1.一种基于本体的情境搜索方法，其特征在于，所述的基于本体的情境搜索方法包括如下步骤：
1）由网页情境解析与表示模块对采集到的网页进行解析并表示网页情境信息：
（1）使用网络爬虫即Crawler采集网页并存入网页数据库；
（2）建立DOM树进行网页解析，并使用实时搜索爬虫提取网页最近更新时间；
（3）实现网页情境解析；
（4）利用命名实体识别技术获取文档内的时间与地点信息，并将文档表示为网页情境形式：
PC=<{}，PG，PT>
其中：W为词或术语，C为语境词，PG为网页内的地点信息，PT为网页时间信息，包含创建时间、更新时间与网页内时间；
2）由用户情境挖掘与表示模块实现用户情境挖掘与表示并和第1）步骤同时进行：
（1）用户兴趣挖掘；
（2）查询意图预测；
（3）基于步骤（1）与步骤（2）中得到的处理结果，使用本体技术给出清晰、明确、可计算的用户情境说明和描述；用户情境包括用户兴趣、查询意图以及搜索时间和地点；可以将用户情境表示为：
UC=
其中：L为用户长期兴趣，S为用户短期兴趣，I为当前查询意图，Q为检索词，UG为用户地理位置，UT为用户查询时间；
3）由情境索引处理模块设计融入网页情境信息的索引结构：
（1）构建情境正向索引；
（2）构建情境倒排索引；
4）由情境扩展模块实现情境扩展即形成查询情境；
5）由情境查询处理模块实现情境查询处理。
2.按照权利要求1所述的基于本体的情境搜索方法，其特征在于，所述的实现网页情境解析包括如下步骤：
1）如果网页是中文网页，则对网页进行分词；
2）利用通用本体和自然语言处理技术构建语义关联图，对词或术语进行词义标注；
3）确定语义关联图中语义关系权重；语义关系权重的确定采用如下公式：
其中：maxr、minr是赋予关系r的最大权重与最小权重，nr(Sen1)是在语义关联图中从词义Sen1出发的关系r的边的个数；
4）计算歧义词W的每个义项和上下文词集的关联度，公式为：
其中：WSi为歧义词W的第i个义项，CS为满足以下条件的义项集合：①出现在语义关联图中，②为上下文词集中词的一个义项，WCR(WSi,CSj)为基于语义关联图和语义关系权重计算义项WSi和CSj的关联度函数；
5）选取关联度最大的义项作为词W在上下文中的释义，并提取释义的直接上位概念作为语境词，获取W的语境，从而实现文档的情境解析。
3.按照权利要求1所述的基于本体的情境搜索方法，其特征在于，所述的用户兴趣挖掘包括如下步骤：
1）对用户搜索日志进行挖掘，获取用户点击的网页类别；
2）量化用户点击各类网页的会话数和频度；
3）设定阈值，依据频度，提取用户长期兴趣概念集CL和短期兴趣概念集CS；
用户长期兴趣与短期兴趣分别用通用本体的局部来表示，并可动态漂移；针对用户兴趣的漂移性，用户的长期兴趣和短期兴趣漂移表示为：
L’=long_term_interest_drift(L,S,H)
S’=short_term_interest_drift(S,L,H)
其中：L为用户长期兴趣，S为用户短期兴趣，H为查询历史数据，L’和S’分别为用户兴趣增量学习过程获得的长期兴趣和短期兴趣；
4）以用户兴趣为基础，基于通用本体，提取CL和CS中的上下位词汇链，将各词汇链衔接在一起，即得用户兴趣模型。
4.按照权利要求1所述的基于本体的情境搜索方法，其特征在于，所述的查询意图预测包括如下步骤：
1）根据用户本次的检索词，从用户连续的搜索行为中预测查询意图，并实现用户情境获取确定用户的查询意图；采用动态贝叶斯网络推断当前用户查询的搜索意图，形式化表示为：
I=Intent_infer(L,S,P,Q)=
其中：I为用户的查询意图，p1,p2,…，pn分别为查询子意图I1,I2,…，In的概率，L为用户的长期兴趣，S为用户的短期兴趣，P为点击网页，Q为查询，Intent_infer为基于动态贝叶斯网的查询意图推测函数；
