TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 12, No. 8, August 201 4, pp. 6380 ~ 6385   DOI: 10.115 9 1 /telkomni ka. v 12i8.514 3          6380     Re cei v ed  No vem ber 1 4 , 2013; Re vi sed  April 3, 2014;  Accept ed Ap ril 17, 2014   Conceptual Search Based on Semantic Relatedness      Abdoula h i Boubac a r 1 , Zhendong  Niu 2   Beiji ng Institute  of  T e chnolo g y ,  School of Co mputer Scie nc e  *Corres p o ndi n g  author, e-ma i l : abd_ bo ubac ar@ y ah oo.com 1 , zniu@bit.edu.cn 2       A b st r a ct  T r aditio nal s e arch e ngi nes  base d  on sy n t actic search  are u nab le to  solve key  is sues lik e  synony my a n d  polyse my. So l v ing th ese iss u es lea d s to  the  inventi on  of the se m antic w e b. T he se ma nti c   search  en gin e s  ind e e d  ov erc o me thes e iss ues. Now a day s the  most i m portant  part of  the d a ta re main s   unstructure d d o cu me nts. It i s  conseq ue ntl y  very ti me c onsu m ing to a nnotate s u ch  big d a ta. Con c ept   based retrieval system s intend to  m a nage directly unstructured doc um ents. Sem a ntic relationships are  their  main  feat ure to  exte nd   syntactic se arc h . In  mo st  of t he  metho d s i m ple m ented  so  far, conc epts  a r e  used for  both  i ndex ing  an d s earch ing. W o r d s re ma in th e   sma llest  unit t o  proc ess se mantic re lated n e ss.  T he differe nce s  persist in th e w a y that conce p ts ar e repr ese n ted, map ped t o  eac h other, a nd  man a g ed fo r   the sake  of in dexi ng  and/or  search ing. Our  appr oac h is  base d  o n  W i ki ped ia c once p ts. Conce p ts a r e   repres ente d  as  an u ndir e cted  grap h.  T heir se ma ntic rel a ted ness is co mput ed w i th a d i sta n ce d e rive d fro m   a se mantic s i mi larity  me asu r e. T he same  distanc e  is us ed to calc ulat e  both se ma nti c  related ness  and  query match i n g .    Ke y w ords : c oncept analysis, information re trieval, se manti c  related ness     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion    To imple m ent  a co ncept b a se d retrieval  system ,  the firs t  ques tion is   always  “what  is   a  con c e p t”. Th ere  are m any  an swers to  t h is  que st ion.  A co ncept m a y be  any i d ea o r  thi ng t hat  has a  meani n g  by itself. Some co ncepts  are m ono -wo r d while othe rs are multi-word. A co nce p t  can  be  rep r e s ente d  by a  word, a  sente n ce f r agm ent , a whol e sen t ence  or  an e n tire d o cu me nt.  Con c e p ts h a s  be en d e fin ed a s  Word Net ent ree s  [ 1 , 2]. The Word Net ap pro a ch  ha s solved   certai nly the  synonymy probl em. Qu ery ca n  be  expand ed u s ing the syno nyms. To so lve   polysemy p r o b lem the se mantic  web  search e ngi ne s u s e ontol og ies. The m e thod is  perfe ct in  term of preci s ion [3 -5].  Another  app ro ach i s  ba se d  on wo rd’ s  fre quen cie s  a c cordin g to a gi ven   corpu s . The  Latent Sema ntic Analysi s   (LSA) [6, 7], pre s ent s a  re ductio n  meth od that optimi z e s   con c e p t extraction  for  a  large  scal e  of co rp u s . T he LSA m e thod  uses m a trix facto r ization   instea d of h u m an  comp re hen sible  kn o w led ge. Ou r approa ch  i s  based  o n  Wi kipe dia  a r ticl es.  Each of the  selecte d  arti cl es rep r e s ent s one  con c ept.  Incompl e te a r ticle s  a r e n o t sele cted. Th e  se con d  issue  to deal with  is the ch oice  of the t ool. Tools  coul d be  statistical, p r obabili stic et c.  