5. Information Retrieval - swl.htwsaar.deswl.htwsaar.de/lehre/ws15/dbis/slides/2015-vl-dbis-kap5... · § Volltextsuche (z.B. in MS SQL Server und PostgreSQL) ... § ElasticSearchund

5. Information Retrieval

2

Inhalt§ 5.1 Information Retrieval

§ 5.2 Vorverarbeitung der Dokumente

§ 5.3 Boolesches Retrieval

§ 5.4 Vektorraum-Modell

§ 5.5 Evaluation

§ 5.6 Implementierung

§ 5.7 Websuche

Datenbanken & Informationssysteme / Kapitel 5: Information Retrieval

3

5.1 Information Retrieval

§ Information Retrieval ist ein Fachgebiet in der Schnittmenge von Informationswissenschaft,Informatik und Computerlinguistik

§ Weitgehend unabhängige, parallele Entwicklung zum Fachgebiet Datenbanken der Informatik mitnun zunehmendem Ideenaustausch


Information Retrieval (IR) is finding material (usually documents) of an

unstructured nature (usually text)that satisfies an information need from within

large collections (usually stored on computers)

[Manning 2008]

4

Information Retrieval

§ Information Retrieval befasst mit Suche nach Inhalten

§ Artikel (z.B. aus Wissenschaft und Presse)

§ Webseiten

§ Office-Dokumente (z.B. Präsentationen und Spreadsheets)

§ E-Mails

§ Benutzerprofile (z.B. auf Facebook oder XING)





[Manning 2008]

5


§ Daten haben meist keine oder nur wenig Struktur

§ Einfache Textdokumente (keine Struktur)

§ HTML (Überschriften und Absätze markiert)

§ JSON und XML (semistrukturiert)

§ RDBMSs, im Gegensatz, betrachten strukturierte Daten





[Manning 2008]

6


§ Informationsbedürfnis des Benutzers als Ausgangspunkt

§ selten präzise (z.B. Was kann man in Berlin unternehmen?)

§ ungenau als Anfrage formuliert (z.B. berlin sights)

§ RDBMSs, im Gegensatz, bieten Anfragesprache mitgenau definierter Semantik (z.B. relationale Algebra)



unstructured nature (usually text)that satisfies an information need from within large collections (usually stored on computers)

[Manning 2008]

7


§ Große Datenmengen mit rapidem Wachstum

§ Desktop ~ 100.000 Dokumente

§ The New York Times (1987–2007) ~ 2.000.000 Dokumente

§ WWW im Jahr 1998 ~ 800.000.000 Dokumente

§ WWW im Jahr 2008 ~ 1.000.000.000.000 Dokumente





[Manning 2008]

8

Historisches§ Bibliotheken (seit ca. 2000 v. Chr.)

§ Katalogisierung nach Titel, Erscheinungsjahr,Autoren oder Schlagwörtern

§ Klassifikationsschemata zur inhaltlichenEinordnung (z.B. Dewey-Dezimalklassifikation)

§ Vannevar Bushs Memex (1945) [3]

§ erweitertes Gedächtnis (memory extender)

§ Verknüpfung und Annotation von Inhalten


© JMC Photos@flickr

9

Historisches§ SMART System von Salton et al. (1960er)

§ Rangordnung der Ergebnisse

§ Berücksichtigung von Rückmeldungen des Benutzers

§ TREC und andere Benchmark-Initiativen (seit 1992)

§ Google und andere Suchmaschinen (seit frühen 1990er)


10

IR vs. DBMSs§ IR-Systeme und DBMSs unterscheiden sich wie folgt

§ unstrukturierte vs. strukturierte Daten(z.B. Zeitungsartikel vs. Attribute eines Produkts)

§ vages vs. genau definiertes Informationsbedürfnis(z.B. Berichte über Berlin vs. meistverkauftes Produkt)

§ vage vs. genau definierte Semantik der Anfragen(z.B. Schlüsselwortanfragen vs. Relationale Algebra)

§ Rangordnung vs. keine Rangordnung der Ergebnisse(z.B. Berichte über Berlin vs. Studenten im dritten Semester)

§ Mensch vs. Anwendung als typischer Anwender


11

IR in DBMSs§ DBMSs integrieren zunehmend IR-Funktionalität

§ Volltextsuche (z.B. in MS SQL Server und PostgreSQL)auf textuellen Attributen mit linguistischer Vorverarbeitung,sowie Rangordnung der Ergebnisse

§ IR-Systeme werden zunehmend als DBMSs eingesetzt

§ ElasticSearch und Apache Solr erweitern Apache Luceneals traditionelles IR-System zur Indexierung und Suche vonsemi-strukturierten Dokumenten (z.B. in JSON oder XML)und können je nach Anwendung ein (R)DBMS ersetzen


12

Gütemaße im Information Retrieval§ Informationsbedürfnis des Benutzers und

Semantik der Anfragen sind vage

§ Gütemaße messen inwiefern das von einem IR-Systemzurückgelieferte Ergebnis das Informationsbedürfnisdes Benutzers befriedigen kann

§ Alle Dokumente in der Dokumentensammlung werden hierzu als relevant bzw. nicht-relevant für das Informationsbedürfnis des Benutzers klassifiziert


13

Präzision und Ausbeute (precision and recall)§ Präzision (precision) und Ausbeute (recall) als zwei Maße

der Ergebnisgüte relativ zum Informationsbedürfnis

§ Relevante Ergebnisse(true positives)

§ Irrelevante Ergebnisse(false positives)

§ Relevante Nicht-Ergebnisse(false negatives)

§ Irrelevante Nicht-Ergebnisse(true negatives)


tn tn tn tn tn tn

tn tn

tn tn

tn

tn

tn tn tn tn tn tn

tn tn

tn

tn

tn

fp

fp fp fp

tptp

fn fn fn

fn

fnfnfn

Relevante DokumenteErgebnis

14

Präzision und Ausbeute (precision and recall)§ Präzision (precision)

misst Fähigkeit nur relevante Dokumente zu liefern

§ Ausbeute (recall)

misst Fähigkeit alle relevanten Dokumente zu liefern


#tp

#tp + #fn=

# relevanter Dokumente im Ergebnis

# relevanter Dokumente

#tp

#tp + #fp=


# Dokumente im Ergebnis

15

Literatur

§ C. D. Manning, P. Raghavan, H. Schütze:Information Retrieval,Cambridge University Press, 2008http://www-nlp.stanford.edu/IR-book/

§ W. B. Croft, D. Metzler, T. Strohman:Search Engines – Intelligent IR in Practice,Pearson, 2010http://ciir.cs.umass.edu/downloads/SEIRiP.pdf


16

5.2 Vorverarbeitung der Dokumente§ Dokumente durchlaufen Vorverarbeitung (preprocessing),

bevor sie indexiert werden, um dann mit Hilfe des Index Anfragen bearbeiten zu können, z.B.

