全文检索(Full-Text Retrieval)是指以文本信息作为检索对象,建立全文数据库,允许用户直接获得文中的有关章节、段落或句子,是从大容量文档库中精确定位所需信息的最有效手段。然而,与西文相比,中文词之间没有明显的间隔(西文词与词之间有空格间隔),这对于计算机处理却是非常困难的。为此,本文针对中文全文检索系统中存在的问题,并结合教研室矿山法律法规全文检索系统的项目,对其进行了深入研究。 本文的主要工作如下: (1) 本文把汉字文本的检索放在单字一级上,绕开了词与词间的切分问题。从单字的基点上本文详细讨论了基于单字的切分技术,倒排索引技术,索引压缩算法模型,以及检索算法等中文信息处理技术。 (2) 本文对索引压缩算法进行了总结,并对各种算法进行了比较,针对法律法规全文检索系统的实际情况,提出了局部Bernoulli模型的方法。 (3) 本文在单汉字索引全文检索的基础上,对检索算法进行了优化,改进了逻辑乘运算规则,并在检索算法中使用了并行计算和缓冲技术。同时,也对检索设计进行了探讨。 (4) 本文针对企业的需求情况,在只支持西文的lucene中嵌入中文信息处理组件,组成支持中文的全文索引/检索引擎工具包,并在此工具包基础上实现了矿山法律法规中文全文检索系统。 (5) 系统采用B/S模式以及MVC(Model-Vision-Controller,模型-视图-控制器)架构,以及OOA(Object Oriented Analyzer,面向对象设计)和OOP(Object Oriented Program,面向对象编程)的思想,采用平台无关性的Java语言。 矿山法律法规全文检索系统的成功运行表明,利用这些技术建立起来的系统性能良好,使得矿山安全法律法规文件得到有序保存,使得人们获取矿山法律法规信息和知识的能力得到了大幅度的提升。