We h a ve  cho s en to  u s e o n l y one tool: th e se manti c  di stan ce b e twe en the th ree  different e n tities  that are que ri es, co ncepts  and do cum e n t s. The se ma ntic dista n ce i s  used to buil d  an undirect ed  grap h of  con c ept s. We  co nsid er that  e a ch  co nc ept  may have a l i nk to oth e r  concepts.  We  did  not g r ou p the  co ncepts int o  pa rtition s . F o r thi s   re ason  the  gra p h  re pre s entatio n  seem s to b e  t h e   most a dequ a t e. Oppo site  the method s  based o n   Fo rmal Co ncept  Analysis [8]  and [9], we  d i d   not establi s h  a hiera r chy b e twee n co ncepts.        2. R e lated  Work  The best  choi ce for in dexing is still  unclear in  informat ion retrieval.  Words or  concept s,  whi c h o ne i s   the better? Yi ming Yan g  [1 0] and  He rsh  et al [11]  ha ve investigat ed the  be st way  to rep r e s ent  a do cum ent.  For  a sake o f  perfo rman ce, indexing   with words  a s  lexical u n its i s   better tha n  in dexing  with  concepts. F o r  a sake  of  rele vance, in dexi ng with  con c e p ts a s   sem a n t ic  units is  better than indexin g with word s.  In a co n c ept  base d  ret r ie val system a n y idea, person,  thing etc. can  be a con c ept  [12]. In such system  u s e r s do not need to find a magi c wo rd that can   con n e c t them  to the inform ation they se ek. Willia m A. Wood s [13] i s  one  of the rese arche r s who   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Con c e p tual Search Ba sed  on Sem antic Relate dne ss (Abdo ulahi B ouba ca r)  6381 develop ed  ve ry  ea rly  (199 7) a con c e p tu al  ind e xing m e thod ba sed  on  taxon o my whe r e   con c e p ts  are  pre s e n te d at senten ce level. Hi s  method, d o e s  not u s e  a hi era r chy of co nce p ts in  con t rast  with Wright et  al [14] and  Chen et al [15].  Hier archi c al  relation shi p s  have bee n u s ed by He rsh  et  al to implement SAPHIRE.  SAPHIRE  [16] combined both semantic   and probabili stic methods  to   develop a he uristi c retri e val environm e n t. Conc e p t base d  system s have bee n develop ed as an   alternative to  syntactic se arch [17] placing  words i n to a contex t [18]. Most of the models  develop ed to  overcome i s sue s  related  to sy ntacti c search a r e  no t langua ge d epen dent [19 ].  Con c e p t ca n  be extra c te d from q uery  [20] or fro m  document s [ 21]. Comp ari s on  have b e e n   made by  Dob s a a nd Ba sie  [22] betwee n  Latent  Sema ntic  Indexing and con c ept based  ind e xing   in information  retri e val. Th eir  re sults ha ve sh own tha t  con c e p t ind e xing i s   com putationally  more   efficient than  Latent Sem antic Indexin g. Diffe rent concept ba se d web  appli c ations h a ve  been   built u s ing  co nce p t re co gni tion [23, 2 4 ] for q u e r y  an sweri ng.  A su rvey  con d u c te d  by Haav an d   Lubi [2 5], through  thirty si x con c e p t ba sed  info rmati on retrieval  tools on  the  web,  have  sh own   the ne ed  of improveme n t in differe nt dire ct ion s .  Ou r ap pro a ch  is ba se d on  sema ntic  related n e ss.  The qu estio n  we inte nd to  solve i s  ho w to efficiently use th e con c ept s semant ic  related n e s s to improve th e state - of-the -art m e thod s.  For th at re a s on  we  nee d  an a ppropri a te  sema ntic di stance and a p e rti nent con c ept rep r e s ent ation.      3. Semantic  Di stan ce   We have p r e s ente d  in a previou s  wo rk [26], not publishe d yet, two sema ntic si milarity   measures   an d  ∆ .  We have proven   their accuracy  to e s tabli s h sem a ntic  related n e ss and   qu ery  relevan c e.  