§ Entfernen von Formatierungen (z.B. HTML-Tags)

§ Zerlegung (tokenization) in Bestandteile (tokens)

§ Normalisierung der Bestandteile zu Termen (terms)


17

Zerlegung (tokenization)§ Dokumente werden in Bestandteile (tokens) zerlegt, indem

das Dokument u.a. an Leerzeichen (white spaces) aufgeteilt wird und Satzzeichen entfernt werden

§ Zusätzlich kann eine Aufteilung von Mehrwortgruppen(compound splitting) vorgenommen werden(z.B. bodenseeschifferpatentantrag)


18

Normalisierung (normalization)§ Normalisierung der Bestandteile führt zu Termen

(terms), die indexiert und gesucht werden können, z.B.

§ Umwandlung in Kleinbuchstaben (lower casing)

§ Vereinheitlichung von Umlauten (z.B. ä wird zu ae)

§ Vereinheitlichung von Datumsangaben (z.B. 2011/05/21)


19

Wortreduktion (stemming, lemmatization)§ Wörter kommen in verschiedenen Beugungsformen vor

§ Konjugation bei Verben(z.B. go, gone, went)

§ Deklination bei Substantiven und Adjektiven(z.B. boat, boats, mouse, mice)

§ Komparation bei Adjektiven(z.B. cheap, cheaper, cheapest)

§ Wörter können zudem den gleichen Wortstamm haben(z.B. work, worker, working, drive, driver, driven)


20

Grundformreduktion§ Reduktion auf Grundform (auch: Lemmatisierung)

(lemmatization) erfolgt immer auf ein existierendes Wort

§ Nominativ Singular bei Substantiven und Adjektiven(z.B. boat und boats wird zu boat)

§ Infinitiv bei Verben(z.B. go, gone und went wird zu go)

§ Bestimmung der korrekten Grundform ist oft schwierigund Bedarf zusätzlicher Information in Form von

§ Kontext oder Wortart (part of speech)

§ Wörterbuch (z.B. um mice auf mouse abzubilden)


21

Stammformreduktion§ Reduktion auf Stammform (stemming) erfolgt auf

Wortstamm, der kein existierendes Wort sein muss(z.B. boats auf boa und vegetation auf veget)

§ Regelbasierte Ansätze zur sukzessiven Suffixentfernungfür schwach gebeugte (flektierte) Sprachen wie Englisch


22

Porters Algorithmus§ Porters Algorithmus entfernt Suffixe in fünf Schritten

§ Schritt 1a: Wende Regel für längstmögliches Suffix an§ sses → ss

§ ies → i

§ s → _

§ …

§ Schritt 2: Falls Token aus zwei oder mehr Silben besteht§ ational → ate

§ tional → tion

§ enci → ence

§ izer → ize

§ …


23

Porters Algorithmus§ Implementierung unter

http://snowball.tartarus.org/algorithms/porter/stemmer.html

§ Online-Demo unterhttp://9ol.es/porter_js_demo.html


24

Wortreduktion§ Durch eine Reduktion von Wörtern auf ihre Grundform

oder Stammform kann man erreichen

§ tolerantere Suche (z.B. beim Booleschen Retrieval),die nicht mehr von spezifischer Wortform abhängt

§ geringere Anzahl zu indexierender Terme§ Verbesserung des Recall

(z.B. für working conditions chinese factories)

§ Verschlechterung der Präzision(z.B. für marine vegetation)

§ Nutzen der Wortreduktion für IR ist umstritten, tendenziell größer für stark flektierte Sprachen (z.B. Deutsch)


25

Zipf‘sches Gesetz (Zipf‘s law)§ George K. Zipf (1902–1950) beobachtete,

dass für natürlichsprachige Text gilt,dass die Häufigkeit eines Wortes f(w)umgekehrt proportional zu seinemHäufigkeitsrang r(w) ist, d.h.:

§ Das häufigste Wort kommt somit

§ doppelt so oft vor wie das zweithäufigste Wort§ zehnmal so oft vor wie das Wort auf Rang 10§ hundertmal so oft vor wie das Wort auf Rang 100


Quelle: http://en.wikipedia.org

f(w) Ã 1r(w) –

mit – ¥ 1

26

Zipf‘sches Gesetz (Zipf‘s law)§ Beispiel: Worthäufigkeit und Häufigkeitsrang in

The New York Times zwischen 1987 und 2007


0 1 2 3 4

45

67

log(Häufigkeitsrang)

log(Häufigkeit)

– ¥ ≠1.110

27

Stoppworteliminierung (stopword removal)§ Stoppwörter (z.B. a, the, of) sind Wörter, die nur wenig

Information beinhalten, da sie z.B. in sehr vielen Dokumenten vorkommen und somit von geringem Nutzen für die Beantwortung von Anfragen sind

§ Eliminierung von Stoppwörtern

§ reduziert den zur Indexierung benötigten Speicherplatz§ verbessert die Antwortzeiten§ kann Ergebnisgüte verbessern

(z.B. a song of fire and ice)

§ kann Ergebnisgüte verschlechtern (z.B. the who)


28

Stoppworteliminierung (stopword removal)§ Stoppworteliminierung anhand einer manuell definierten

