาน " และ " ลินคอล์น " ซึ่งแต่ละที่เกิดขึ้นเพียงครั้งเดียวในแบบสอบถาม ( แควนตัส = 1 ) เราจะพิจารณาเป็นกรณีปกติที่เราไม่มีความเกี่ยวข้องของข้อมูล ( R และ R เป็นศูนย์ ) สมมติว่าเรากำลังค้นหาคอลเลกชันของ 500000 เอกสาร ( N ) และที่ในคอลเลกชันนี้ " ท่านประธาน " เกิดขึ้นใน 40 , 000 เอกสาร ( N1 = 40 , 000 ) และ " ลินคอล์น " เกิดขึ้นใน 300 เอกสาร ( N2 = 300 ) ในเอกสารเราคะแนน ( ซึ่งเป็นเรื่องเกี่ยวกับประธานาธิบดีลินคอล์น ) " ท่านประธาน " เกิดขึ้น 15 ครั้ง ( F1 = 15 ) และ " ลินคอล์น " เกิดขึ้น 25 ครั้ง ( F2 = 25 ) เอกสารความยาว 90 % ของความยาวเฉลี่ย ( DL / avdl = 0.9 ) ค่าพารามิเตอร์ที่เราใช้ K1 = 1.2 , B = 0.75 และ K2 = 100 กับค่าเหล่านี้ , K = 1.2 ( 0.25 - 0.75 ( + - ) = 1.11 และเอกสารคะแนน :