We have defined  the     and  ∆  as:  , ∩  ∪  ,  and     ∆  ,  ,   ,  , where   ∩   denotes the su m of the num ber of occu rrences for  all the comm on wo rd s in two given texts   and  ,   ∪   denotes the su m of the nu mber of   words in A  and the nu mber of words in B in cl uding eve n tu ally their occurre n ces, a nd    ,  denote s  the  Ja ccard  simil a rity  measure for two do cuments   and  . Now w e   are inte re st in a distan ce functio n  that can  mea s u r e the releva nce and rel a tedn ess. The ch oi ce   of the distan ce is di ctate d   by the gra ph rep r e s ent ation of the con c e p ts. Le t consi der th e   followin g  data  represented  by Table 1.      Table 1. The  Semantic  Rel a tedne ss bet wee n  the Do cuments  ,…, .         We defin e a distan ce d e n o ted by  ∆  for all docum ents  and   such t h a t :    ∆  ,   ∆  , ∆  ,                                                                                   (7)      Table2. Th e semantic di sta n ce s bet wee n  the docume n ts  ,…, .         Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 0 46                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  638 0 –  6385   6382 We  can  calculate the  dist ance for  all d o cum ents  , and   su ch t hat   ∆  , 0  as  rep r e s ente d  by Table 2.  ∆  is always po sitive. When  two docume n t s are same the distan ce i s  ze ro. Wh en  two   document s h a ve no  simila rity t he distan ce i s  not d e fined.  ∆  is a di stance  but it is not a metri c   becau se the triangle in equ ality is not ve rified. If t he tr iangle ine q ua lity is respe c t ed, it could b e   very importa nt when we have to calcul ate the path. From now on we only use  ∆  when  comp uting eit her qu ery to concept releva nce o r  co nce p t to docume n t relatedn ess.      4.  Conc ept  Re presen ta tion                                                                                                                                                                                  To re pre s e n t the co nce p t we have  retri e ved  Wi kipe d i a articl es  an d sele cted th ose  are   compl e te and well written.  The selection is certai nly  subje c tive but the sel e cte d  article s   (almo s t  2.5 millions articles)  cover a lar ge  range of knowledge if we keep  in memory t hat the current  numbe r of English wo rd s is re pre s e n te d by 616. 500  entree s  a c cordin g to the  Oxford Engli s h   Dictio nary, 2 nd  edition. From ea ch sel e cted a r ticl e  we rem o ve  the stop word s, apply the  stemmin g  an d store the re maining in a repo sito ry. From each sel e cted arti cle we have only one  con c e p t. Co nce p ts a r e  only stored  but not inde xed. We th us  cal c ulate  their sema ntic  relatednes s  with  the  ∆  distance and  rep r esent them  as an  undi re cted g r ap h. The ed ge s a r e  rep r e s ente d  by the semantic di stan ce s betwee n  the article s . If  we con s id er the docum en ts  ,…,  as con c ept s,  we can re pre s ent them by  an undi recte d  graph a s  illustrated by Fig u re 1.  Whe n  two  co nce p ts h a ve no semanti c   simila rity, t here is  no path  from on e to the othe r. By that   method  we  have b u ilt an  undi re cted   grap h  of  con c ept s  from  t he sele cted  article s . We  can   r e mar k  th a t   ea c h  time   w e  co mp ar e  tw o ar tic l es   th e di st ance i s   betwe en  ze ro  and  5 00 a s  long  a s   the sto p   words  are  not  re moved. Fo r t h is  rea s o n   we have  to re move the  sto p  word s  and   take  500  as the  limit to e s tabli s h th e  sem a ntic  related n e ss. Th e n u m ber 50 0  co rre sp ond s to  one   occurre n ce o f  exactly one commo n wo rd for two do cume nts that  have 1000  words a s  su m of  their le ngth s . Indeed  if two entities hav e a total of   o n e thou sa nd  words but le ss than  on e word   occurs o ne ti me in both,  we ca n co ncl u de that t hey are n o t sem a ntically rel a te d. Con s e que ntly,  from no w on,  each tim e  the distan ce i s  not less  tha n  500  we  co nclu de that there  are  neit her  related n e ss  n o r relevan c e.  