Stoppwortliste, evtl. mit themenspezifischen Stoppwörtern

§ Stoppwortliste kann alternativ automatisch erstelltwerden und alle Wörter enthalten, die in mehr als einem bestimmten Anteil der Dokumente vorkommen


a, an, and, are, as, at, be, by, for,has, he, in, is, it, its, of, on, that,

the, to, was, where, will, with

29

Bag-of-Words§ Vorverarbeitung wandelt Dokument in eine Multimenge

von Wörtern (bag of words) um, d.h. die Information wie oft ein Wort im Dokumente vorkommt bleibt erhalten


30

5.3 Boolesches Retrieval§ Boolesches Retrieval als früher Ansatz, der noch

Anwendung (z.B. Katalogsuche in Bibliotheken) findet

§ Dokumente als Belegungen Boolescher Variablen, die anzeigen, ob ein Term im Dokument vorkommt oder nicht

§ Anfragen als Boolesche Ausdrücke, welche Terme mit den Operatoren AND, OR und NOT verknüpfen


31

Boolesches Retrieval§ Beispiel: Dokumente über George Martin oder Neil Gaiman

mit Darstellung der Dokumentensammlungals Term-Dokument-Matrix


(george AND martin) OR (neil AND gaiman)

george martin neil gaiman

d1 1 0 0 1d2 1 1 1 0d3 0 1 1 1d4 0 1 1 0d5 0 0 1 1

✖

✔

✔

✖

✔

32

Erweiterungen§ Boolesches Retrieval kann erweitert werden durch

§ Aufteilung der Dokumenten in Felder (z.B. Titel, Abstract)

§ zusätzliche Operatoren basierend auf Wortposition (NEAR)

§ Vorteil:

§ Semantik von Anfragen (d.h. erwartetes Ergebnis)ist eindeutig definiert

§ Nachteil:

§ keine Rangordnung des Ergebnissesnach Relevanz (ranking)


33

Zusammenfassung§ Information Retrieval als Fachgebiet in der Schnittmenge

zwischen Informationswissenschaft, Informatikund Computerlinguistik

§ Präzision und Ausbeute als elementare Gütemaße

§ Zerlegung und Normalisierung der Dokumente(z.B. Eliminierung von Stoppwörtern, Wortreduktion)

§ Boolesches Retrieval als früher Ansatz, der noch immer Anwendung findet und Grundlage moderner Ansätze ist


34

Literatur[1] C. D. Manning, P. Raghavan, H. Schütze:

Information Retrieval, Cambridge University Press, 2008

[2] W. B. Croft, D. Metzler, T. Strohman:Search Engines – Intelligent IR in Practice,Pearson, 2010

[3] V. Bush: As We May Think, The Atlantic, 1945http://www.theatlantic.com/magazine/archive/1945/07/as-we-may-think/303881/


35

Rückblick§ Information Retrieval als Fachgebiet in der Schnittmenge

zwischen Informationswissenschaft, Informatikund Computerlinguistik

§ Präzision und Ausbeute als elementare Gütemaße

§ Zerlegung und Normalisierung der Dokumente(z.B. Eliminierung von Stoppwörtern, Wortreduktion)

§ Boolesches Retrieval als früher Ansatz, der noch immer Anwendung findet und Grundlage moderner Ansätze ist


36

5.4 Vektorraum-Modell§ Boolesches Retrieval liefert zu Anfrage eine Menge von

Dokumenten, führt jedoch keine Rangordnung durch

§ Rangordnung (ranking) ist insbesondere auf großen Dokumentensammlung wünschenswert, damit Benutzer vielversprechende Dokumente zuerst gezeigt bekommt

§ Vektorraum-Modell (VSM) wurde in den 1960ern im Rahmen des SMART-Projekts an Cornell University entwickelt und findet noch heute Anwendungin IR-Systemen


37

Anfragen und Dokumente als Vektoren§ Dokumente und Anfrage werden auf Vektoren in

einem hochdimensionalen Vektorraum abgebildet

§ Vektorraum hat eine Dimension für jeden Term,der in der Dokumentensammlung vorkommt

§ Wert einer Vektorkomponente gibt das Gewicht des Terms in Dokument oder Anfrage an und wird i.d.Rmit einer Variante der tf.idf-Gewichtung bestimmt

§ Rangordnung gemäß Distanz/Ähnlichkeit der Vektoren


38

tf.idf-Termgewichtung für Dokumente§ Dokumente sind nach Vorverarbeitung Multimengen von

Termen (bag of words), aus denen nun die Werte derVektorkomponenten abgeleitet werden müssen

§ Intuition: Ein Term soll mehr Gewicht für Dokument haben

§ wenn er häufig im Dokument selbst vorkommt

§ wenn er insgesamt in wenigen Dokumenten vorkommtund damit trennscharf (discriminative) ist


39

tf.idf-Termgewichtung für Dokumente§ Statistiken zur Bestimmung der Vektorkomponenten

§ Termhäufigkeit (term frequency) tf(v, d) gibt an,wie oft der Term v im Dokument d vorkommt

§ Dokumentenhäufigkeit (document frequency) df(v) gibt an,in wie vielen Dokumenten der Term v insgesamt vorkommt

§ Größe der Dokumentensammlung N gibt an,wie viele Dokumente insgesamt enthalten sind

§ Länge des Dokumentes |d| gibt an, wie viele Terme im Dokument d vorkommen; es gilt


|d| =ÿ

v

tf (v, d)

40

tf.idf-Termgewichtung für Dokumente§ Gewicht d(v) der Vektorkomponente für den Term v

im Vektor für das Dokument d bestimmt als

§ Inverse Dokumentenhäufigkeit, als zweiter Faktor, weist seltenen Termen mehr Gewicht zu und verhindert durch die logarithmische Dämpfung ein Überbewerten sehr seltener Terme (z.B. durch Tippfehler)


d(v) = tf (v, d) · log

N

df (v)

