反向連結 · 搜尋引擎

網路廣告是指在[[互聯網]]平台上進行的商品或服務推廣活動，常見形式包括[[搜尋引擎]]廣告、[[社交媒體]]橫幅廣告、[[影片廣告]]等。這類廣告利用精準的受眾定向與數據分析，能夠提升品牌曝光與轉化率。 隨著[[行動裝置]]的普及與[[大數據]]技術的發展，網路廣告的形式更趨多元，出現[[程式化購買]]、[[原生廣告]]以及[[內容行銷]]等新模式。這些模

圖像檢索是 [[計算機視覺]] 的一個重要分支，旨在根據影像的視覺特性（如形狀、顏色、紋理）在海量資料庫中找出相似或相關的畫面。常見的做法是先提取 [[形狀識別]] 特徵、構建 [[顏色直方圖]] 或使用 [[紋理特徵]]（如Gabor濾波），再透過度量（如欧氏距离或余弦相似度）進行匹配。隨著 [[深度學習]] 的進展，[[卷積神經網路]] 已成為提取高階語

BM25（Best Matching 25）是資訊檢索領域中用來衡量文件與查詢相關性的核心排名函數。1990年代中期由 Stephen Robertson 與 Karen Spärck Jones 研發，旨在改進傳統的 [[TF-IDF]] 模型。它在計算相關性分數時同步考量三項要素：詞彙頻率（TF）、逆文檔頻率（IDF）以及文件長度的正規化。透過引入平均文

# 資訊檢索 資訊檢索（Information Retrieval）係指在海量資料集合中，依據使用者的查詢需求，快速找出符合需求的相關文件的技術與過程。它的核心任務包括 **檢索模型**、**索引建立**、**查詢處理** 與 **結果評估** 等環節。在實務上，資訊檢索常與 [[檢索模型]]、[[索引]]、[[查詢處理]] 以及 [[排序演算法]] 等模組

## 向量空間模型 向量空間模型（Vector Space Model，VSM）是資訊檢索與文本分類中常用的數學模型。它將[[文件]]或查詢轉換為[[高維向量]]，向量的每一維對應一個[[語彙項目]]（如詞語或其權重），通常使用[[TF-IDF]]或其他權重計算方式。模型的核心在於透過向量之間的相似度來判斷[[文件]]間的關聯性，最常見的相似度量測是[[餘弦

長檔名是電腦作業系統中允許使用的較長檔案名稱。傳統的DOS系統受限於8.3格式，即主檔名最多8個字元，副檔名最多3個字元；而自[[Windows NT]]以來的主流作業系統，如[[Unix]]、[[Linux]]等，均支援長檔名，可達255個字元甚至更多，這極大提升了資訊組織的彈性與可讀性。 在道教資訊化的過程中，使用長檔名能夠更具體地標示[[經典文獻]]、

語義搜尋是一種以理解查詢式與文件內在意義為核心的資訊檢索技術。相較於傳統的關鍵字匹配，它強調語意關係、上下文及使用者意圖，因而能提供更精準且具相關性的結果。此技術依賴[[自然語言處理]]、[[機器學習]]、以及最近的[[深度學習]]方法，將詞彙映射至高維向量空間，透過相似度運算判斷文件是否符合查詢需求。典型實現包括[[向量空間模型]]、[[語義網路]]以及基

TF-IDF（詞頻-逆文檔頻率）是一種常用於[[資訊檢索]]與[[文字探勘]]的統計數值，用以衡量單一詞彙在文件集合中的重要程度。它同時考慮詞在該文件出現的次數（TF）以及該詞在整個[[語料庫]]中出現的稀有程度（IDF），兩者相乘得到的數值越高，表示該詞越具有區分度，常用於[[關鍵字抽取]]與[[搜尋排序]]。計算時，TF 取該詞在文件中的出現頻率，IDF

語意檢索是一種資訊檢索技術，旨在超越傳統[[關鍵字搜尋]]的字面匹配，透過分析詞彙的[[語義]]與上下文，找出語義相近的文件或資料。此技術常結合[[自然語言處理]]與本體結構，例如[[本體 (資訊科學)]]或[[知識圖譜]]，將詞語映射至高維向量空間，實現[[向量檢索]]。在大型[[搜尋引擎]]與智能[[問答系統]]中，語意檢索能夠根據使用者的真實需求而非僅