We d o  not n eed to  cal c ul ate the rel a te dne ss  beyon d this limit. We   thus gai n a p e rform a n c e b e ca use t he computation  cost de cre a se s.      Figure 1. An Undi re cted G r aph of Con c epts Con s tru c ted from   ,…, .      5. Indexing  Do cuments         Figure 2. Indexing Re pre s entation       The in dexing  uses A p a c h e  Lu cen e . T h irty thre e st op words are re moved f r om ea ch   document  an d stem ming  is a pplied  u s i ng the  po rt er algorith m .  In addition we   h a ve  chan ged the   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Con c e p tual Search Ba sed  on Sem antic Relate dne ss (Abdo ulahi B ouba ca r)  6383 tf-idf similarity  measure th a t  use s  Lu cen e . The si mil a rity measure to index the d o cum e nts i s  t h e  ∆ . Lucene i s  compatible  with multi-index.  It c an ea sily create a n d manag e multi-index, Fig2.   The first way is to index the do cume nts dire ctly usi ng the sam e   ∆  measu r e. Th is index works  exactly like  syntactic  sea r ch. Con s e que ntly if a doc ument is  not related to any  concept, it c a n be  retrieve d. Our appro a ch extend s synta c tic se ar ch. We thus have two indexe s  to con s id er.   The se co nd  way to index  a docum ent  is to measu r e its rel a ted n ess to ea ch  of the   con c e p ts. On ce  we have  e s tabli s he d the sem antic  re latedne ss for  all the co nce p ts an d built the   undirecte d  graph of co nce p ts.      Table 3. Inde xing Do cume nts        We thu s   can  index any d o cum ent to  be ret r ieved.  If the sema ntic di stan ce  from a   document to  a con c ept i s  le ss than   500,  we a d d  the do cu me nt to the  co nce p t a s  rel a ted  document  wit h  the  corre s p ondin g  di stan ce. T he  do cu ment i s   con s eque ntly add ed to  the  gra p h   of con c e p ts.  If we have, f o r exam ple, three  do cum e nts  , ,  and the  previou s   con c ept s,  (se c tion  4)  as rep r e s ente d   by Table  3, we ca n ind e x the con c ept s   and a dd the  d o cum e nts to the  grap h as  rep r ese n ted, Figu re 3.       Figure 3. Con c eptu a l Index ing Re pre s e n t ation      6. Quer y   Match i ng  Each qu ery is pro c e s sed i n  two differen t  direction s  a c cordi ng to the index we consi der.   To se arch in  the index cre a ted directly, we p r o c e ss t he que ry a s  in synta c tic search. Th ere  i s   nothing to ch ange an d we  only call Lucene’ s Index Se arche r  to pro c e ss the  query. To se arch   the index that  have be en b u ilt with  the  concepts,  we  have to con s i d er th e qu ery  as a  do cum e nt  and me asure  its relate dne ss to t he  con c epts. When  we kn ow th e re latedne s s of the qu ery to th e  con c e p ts, we  can  cal c ulat e the dista n ce from  the q uery to the  document s via the match e d   con c e p ts. We thus con s i der th e path s  from  the q uery to the   document s. If the path to  a   document  is less than   500, the  d o c ume n t i s   re turne d  with   the co rresp ondin g  di sta n ce.  Otherwise nu ll is return ed.  