41

tf.idf-Termgewichtung für Dokumente§ Vorgestellte ist eine Variante der tf.idf-Termgewichtung,

die ursprünglich im SMART-System verwendet wurde

§ Erweiterungen von tf.idf-Termgewichtung z.B. mit

§ logarithmisch gedämpften Termhäufigkeiten

§ relativen Termhäufigkeiten

§ max-normalisierten Termhäufigkeiten


log (1 + tf (v, d))

tf (v, d)/|d|

tf (v, d)/max

v(tf(v, d))

42

tf.idf-Termgewichtung für Dokumente§ Häufiger Kritikpunkt an tf.idf-Termgewichtung und

Vektorraum-Modell ist, dass sie heuristisch sindund auf keiner fundierten Theorie bzgl.der Relevanz von Dokumentenzu Anfragen beruhen

§ Theoretisch fundierte Ansätze (z.B. Probabilistic IR, Statistical Language Models) lassen sich oft in eine Variante der tf.idf-Termgewichtung umformen


43

Anfrage als Vektor§ Anfrage q durchläuft die gleiche Vorverarbeitung wie

Dokumente (z.B. Wortreduktion) und ist ebenfallseine Menge von Termen (bag of words)

§ Gewicht q(v) der Vektorkomponente für den Term vim Vektor für die Anfrage q bestimmt als

wobei die Termhäufigkeit tf(v, q) in der Regel binär(d.h. in {0,1}) ist, da Terme selten mehrfachin einer Anfrage vorkommen


q(v) = tf (v, q)

44

Distanz/Ähnlichkeit zwischen Vektoren§ Dokumente und Anfrage sind

nun Vektoren in einemhochdimensionalenVektorraum

§ Wie lassen sich Dokumente undAnfrage vergleichen, um eineRangordnung herzuleiten?


q

d1

d2

45

L1-Distanz (Manhattan Distanz)§ L1-Distanz (Manhattan Distanz)


q

d1

d2dis1(r, s) =

ÿ

v

|r(v) ≠ s(v)|

46

L2-Distanz (Euklidische Distanz)§ L2-Distanz (Euklidische Distanz)

§ L1- und L2-Distanz ungeeignet, um Rangordnungvon Dokumenten zu einer Anfrage herzuleiten

§ Dokument, welches genau die Terme aus der Anfragewiederholt beinhaltet, so dass sein Vektor ein Vielfachesdes Anfragevektors ist, hat große L1- und L2-Distanz


q

d1

d2dis2(r, s) =

Ûÿ

v

(r(v) ≠ s(v))2

47

Kosinusähnlichkeit (cosine similarity)§ Kosinusähnlichkeit

(cosine similarity)

misst den Kosinus des Winkels zwischen beiden Vektoren

§ linear abhängige Vektoren (d.h. gleiche Richtung) habeneinen Winkel von 0∘ und damit einen Kosinus von 1

§ orthogonale Vektoren (d.h. rechter Winkel) habeneinen Winkel vom 90∘ und damit einen Kosinus von 0


q

d1

d2

=q

v (r(v) s(v))qv r(v)2

qv s(v)2

sim(r, s) = r · sÎrÎÎsÎ

48

Kosinusähnlichkeit (cosine similarity)§ Kosinusähnlichkeit

(cosine similarity)

ist als Skalarprodukt normierter Vektoren berechenbar;diese Beobachtung kann zur effizienten Implementierungausgenutzt werden: werden die Dokumentvektorennormiert gespeichert, müssen nur Komponentenzu Termen aus der Anfrage betrachtet werden


q

d1

d2

sim(r, s) = r · sÎrÎÎsÎ

= rÎrÎ · s

ÎsÎ

49

Beispiel Vektorraum-Modell§ Wir betrachten die folgende Dokumentensammlung

§ Unsere Anfrage lautet: java stack overflow


N = 10

d1 d2 d3 d4 d5 d6 d7 d8 d9 d10 df (v) idf (v) qc++ 2 0 0 1 1 0 0 2 0 0 4 log (10/4) ¥ 0.92 0

object 1 0 0 0 1 0 1 0 0 0 3 log (10/3) ¥ 1.20 0

class 1 1 0 0 1 0 1 0 0 2 5 log (10/5) ¥ 0.69 0

oriented 1 1 0 0 1 0 0 0 0 0 3 log (10/3) ¥ 0.92 0

loop 0 0 0 0 0 0 0 0 2 0 1 log (10/1) ¥ 2.30 0

java 0 0 2 0 1 0 2 2 0 0 4 log (10/4) ¥ 0.92 1

pointer 0 0 0 1 0 0 0 0 0 0 1 log (10/1) ¥ 2.30 0

overflow 0 0 1 0 0 0 0 0 0 0 1 log (10/1) ¥ 2.30 1

code 0 2 0 2 0 0 0 0 1 1 4 log (10/4) ¥ 0.92 0

sort 0 2 1 0 0 1 0 0 2 0 4 log (10/4) ¥ 0.92 0

python 0 2 0 0 0 2 0 1 0 0 3 log (10/3) ¥ 1.20 0

array 0 0 0 1 0 1 1 0 0 2 4 log (10/4) ¥ 0.92 0

stack 0 0 2 0 0 1 0 0 0 2 3 log (10/3) ¥ 1.20 1

50


§ Wir müssen nur die Dokumente d3, d5, d6, d7, d8 und d10betrachten; alle anderen beinhalten keinen Anfrageterm