2）通过动态贝叶斯网络，利用搜索系统的先验知识，计算用户当前查询意图的后验概率分布；根据已有的经验知识，定义了①用户的查询意图I、②用户的长期兴趣L、③用户的短期兴趣S、④点击网页P与⑤查询Q五个数据变量，并找出了数据变量之间的因果关系，获得动态贝叶斯网络；
查询意图预测涉及的主要概率计算公式如下：
其中：It表示第t次查询的意图，It-1表示第t-1次查询的意图，Lt表示第t次查询时的用户长期兴趣，St表示第t次查询时的用户短期兴趣，Pt-1表示第t-1次查询时的点击的网页，Qt表示第t次查询。
5.按照权利要求1所述的基于本体的情境搜索方法，其特征在于，所述的构建情境正向索引是指：在传统正向索引的基础上，设计融入了语境词和时间、空间信息的情境正向索引结构；
所述的构建情境倒排索引是指：利用情境正向索引，设计了<词，语境词>到网页列表的语境索引结构，并借助时空数据库技术，建立基于R*树的空间索引和基于B+树的时间索引，最后将语境索引与时空索引有机地结合在一起，得到真正直接支持情境检索的索引结构。
6.按照权利要求1所述的基于本体的情境搜索方法，其特征在于，所述的情境扩展是指利用用户情境，在情境级别上对查询词进行扩展，限定查询词所属的语境，形成查询情境；
利用通用本体结合查询词和权利要求1中步骤2）中得到的查询意图获得相应语境词，实现情境扩展，形式化表示为:
SearchContext=ContextExpansion（Q,O,I,UG,UT）
其中：Q为查询词，O为通用本体，I为查询意图，UG为查询地点，UT为查询时间，在绝大多数情况下，本发明推荐的语境词是恰当的，但当用户意图发生突变时，最佳匹配的语境词不一定是本次搜索所期望的，此时本发明将提供次佳匹配的语境词；因此，需要将多个语境词按匹配情况进行排序；
1）根据用户提供的检索词和在权利要求1中步骤2）中用户情境挖掘与表示模块所获得的用户情境信息，使用通用本体提取查询词Q的若干释义及相应的若干语境；
2）在权利要求1中步骤2）中用户情境挖掘与表示模块所获得的查询意图的基础上，利用朴素贝叶斯模型计算语境词Ci的后验概率p(Ci|I1,I2,…,In)，将多个语境词按匹配情况进行降序排序，并按照该值的降序向用户推荐相应语境的情境扩展，其中最大值所对应的语境词为最佳语境词，其次为次佳语境词；
3）若用户选择某情境扩展，则取相应语境为最终确认结果，否则自动选取p(Ci|I1,I2,…,In)值最大的语境为最终确认结果，且以次佳匹配的语境词为备选，用户选定扩展的语境词后，如果用户选定的语境词与本发明提供的最佳语境词不一致，需要更新该用户的兴趣和查询意图；
4）最后获取查询词Q的同义词集Syn，查询情境形式化表示为:<{},UG,UT>，其中：Q为查询词，Syn为Q的同义词集，C为Q的语境词，UG为查询地点，UT为查询时间。
7.按照权利要求1所述的基于本体的情境搜索方法，其特征在于，所述的情境查询处理模块实现情境查询处理，步骤如下：
1）情境推荐：
在用户打开查询界面但是没有进行查询操作时，对于经权利要求1中步骤1）网页采集存储在网页数据库中网页，根据网页情境与用户情境的匹配程度及网页权威性，以合理的顺序向用户主动推荐网页，达到“不搜亦得”的智能化检索目标；情境推荐的形式化表示为：
Result=Recommend(Pages,UT,UG,A,RSL)
其中：Pages表示新抓取的网页集合，UT表示用户最近查询时间，UG表示用户所处地点，A表示网页权威性，RSL表示用户兴趣与网页情境的相关性；
情境推荐形式化表示中的各项的计算方法如下：
a.网页权威性A的计算采用经典的基于网页链接的PageRank静态排序算法；
b.用户兴趣与网页情境的相关性RSL=m×RS+n×RL；其中：m和n是权衡系数，RS表示短期兴趣与网页情境的相关性，RL表示长期兴趣与网页情境的相关性；
其中：Sset表示短期兴趣概念集合，Lset表示长期兴趣概念集合，Cset表示网页情境中的语境词集；
2）情境检索：
此过程发生在用户提交了此次查询的查询词之后，