Index1 is proce s s ed first and retu rne d  document s are colle cted a nd  sent to  a  ren dere r . Ind e x2  is processe d at th e  se cond tim e , an d ea ch  retrie ved do cu me nt is  che c ked in th e list of retrie ved docu m en ts from  index 1. When a do cume nt that has bee n  alre a d y  returned fro m  index1 wit h  a given distan ce   is again retu rne d  from index2  with anothe r   distan ce  , we  com pare the  two di stan ce s an d return t he do cu ment  with the mi ni mum di stan ce  min  ,  to avoid the no risk of d uplication. If a docume nt has n o t yet been return ed  from  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 0 46                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  638 0 –  6385   6384 index1, we return the do cument with its co rr espond ing distan ce.  If we consid er the followi n g   grap h, fig4,  whe r e   are  d o cum ents,   concepts  and   a que ry, we  can  cal c ul ate the path s   from   to each  of the docum ents. We thu s  can retr ieve  from index2  related  do cu ments. Relat ed  document s a r e those wit h in a distan ce le ss than  500 from the que r y   via their relat e d   con c e p ts.  T o  retrieve   ea ch  relevant do cu ment we   hav e to  sum  the  distan ce  from  the q u e r y to i t s  related  con c e p t and  the  distance  from  th at do cume nt to the  co ncept , as i n di cated  by the  arro ws,  Figure 4.      Figure 4. Index2 Query Proce s sing       7. Discus s ion   The aim s  of this stu d y, at this ste p , is to  sho w  that on e can  retriev e  document s  related   to a given  qu ery with out knowi ng the  m agic  wo rd  th a t  link you to t h e info rmatio n nee ded. T h e   approa ch extend s synta c ti c se arch. Th e first co ntrib u tion of this method s is t o  use the  sa me   measure to  comp ute  bot h qu ery to  concepts a n d  co ncepts to  do cum ents  relevan c e.  T h is  onen ess allo ws u s  to expre ss the p a t h and retr i e ve the relevant documen ts. The se co nd   contri bution i s  that the results are a b sol u te,  not corp us de pend ent ,  unlike the works me ntion ed  earlie r. The l a st co ntributi on is to co nsi der t he  con c epts like they are: sem anti c ally dep end ent.  The qu estio n  we expe cte d  to answe r i s  to sco r e th e improveme n t providin g the rate fo r b o th  recall and p r eci s ion. The  limitation is that at  this step we ha ve not been  able to use  the  con c e p t’s rel a tedne ss. For example d o c ume n t   (Fig ure 4 )  is rel a tively close d  to query   but,  at this  step  o f  the implem entation, we  are  una bl e t o  ret r ieve d o c ume n ts th at are  not di re ctly  linke d to the con c ept s matche d by the query. Fo r this limitation we did no t investigate to  measure the  accu ra cy of  this metho d  co mpa r ed  to s y ntac tic  searc h . It  s e ems  for  us more  importa nt to develop a met hod that can retrieve a ll the  relevant do cuments. In ad dition, one m a y  ask why the  grap h represent ation of th e co ncepts if  we d o  not u s e that inform ation. At this  step   th e  se ma n t ic   r e la te dn es s of c o nc ep ts   h a ve  n o t  be e n   u s ed . T h es e is su es  lea d  us  to  in ve s t igate   query  expan sion. Qu ery  e x pansi on i s   o ne the  solu ti ons of the  int e rrogatio ns we may  have  at  this step of th e impleme n ta tion.       8. Conclu sion   We h a ve pre s ente d  a  con c ept b a sed a ppro a ch for i n formatio n re trieval. Our  a ppro a ch   is ba sed on  Wikip edia a r ticle s . It extend s synt a c tic se arch u s i ng sem a ntic relatedn ess.  