N = 10

d1 d2 d3 d4 d5 d6 d7 d8 d9 d10 df (v) idf (v) qc++ 2 0 0 1 1 0 0 2 0 0 4 log (10/4) ¥ 0.92 0

object 1 0 0 0 1 0 1 0 0 0 3 log (10/3) ¥ 1.20 0

class 1 1 0 0 1 0 1 0 0 2 5 log (10/5) ¥ 0.69 0

oriented 1 1 0 0 1 0 0 0 0 0 3 log (10/3) ¥ 0.92 0

loop 0 0 0 0 0 0 0 0 2 0 1 log (10/1) ¥ 2.30 0

java 0 0 2 0 1 0 2 2 0 0 4 log (10/4) ¥ 0.92 1

pointer 0 0 0 1 0 0 0 0 0 0 1 log (10/1) ¥ 2.30 0

overflow 0 0 1 0 0 0 0 0 0 0 1 log (10/1) ¥ 2.30 1

code 0 2 0 2 0 0 0 0 1 1 4 log (10/4) ¥ 0.92 0

sort 0 2 1 0 0 1 0 0 2 0 4 log (10/4) ¥ 0.92 0

python 0 2 0 0 0 2 0 1 0 0 3 log (10/3) ¥ 1.20 0

array 0 0 0 1 0 1 1 0 0 2 4 log (10/4) ¥ 0.92 0

stack 0 0 2 0 0 1 0 0 0 2 3 log (10/3) ¥ 1.20 1

51

Beispiel Vektorraum-Modell§ Kosinusähnlichkeit zwischen d3 und Anfrage q


d3 idf (v) qc++ 0 log (10/4) ¥ 0.92 0

object 0 log (10/3) ¥ 1.20 0

class 0 log (10/5) ¥ 0.69 0

oriented 0 log (10/3) ¥ 1.20 0

loop 0 log (10/1) ¥ 2.30 0

java 2 log (10/4) ¥ 0.92 1

pointer 0 log (10/1) ¥ 2.30 0

overflow 1 log (10/1) ¥ 2.30 1

code 0 log (10/4) ¥ 0.92 0

sort 1 log (10/4) ¥ 0.92 0

python 0 log (10/3) ¥ 1.20 0

array 0 log (10/4) ¥ 0.92 0

stack 2 log (10/3) ¥ 1.20 1

d3 qc++ 0.00 0.00

object 0.00 0.00

class 0.00 0.00

oriented 0.00 0.00

loop 0.00 0.00

java 1.84 1.00

pointer 0.00 0.00

overflow 2.30 1.00

code 0.00 0.00

sort 0.92 0.00

python 0.00 0.00

array 0.00 0.00

stack 2.40 1.00

sim(d3, q) = 1.84 + 2.30 + 2.40Ô1.842 + 2.302 + 0.922 + 2.402

Ô1.02 + 1.02 + 1.02

¥ 0.97

52


§ Die Rangfolge der Dokumente zu unserer Anfrage lautetd3, d7, d10, d8, d5 und d6


d1 d2 d3 d4 d5 d6 d7 d8 d9 d10c++ 2 0 0 1 1 0 0 2 0 0

object 1 0 0 0 1 0 1 0 0 0

class 1 1 0 0 1 0 1 0 0 2

oriented 1 1 0 0 1 0 0 0 0 0

loop 0 0 0 0 0 0 0 0 2 0

java 0 0 2 0 1 0 2 2 0 0

pointer 0 0 0 1 0 0 0 0 0 0

overflow 0 0 1 0 0 0 0 0 0 0

code 0 2 0 2 0 0 0 0 1 1

sort 0 2 1 0 0 1 0 0 2 0

python 0 2 0 0 0 2 0 1 0 0

array 0 0 0 1 0 1 1 0 0 2

stack 0 0 2 0 0 1 0 0 0 2

sim(di, q) 0.00 0.00 0.97 0.00 0.24 0.23 0.43 0.37 0.00 0.40

53

5.5 Evaluation§ Evaluation spielt wichtige Rolle im Information Retrieval,

u.a. aufgrund zentraler Rolle des Benutzers undUnschärfe seines Informationsbedürfnisses

§ Zwei Aspekte bei Evaluation von IR-System betrachtet

§ Effektivität, d.h. werden die richtigen Dinge getan(z.B. gute Dokumente im Ergebnis zurückgeliefert)

§ Effizienz, d.h. werden die Dinge richtig getan(z.B. Ergebnisse mit kurzen Antwortzeiten zurückgeliefert)

§ Unser Fokus liegt im Folgenden auf Effektivität


54

Präzision und Ausbeute (precision and recall)§ Präzision (precision) und Ausbeute (recall) als zwei Maße

der Ergebnisgüte relativ zum Informationsbedürfnis

§ Relevante Ergebnisse(true positives)

§ Irrelevante Ergebnisse(false positives)

§ Relevante Nicht-Ergebnisse(false negatives)

§ Irrelevante Nicht-Ergebnisse(true negatives)


tn tn tn tn tn tn

tn tn

tn tn

tn

tn

tn tn tn tn tn tn

tn tn

tn

tn

tn

fp

fp fp fp

tptp

fn fn fn

fn

fnfnfn

Relevante DokumenteErgebnis

55

Präzision und Ausbeute (precision and recall)§ Präzision (precision)

misst Fähigkeit nur relevante Dokumente zu liefern

§ Ausbeute (recall)

misst Fähigkeit alle relevanten Dokumente zu liefern


#tp

#tp + #fn=


# relevanter Dokumente

#tp

#tp + #fp=


# Dokumente im Ergebnis

56

Präzision und Ausbeute (precision and recall)§ Präzision und Ausbeute sind wichtige Gütemaße im IR;

sie haben jedoch einige Nachteile z.B.

§ gesamtes Ergebnis wird betrachtet

§ Rangfolge der Dokumente im Ergebnis spielt keine Rolle§ Relevanzbewertungen sind binär; keine feinere Abstufung

§ Kenntnis aller relevanten Dokumente wird angenommen

§ Alternative Gütemaße (z.B. Präzision@k, nDCG) adressieren einen oder mehrere dieser Nachteile


57

Präzision@k§ Präzision@k (precision@k) betrachtet nur die ersten k

Dokumente im sortierten Ergebnis und ist eines dergängigsten Gütemaße mit k in {1, 5, 10}

§ Bei Betrachtung mehrerer Anfragen wird der Mittelwertaus den Präzision@k-Werten pro Anfrage gebildet