（1）经权利要求1中步骤4）情境扩展模块处理获得语境词、地理位置、时间信息，利用这些信息，在权利要求1的步骤3）中构建的情境索引数据库中进行检索；
（2）同时访问权利要求1中步骤1）建立的网页数据库，得到相匹配的网页，形式化表示为：
Result=Search(Index,Q,C,Syn,UG,UT)
用C和Q或C和Syn在索引Index中的第一层语境索引CI中进行检索，用用户所处地点UG在第二层空间索引GI中进行检索，用用户最近检索时间UT在第三层索引时间TI中进行检索；在每一层检索的具体过程描述如下：
a.在语境层检索：
构建查询词的语境检索项，语境检索既利用消解歧义后的语境词实现精准检索，又通过查询词的同义词集实现语义相关检索，同义词与查询词具有共同的语境词，这样每个查询词Qi产生的语境检索项表示为：{,,…,}，其次，在语境索引中，通过查询词的语境检索项检索相应的语境索引项，进而在空间索引中继续检索；
b.在空间层检索：
借助地理学本体和地理信息系统将查询中涉及空间信息的查询词项映射为区域或坐标，并采用自然语言处理技术识别出与空间信息相关的语义信息，从而实现查询词空间敏感信息的检测；
根据检测结果进一步判断，若查询词不具有空间敏感性，检索的内容包括语境索引项下的所有空间索引项；否则，利用用户所在位置的空间信息UG和查询词项涉及的空间敏感信息，确定适合空间检索的窗口大小，从而在空间索引GI中检索符合用户空间信息需求的相关索引项，进而在时间索引中继续检索；
c.在时间层检索：
对于时间不敏感查询，其检索范围为整个时间轴；对于时间敏感查询，检索范围为[st,et]表达的时间区间，st为起始时间，et为终止时间，是经过情境扩展模块处理用户提交查询词等信息分析后得到的，例如，最近1小时或1天或1周或1月或1年可以统一表示为过去起始时间到当前时间的时间区间，用UT在B+树TI中进行检索，将落在UT范围内的网页作为返回结果；
3）情境排序：
在经情境检索取得返回结果之后，对于情境检索返回的结果，依据情境相关性及网页权威性进行排序，排序之后的结果就可以提供到用户查询界面中了，情境排序的形式化表示为：
Result’=Rank(Result,A,R)
其中：A为网页权威性，采用经典的基于网页链接的PageRank静态排序算法，R为情境相关性，是用户情境表示UC=与网页情境表示PC=<{}，PG，PT>匹配的结果，即：R=Match(UC，PC)，该公式基于Q与W的匹配、I与C的匹配、UG与PG的匹配、UT与PT匹配，返回相应网页的情境相关性值；
本发明通过实验确定参数A和R在最终排序算法中的权重，并依据该权重对经典排序结果进行调整；
（1）采用经典的基于网页链接的PageRank静态排序算法，确定网页权威性A的值；
（2）使用BM25概率检索模型，通过计算网页情境中的语境词与查询意图间的相关性概率，获得网页文档与查询词之间的概念相关性得分Rc，即在查询词扩展所得的各上位概念，与网页情境解析所得的各上位概念之间，计算相关性概率，文档的分值可以匹配到各概念项概率求和；
（3）网页情境解析的某上位概念Cx的概率，可以由相关集合中所有扩展出Cx的词的频率相加求和得到；
（4）通过比对UG与PG中各地理位置信息，获得UG和PG的匹配度得分Rg，计算与查询词匹配之后所得向量的分量进行加权求和得出，即Σgi×wi，gi表示地理位置信息的向量各分量，wi为对应的权重，取值区间为[0,1]；
（5）索引项的时间信息得分Rt，由网页情境时间信息是否匹配查询意图要求的信息，如果匹配取值为1，否则取值为0，乘以权值常数0.85以保证其影响力，再加上由查询时间和(St-Pt)
网页发布时间差值函数f(t)确定的网页新鲜程度得分，其中f(t)=DecayRate ，St为查询时间，Pt为网页发布时间，DecayRate取值为0.5；
（6）最终由Rc+Rg+Rt得出R的值；
（7）根据计算结果进行排序，排序之后的结果就可以提供到用户查询界面中。