It  pre s ent s a not her  way to  im prove  synta c tic  sea r ch . All  the presente d  con c ept s a r e differe nt, a n d   each o ne i s   related  to  onl y one  su bje c t therefo r e  o u r m e thod  ov ercome s  bot h poly s emy  and  synonymy p r oblem s. The  sema ntic m easure  appl i ed to the g r aph  structu r e pre s e n ts  an   oppo rtunity to better opti m ize th e  se mantic  rel e vance. Nevert hele ss t he concept’s  sem antic  relation shi p s  have n o t yet  been  in  use.  Our future   work i s  to  incre a se  the  pe rfo r man c e  with  t h e   c o nc ept-to-c onc e pt interac t ions .       Referen ces   [1]  Julio  G onz alo,  F e lisa  Verd ej o, Irina  Chu g u r, Juan  Ci ga rran Ind e x i ng  w i t h  W o rd Net  s y nsets ca n   improve te xt re trieval.  Proce e d in gs of the CO LING /ACL' 9 8  W o rkshop on  Usag e of W o rdNet for NLP,  Montrea l .  1 9 98.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Con c e p tual Search Ba sed  on Sem antic Relate dne ss (Abdo ulahi B ouba ca r)  6385 [2]  Rad a  Mih a lc ea , Dan M o ld ova n . Sema ntic In de xi ng  usin g  W o rdNet Se ns es.  Se mantic  i ndex ing  usi n g   W o rdNet sens es. Procee din g s  of the ACL 2 000 W o rksh op  on Rec ent Adv ances i n  Natur a l La ng uag e   Processi ng an d Information  Retriev a l.  2 0 00.   [3]  Anjo An je w i er den, Suza nn e  Kabel. Auto matic ind e x in g of docume n ts  w i th  onto l ogi es.  13t h   Belg ian/D u tch Confer ence on   Artificial  Intell i genc e.  200 1 .   [4]  Jacob Ko hler,  Stepha n Phi lip pi, v Michael  Specht, Ale x a nder R uee g. Ontolog y  b a se d text in de xi ng   and q uer yi ng f o r the semanti c   w e b.  Know le dge-B a se d Systems.  20 06; 19 (8): 744– 75 4.   [5]  Rifat Ozcan, Y Aalp Asla nd o gan. Co nce p t Ba sed Informa tion Access U s ing Ontol o g i e s  and Lat ent   Semantic An al ysis  Infor m ati o n T e chno lo gy: Codi ng a nd C o mp utin g.  IT CC. 2005; 1: 79 4 –  799.   [6]  Scott Deer w e s t er, Susan  T  Dumais, G eor ge W  F u r nas,  T homas K L a nda uer, R i ch ard H a rshma n .  Inde xi ng b y  L a tent Sema nti c  Anal ysis.  Jo urna l of the Amer ican S o cie t y for Informati on Scie nce .v  199 0; 41(6): 39 1–4 07.   [7]  Susan T  Duma is. Latent Sem antic An al ysis.  Annu al R e view  of Informati o n  Scienc e an d  T e chno logy.   200 5; 38: 188   [8]  La w r ence  W   W r ight, Hol l y  K  Grossetta N a r d ini,  Ala n  R  Ar onso n , T homa s  C. Ri ndfl e sc h Hi erarc h ica l   conce p t ind e x i ng of full-te xt d o cume nts in th e Un ifi ed Me di cal La ng uag e  S y stem i n form ation so urces   map.. Journ a l o f  the Americ an  Society for Informati on Sci enc e.  1999; 5 0 (6): 514- 523.    [9]  Posh yva n y k D,  Marcus A.  Co mbini n g  Forma l Co nce p t An al ysis   w i th  Infor m ation  Retri e v a l for  Co ncept   Locati on i n  So urce Co de. Pro g ra m Co mpreh ensi on. ICPC ' 07. 200 7: 37-4   [10]  Yang Y, Ch ute CG.  W o rds or conce p ts: the featur es of  index in g un its and the i r op tima l use i n   infor m ati on retr ieval.  Proc An n u  S y m p  Comp ut Appl Med C a re. 199 3; 685- 9.   [11]  Hersh W ,  R Hi ckam DH, Le o ne T J  W o rds.  Conc epts or b o th: optima l  in de xi ng u n its fo r automate d   information retrieval.  An nu al p r ocee din g  of computer a p p lie d me dic a l care.   1992; 6 44-6 4 8 .   [12]  Conc ept i n d e x i ng. An gi V o ss, Keiic hi  Nak a ta, Marcus J u h n ke.  Proc eed in gs of th e i n ter natio nal  AC M   SIGGROUP conferenc e on Supporting gr oup  work.  1999; 1-10.   [13]  Conc eptu a l In de xi ng: A Better W a y  to Org aniz e  Kno w l e d ge.  Technical Report .  Sun Microsystem s,   Inc. Mountain  View , CA, USA.  1997.   [14]  Wright, Holly   K Gro ssetta, Nardi n i, Al ar  R Arons on, T homas  C. Ri n d flesch. H i er ar chical  Co nce p t  Inde xi ng of F u l l -T ext Docume nts in the U n ifi ed  Me dica l La ngu ag e S y st e m . Information  Sources M a p   La w r ence W .   Journ a l of the A m er ican S o ciet y  for Informatio n Scienc e (JASIS ). 1999; 50( 6).  [15]  Yifan, Gui-Ro ng  Xue, Yo ng  Yu. Advertisi ng ke yw o r d s ugg estio n  bas ed on co nce p t hierarch y.  Procee din g s of  the Internatio n a l Co nf erenc e  on W eb Searc h  and D a ta Min i ng.  20 08; 25 1- 260.   [16]  Hersh W R , G r een es RA. S APHIRE a n  i n formation  retri e val s y st em f eaturi ng c onc ept match i ng,   automatic  in de xi ng,  prob ab ilis tic retrie v a l, a n d  h i erarc h ica l  r e lati onsh i ps.  C o mputers  an d  Bio m e d ica l   Research.  Aca demic Press Pr ofessio nal, Inc.  San Die go, C A , USA. 1990; 23(5): 41 0-4 2 5 .   [17]  Conc ept searc h : Semantics  e nab led s y nt acti c search. F .  Giunch i gl ia, U. K harkev i ch, an d  I. Z a ihra yeu.  Procee din g  of the 6th Eur ope an Sema ntic W eb Co nf. ESWC. 2009: 4 29-4 4 4 .   [18]  Placi ng se arch  in co nte x t: the  conce p t revisit ed. Proce e d i ng s of the 10t h  i n ternati o n a l co nferenc e o n   W o rld W i de W eb. ACM Ne w   York, NY, USA. 2001; 40 6-41 4.  [19]  Phili pp  Cimi a n o , Antje Sch u l z , Ser gej S i zo v, Philip p Sor g , Steffen Staab . Explicit vs. L a tent Co nce p t  Mode ls for  Cro ss-Lan gua ge  Informatio n  R e trieval.  Pr oce e d i ngs  of the  Inte rnatio nal  Joi n t  Confer enc e   on Artificial Intelligence (IJCAI) , Pasaden a, CA.  2009: 1 5 1 3 -15 18.   [20] Michael Bendersky ,  W Bruce Croft.  Discover i ng key conc ep ts in verbose q ueri e s . Procee din g s of the  31st annual international ACM SIGIR conferenc e on  Research and dev elopment  in information  retrieval. ACM  Ne w  York, NY,  USA. 2008: 49 1-49 8   [21]  George K a r y pi s, Eui-Hon g  ( S am) Han.  F a st superv i sed  di mens io nal ity reducti on a l gorith m  w i th   app licati ons t o   docu m ent cat e gori z at ion  & re trieval . Pr ocee din g s of th e  ni nth i n ternati o n a l co nfere n c e   on Informatio n   and kn o w l e d g e  manag eme n t. ACM Ne w  Yor k , NY, USA. 2000: 12-1 9   [22]  Jasmink a  D o b š a, Boj ana  D a lb elo  Bašic.  Comp ariso n  o f  informati on r e trieva l tech ni ques:  late n t   semantic i nde xing a nd co nce p t inde xing.  Jo urna l of Information a nd Org ani z a t i on al Sci ences.  20 04 ;   28.   [23]  Damia n  Borth,  Adrian  Ulg es,  T homas Mich ael Bre u e l . Automatic conc ep t to quer y  m a p p in g for  w e b   base d  conc ep t detector trai nin g . Procee d i ngs  of the  19th ACM int e r nati ona l con f erence o n   Multimed ia. AC M Ne w  Y o rk, NY, USA. 2011: 145 3-14 56.   [24]  Cap o raso J Gr egor y, W ill iam  A Baumg a rtner  Jr , H y u n -min  Kim, Z h i y on g Lu, He len  L Jo hnso n , Olg a   Medve deva, A nna  Lin dem an n, L y nn e M F o x, E liz a beth  K W h ite, K Bretonn el C o h e n ,  La w r e n c e   Hunter . C once p t Reco gniti on , Informati on  Retriev a l a nd  Machi ne L ear n i ng i n  Gen o m i cs Question- Answering .   T R EC 200 6 Proce edi ngs. 20 06.   [25]  Hele-M ai  Ha av , T anel-Laur i L ubi.  A s u rvey  o f  conce p t-bas e d  inf o rmatio n  r e trieva l too l s  on  th e   w eb5 th  East-Europ ea n  Confere n ce, A D BIS 2001, Vil n ius, Lith ua nia.  2001.   [26]  Valu ing S e man t ic Similarit y . Abdo ula h i Bo ub acar, Niu Z h e n don g.    Evaluation Warning : The document was created with Spire.PDF for Python.