P@k(r) =

# Relevante Dokumente in Top-k von r

k

58

Präzision@k§ Beispiel: Betrachte zwei Ergebnisse r1 und r2

Die Dokumente d1, d2 und d4 seien relevant; alle anderenDokumente seien nicht relevant zur Anfragen


r1 =

S

WWWWU

d2d1d5d7d4

T

XXXXVr2 =

S

WWWWU

d8d5d1d2d7

T

XXXXV

P@3(r1) = 23 P@3(r2) = 1

3

59

AP und MAP§ Average Precision (AP) ist der Mittelwert der

Präzisionswerte an den Positionen, an deneneines der bekannten relevanten Dokumenteim Ergebnis vorkommt

§ m relevante Dokumente§ r(i) sei die Position, an der das i-te relevante Dokument

im Ergebnis r vorkommt; ∞ falls nicht im Ergebnis enthalten

§ Mean Average Precision (MAP) bildet den Mittelwert aus den AP-Werten bei Betrachtung mehrerer Anfragen


AP(r) =

1

m

mÿ

i=1

# Relevante Dokumente bis Position r(i)

r(i)

60

AP und MAP§ Beispiel: Betrachte zwei Ergebnisse r1 und r2

Die Dokumente d1, d2 und d4 seien relevant; alle anderenDokumente seien nicht relevant zur Anfragen


r1 =

S

WWWWU

d2d1d5d7d4

T

XXXXVr2 =

S

WWWWU

d8d5d1d2d7

T

XXXXV

AP(r1) = 13

311 + 2

2 + 35

4AP(r2) = 1

3

313 + 2

4 + 2Œ

4

61

nDCG@k§ (Normalized) Discounted Cumulative Gain (nDCG@k)

unterstützt abgestufte Relevanzbewertungen(z.B. 0 für nicht relevant, 1 für relevant, 2 für sehr relevant)

§ Ergebnis soll besser abschneiden, wenn es mehr relevantere Dokumente enthält und diesefrüh (d.h. weit oben) enthalten sind

§ Discounted Cumulative Gain (DCG@k) für Ergebnis r mit g(i) als Note (z.B. 0-2) des Dokuments an der i-ten Position


DCG@k(r) =

kÿ

i=1

2

g(i) ≠ 1

log(1 + i)

62

nDCG@k§ Idealized Discounted Cumulative Gain (iDCG@k)

bestimmt den bestmöglichen DCG@k in Anbetrachtder bekannten Relevanzbewertungen

§ Normalized Discounted Cumulative Gain (nDCG@k)normalisiert DCG@k mit iDCG@k und erreichteinen Wert im Intervall [0, 1]

§ Bei mehreren Anfragen wird der Mittelwert dernDCG@k-Werte pro Anfrage gebildet


nDCG@k(r) = DCG@k(r)iDCG@k

63

nDCG@k§ Beispiel: Betrachte zwei Ergebnisse r1 und r2

Die Dokumente d1, d2 und d4 seien sehr relevant (2);die Dokumente d6 und d8 relevant (1);alle anderen irrelevant (0)


r1 =

S

WWWWU

d2d1d5d7d4

T

XXXXVr2 =

S

WWWWU

d8d5d1d2d7

T

XXXXV

DCG@5(r1) =

33

log(2)

+

3

log(3)

+

0

log(4)

+

0

log(5)

+

3

log(6)

4

DCG@5(r2) =

31

log(2)

+

0

log(3)

+

3

log(4)

+

3

log(5)

+

0

log(6)

4

¥ 8.73

¥ 5.47

64




r1 =

S

WWWWU

d2d1d5d7d4

T

XXXXVr2 =

S

WWWWU

d8d5d1d2d7

T

XXXXV

iDCG@5 =

33

log(2)

+

3

log(3)

+

3

log(4)

+

1

log(5)

+

1

log(6)

4¥ 10.40

65




r1 =

S

WWWWU

d2d1d5d7d4

T

XXXXVr2 =

S

WWWWU

d8d5d1d2d7

T

XXXXV

nDCG@5(r1) ¥ 0.84

nDCG@5(r2) ¥ 0.53

66

Benchmarks und Pooling§ Benchmark-Initiativen wie

§ TREC (http://trec.nist.gov)

§ CLEF (http://www.clef-initiative.eu)

§ NTCIR (http://research.nii.ac.jp/ntcir/index-en.html)

§ FIRE (http://fire.irsi.res.in/fire/home)spielen eine wichtige Rolle im Information Retrieval,mit Teilnehmern aus industrieller undakademischer Forschung

§ Teilnehmer (participants) arbeiten separat an einer gemeinsamen Aufgabe (task) auf gemeinsamen Daten (z.B. Dokumentensammlung und Anfragen)


67

Benchmarks und Pooling§ Teilnehmer reichen ihre Ergebnisse (runs) ein, die dann

von unabhängigen Juroren (assessors) bewertet werden

§ Pooling ist hierbei eine wichtige Methode, d.h. es werden nur Dokumente bewertet, die in einem Ergebnis einesTeilnehmers vorkommen; andere Dokumente werdennicht bewertet und es wird angenommen, dasssie irrelevant sind

§ Top-k Pooling bewertet sogar nur die ersten kDokumente aus jedem der eingereichten Ergebnisse


68

Zusammenfassung§ Vektorraum-Modell bildet Dokumente und Anfrage in

gemeinsamen hochdimensionalen Vektorraum ab

§ Vektorkomponenten werden mittels tf.idf-Gewichtungunter Berücksichtigung von Häufigkeiten bestimmt

§ Kosinusähnlichkeit vergleicht Dokumentvektoren und Anfragevektor, um eine Rangfolge zu bestimmen

§ Alternative Gütemaße (z.B. MAP, nDCG) adressierenverschiedene Nachteile von Präzision und Ausbeute


69


Information Retrieval, Cambridge University Press, 2008(Kapitel 6 & 8)

[2] W. B. Croft, D. Metzler, T. Strohman:Search Engines – Intelligent IR in Practice,Pearson, 2010 (Kapitel 7 & 8)


70

Rückblick§ Vektorraum-Modell bildet Dokumente und Anfrage in

gemeinsamen hochdimensionalen Vektorraum ab

§ Vektorkomponenten werden mittels tf.idf-Gewichtungunter Berücksichtigung von Häufigkeiten bestimmt

