Information retrieval

Uit Wikipedia, de vrije encyclopedie
Ga naar: navigatie, zoeken

Information retrieval (IR) houdt zich bezig met het zoeken naar informatie in documenten, naar documenten zelf, naar metadata die de documenten beschrijft, en het zoeken binnen databases, naar tekst, audio, beelden, of data. De termen data retrieval, document retrieval, information retrieval, en text retrieval worden vaak door elkaar gebruikt, hoewel ze elk over eigen literatuur, theorie, praktijk, en technologieën beschikken.

De term "information retrieval" is afkomstig van Calvin Mooers in 1948-50.

Modellen[bewerken]

categorization of IR-models (vertaald uit German entry, originele bron Dominik Kuropka)

In de information retrieval worden verschillende (wiskundige) modellen gebruikt om documenten en queries te representeren. De basismodellen zijn het booleaanse, het probabilistische en het vectorruimtemodel.

Vectorruimtes[bewerken]

In het vectorruimtemodel wordt een verzameling documenten D gerepresenteerd als een verzameling vectoren in een hoogdimensionale ruimte, als volgt.

Eerst wordt ieder document in D gereduceerd tot een verzameling termen met bijbehorende absolute frequenties. Doorgaans zijn termen de woorden die in het document voorkomen, na verwijdering van veel voorkomende woorden als de, het, voor enz. (de 'stopwoorden'). De resulterende bag of words wordt door toepassing van wegingsfuncties omgezet in een vector \vec{d} in een N-dimensionale ruimte, waarbij N het totaal aantal termen in alle documenten van D is. Hierbij correspondeert elke unieke term met één dimensie van \vec{d}; de waarde in die dimensie wordt bepaald door weging van de frequentie van t. Als een term in een document niet voorkomt, is de waarde in de corresponderende dimensie 0. De query wordt een soortgelijk proces onderworpen met een vector \vec{q} als resultaat.

De weging van termen geschiedt meestal door normalisering t.o.v. de meest frequente term in het document (term frequency, tf) gevolgd door deling door het aantal documenten waarin de term voorkomt (inverse document frequency, idf); deze wegingsmethode wordt tf×idf genoemd. Er bestaan talloze varianten op dit schema en vaak worden documenten en queries iets verschillende formules gebruikt.

Vervolgens kan een query q gebruikt worden om de documenten d_i in D te rangschikken van meest naar minst relevant door de afstand of hoek (afgeleid uit het inproduct) tussen de vectoren \vec{d_i} en \vec{q} te meten. De documenten die de kleinste hoek met de vector hebben, worden verondersteld het meest relevant te zijn.

Evaluatie[bewerken]

Metrieken[bewerken]

  • Precisie (precision). Precisie is de verhouding tussen het aantal relevante resultaten (documenten, treffers), en het totaal aantal resultaten dat door het systeem is teruggeven.
 \mbox{Precisie}=\frac{|A|}{|A + B|}
waarbij A is het aantal gevonden relevante documenten in de resultatenlijst en B het aantal niet relevante documenten in de resultatenlijst.
  • Vangst (recall). Vangst is de verhouding tussen het aantal relevante gevonden documenten, en het totaal aantal relevante documenten dat er mogelijk zijn. Dit laatste is een van tevoren opgesteld 'wensenlijstje', vaak 'ground truth' of 'gouden standaard' genoemd.
\mbox{Vangst}=\frac{|A|}{|C|}
waarbij A is het aantal gevonden relevante resultaten in de resultatenlijst en C het totaal aantal relevante documenten dat er is in de documenten collectie waarin wordt gezocht.
  • Fall-out. Het tegenovergestelde van Vangst; de verhouding tussen het aantal irrelevante gevonden documenten en alle irrelevant documenten die er zijn in de collectie:
 \mbox{Fall-out}=\frac{|B|}{|D|}
waarbij B is het aantal irrelevante documenten in de resultatenlijst en D het totaal aantal irrelevante documenten dat er is in de documenten collectie.
  • F-measure. De F-Measure is het gewogen gemiddelde tussen de Precisie en de Vangst.
\mbox{F-measure} = \frac{2 \cdot (P \cdot V)}{P + V}
waarbij P staat voor Precisie en V voor Vangst.
  • Gemiddelde Precisie (Average Precision, AP). De Precisie en Vangst zijn gebaseerd op de hele lijst van gevonden documenten. Simpel gezegd, de Precisies na elk relevante document worden opgeteld en uiteindelijk gedeeld door het totaal aantal relevante documenten, dus:
 \mbox{AP} = \frac{\sum_{r=1}^N (P(r) \times \mathrm{rel}(r))}{\mbox{C}}
waarbij r is de rank (positie van het document in de teruggevonden lijst), N is het totaal aantal gevonden documenten, rel() is een binaire functie (dus 1 of 0), P() is de Precisie voor een gegeven rank, en C het totaal aantal relevante documenten in de documenten collectie (en dus tevens resultatenlijst).
Verder heb je nog de Mean Average Precision, die het gemiddelde is van de Gemiddelde Precisies voor elke aparte query.
  • Precision at rank
  • Mean reciprocal rank

Evaluatieplatforms[bewerken]

In 1992 lanceerde het Amerikaanse Department of Defense, samen met het National Institute of Standards and Technology (NIST), de Text REtrieval Conference (TREC) als onderdeel van het TIPSTER tekstprogramma. Het doel van TREC is het verschaffen van de infrastructuur die nodig is ter ondersteuning van grootschalige evaluaties van tekst-retrieval methodologieën.

In 2000 werd een Europese tegenhanger van TREC opgericht, de Cross-Language Evaluation Forum (CLEF).

Belangrijke information retrieval onderzoeksgroepen[bewerken]

Literatuur[bewerken]

Christopher D. Manning; Prabhakan Raghavan, Hinrich Schültze, Introduction to Information Retrieval, Cambridge University Press, USA, 2009, blz. 544 ISBN 9780521865715.