§ Kosinusähnlichkeit vergleicht Dokumentvektoren und Anfragevektor, um eine Rangfolge zu bestimmen

§ Alternative Gütemaße (z.B. MAP, nDCG) adressierenverschiedene Nachteile von Präzision und Ausbeute


71

5.6 Implementierung§ Prototypische Implementierung eines IR-Systems auf

Grundlage eines RDBMS möglich (vgl. Übung)

§ Spezialisierte Implementierung sehr sinnvoll fürgroße dynamische Dokumentensammlungenoder bei hoher Anfragelast

§ Dokumentensammlung wird vorab indexiert, um sodie spätere Anfragebearbeitung zu beschleunigen

§ Zusätzlich kommen verschiedene Caches (z.B. für Teile des Index oder Anfrageergebnisse) zum Einsatz


72

Invertierter Index (inverted index)

§ Invertierter Index (inverted index oder inverted file) alsdie am häufigsten verwendete Indexstrukturin IR-Systemen

§ Wörterbuch (dictionary) beinhaltet alle bekannten Terme

§ Indexlisten (posting lists) beinhalten jeweils Informationenzu den Vorkommen eines bestimmten Terms


georgeclooney

d1 d4 d6 d9 d11 d34 d66 d89

d4 d5 d7 d9 d13 d14 d34 d99

Wörterbuch

Indexlisten

73


§ Wörterbuch typischerweise implementiert als B+-Baumoder Hashtabelle und (teilweise) imPrimärspeicher gehalten


georgeclooney

d1 d4 d6 d9 d11 d34 d66 d89

d4 d5 d7 d9 d13 d14 d34 d99

Wörterbuch

Indexlisten

74


§ Indexlisten (posting lists) typischerweise sequenziell(d.h. an einem Stück) oder in wenigen verkettetenBlöcken auf Sekundärspeicher gespeichert


georgeclooney

d1 d4 d6 d9 d11 d34 d66 d89

d4 d5 d7 d9 d13 d14 d34 d99

Wörterbuch

Indexlisten

75

Indexlisteneinträge (postings)§ Struktur der Indexlisteneinträge (postings) abhängig von

zu unterstützenden Anfragen bzw. Retrievalmodell

§ Dokumenten-ID (z.B. für Boolesches Retrieval)

§ Dokumenten-ID und Wert (z.B. Termhäufigkeit) VSM)

§ Dokumenten-ID, Wert und Positionsangaben

(z.B. wenn nach Phrasen gesucht werden soll)


d7

d7 | 5

d7 | 5 | [1, 2, 6, 8, 12]

76

Sortierung der Indexlisten§ Sortierung der Indexlisten beeinflusst Komprimierbarkeit

sowie die Möglichkeiten der Anfragebearbeitung

§ Sortierung nach Dokumenten-ID

bietet mehr Möglichkeiten zur Komprimierung underlaubt effiziente konjunktive Anfrageauswertung

§ Sortierung nach Wert (z.B. Termhäufigkeit)

erlaubt effiziente Top-k Anfrageauswertung


d2 | 5 d6 | 2 d8 | 6

d2 | 5 d6 | 2d8 | 6

77

Kompression§ Leistungsfähigkeit von CPUs hat deutlich schneller

zugenommen als die von Sekundärspeichern (Kapitel 3)

§ Geeignet komprimierte Indexlisten lassen sich schnellerals nicht komprimierte vom Sekundärspeicher lesen

§ Kompressionsverfahren muss leichtgewichtig sein undsequentielles Lesen der Indexlisteneinträge erlauben


78

Variable-Byte Encoding§ Variable-Byte Encoding (auch: 7-Bit Encoding) verwendet

zur Darstellung ganzer Zahlen eine variable Anzahl Bytes

§ Kleinere Zahlen werden mit weniger Bytes dargestellt

§ Idee: Verwende in jedem Byte

§ das höchstwertige als Fortsetzungs-Bit (continuation bit)

§ die übrigen sieben Bits als „Nutzlast“ (payload)


7 6 5 4 3 2 1 0

payloadcontinuation bit

79

Variable-Byte Encoding§ Beispiel: Zahl 4711 hat folgende 32-bit Binärdarstellung

mit Variable-Byte Encoding dargestellt

benötigt man nur zwei anstatt von vier Bytes

§ Achtung: Bytes müssen von niedrigwertigen zu höherwertigen gespeichert/übertragen werden(d.h. Little-Endian)


00000000 00000000 00010010 01100111

00100100 11100111

11100111 00100100

80

Delta-Encoding§ Variable-Byte Encoding stellt kleinere Zahlen mit weniger

Bytes und somit weniger Speicherplatz dar

§ Beobachtung: Indexlisten beinhalten aufsteigend sortierte Folgen ganzer Zahlen, beispielsweise

§ Dokumenten-IDs bei entsprechend sortierten Indexlisten

§ Positionsangaben bei Indexlisten mit Positionsinformation


d2 | 5 d6 | 2 d8 | 6

d7 | 5 | [1, 2, 6, 8, 12]

81

Delta-Encoding§ Idee: Speichere aufsteigend sortierte Liste ganzer Zahlen

als erstes Element gefolgt von Differenz (delta)zum jeweiligen Vorgänger

§ Beispiel: Die aufsteigend sortierte Liste

wird gespeichert als

wodurch bei Verwendung von Variable-Byte-Encodingnur noch 5 Bytes anstatt 8 Bytes benötigt werden


È7, 57, 64, 2, 37Í

È7, 64, 128, 130, 167Í

82

Beispiel Kompression§ Komprimieren einer Indexliste mit Kombination

aus Gap- und Variable-Byte Encoding

§ Gap-Encoding führt zu folgender Liste ganzer Zahlen

mit abwechselnden Dokumenten-IDs und Termhäufigkeiten

§ Variable-Byte Encoding ergibt


d2 | 5 d6 | 2 d8 | 6

00000010 00000101 00000100 00000010 00000110

È2, 5, 4, 2, 2, 6Í

00000010

83

Anfragebearbeitung§ Stellt ein Benutzer eine Anfrage, so muss diese mit Hilfe

des invertierten Index in möglichst kurzer Zeit undmit möglichst wenig Ressourcen bearbeitet werden

§ Zwei Arten von Anfragebearbeitung:

§ konjunktiv, d.h. alle Anfrageterme müssen in einem Dokument im Ergebnis vorkommen (AND)

§ disjunktiv, d.h. mindestens einer der Anfragetermemuss in einem Dokument im Ergebnis vorkommen (OR)

§ Konjunktive Anfragebearbeitung insbesondere bei großen Dokumentensammlungen (z.B. WWW) verwendet


84

Anfragebearbeitung§ Abstraktion vom konkreten Retrieval-Modell (z.B. VSM);

Wert (score) eines Dokuments d zur Anfrage q ist

§ Anfragebearbeitung liest nur Indexlisten zu Termen aus der Anfrage und aggregiert den Wert der Dokumente


score(q, d) =ÿ

vœq

score(v, d)

score(v, d) = tf (v, d) · log

N

df (v)

z.B. mit

85

Term-at-a-Time Anfragebearbeitung§ Term-at-a-Time Anfragebearbeitung liest die Indexlisten

zu den Termen aus der Anfrage eine nach der anderen

§ Für jedes Dokument, das in einer Indexliste gesehen wird,muss im Hauptspeicher sein bisher aggregierter Wert(accumulator) gehalten werden


d1, 0.2a

b

d3, 0.1 d5, 0.5

d5, 0.3 d7, 0.2

86

Term-at-a-Time Anfragebearbeitung§ Optimierungen bei konjunktiver Anfragebearbeitung

§ liest Indexlisten zu Anfragetermen v in aufsteigenderReihenfolge ihrer Länge, d.h. df(v)

§ wurde ein Dokument nicht in der ersten gelesenen Indexliste gesehen, kann es fortan ignoriert werden

§ Top-K Anfragebearbeitung, d.h. Bestimmen der KDokumente mit den höchsten Werten mittelsSortieren nachdem letzte Indexlistevollständig gelesen wurde


87

Document-at-a-Time Anfragebearbeitung§ Document-at-a-Time Anfragebearbeitung liest die

Indexlisten zu den Termen aus der Anfrage parallel

§ Indexlisten hierzu nach Dokumenten-IDs sortiert

§ Dokument wird zur gleichen Zeit in allen Indexlisten gesehen und es kann entschieden werden, ob es zum Ergebnis gehört (konjunktiv vs. disjunktiv)


d1, 0.2a

b

d3, 0.1 d5, 0.5

d5, 0.3 d7, 0.2

88

Document-at-a-Time Anfragebearbeitung§ Optimierung bei konjunktiver Anfragebearbeitung

§ Indexlisten können durch sogenannte Skip-Pointer,als eingebettete Indexstruktur, erweitert werden;diese erlauben ein Überspringen ganzerBlöcke von nicht benötigtenIndexeinträgen

§ Top-K Anfragebearbeitung, d.h. Bestimmen der KDokumente mit den höchsten Werten, indemdie bisher gesehenen K besten Dokumentein einer Prioritätswarteschlange (MinHeap)vermerkt werden


89

5.7 Websuche§ Suche im World Wide Web ist heute eine der populärsten

Anwendungen von Methoden des Information Retrievals

§ Suchmaschinen (z.B. Altavista, Excite) in den frühen 1990ern setzten auf u.a. das Vektorraum-Modell sowie einfache Statistiken (z.B. Zahl eingehender Links)

§ Googles Erfolg ab 1998 beruhte mutmaßlich auf der besseren Ausnutzung des Webgraphen mittelsdes Verfahrens PageRank


90

Websuche§ Seit Mitte der 2000er Jahre verwenden Suchmaschinen

mehr und mehr Signale neben textueller Relevanz undlinkbasierter Wichtigkeit, beispielsweise solche abgeleitet aus Beobachtungen des Benutzerverhaltens

§ Zur Kombination dieser Signale werden heute Verfahren des maschinellen Lernens (learning to rank) eingesetzt


91

Webgraph§ World Wide Web als gerichteter Graph G(V, E)

§ Webseiten (URLs) sind die Knoten (V) dieses Graphs

§ Hyperlinks sind die Kanten (E) dieses Graph


A =

2

664

0 1 0 10 0 0 11 0 0 10 0 1 0

3

775

Adjazenzmatrix:

92

PageRank§ PageRank basiert auf Zufallsbewegung (random walk)

eines Websurfers durch den Graph G(V,E)

§ mit Wahrscheinlichkeit ε springt der Websurferzu einem zufällig gewählten Knoten des Graph

§ mit Wahrscheinlichkeit (1- ε) folgt der Websurfereiner zufällig gewählten ausgehenden Kantedes aktuell besuchten Knotens

§ PageRank p(v) eines Knotens v misst seine Wichtigkeitund spiegelt die Zeit wieder, die im Knoten verbracht wird


p(v) = (1� ✏) ·X

(u,v)2E

p(u)

out(u)+

✏

|V |

93

PageRank§ PageRank berechenbar mittels iterativen Verfahrens auf

einer Matrix P von Übergangswahrscheinlichkeiten


P =

2

664

0.05 0.45 0.05 0.450.05 0.05 0.05 0.850.45 0.05 0.05 0.450.05 0.05 0.85 0.05

3

775

P(u,v) =

;‘/|V | + (1 ≠ ‘)/out(u) : (u, v) œ E

‘/|V | : sonst

‘ = 0.2

94

PageRank§ PageRank berechenbar mittels iterativen Verfahrens auf

einer Matrix P von Übergangswahrscheinlichkeiten

§ beginne mit initialem Vektor

§ berechne Vektor nach i Schritten als

seine Einträge entsprechen der Wahrscheinlichkeit, dassder Websurfer nach i Schritten in einem Knoten ist

§ höre auf, wenn z.B. mit


fi(0) =Ë

1|V | . . . 1

|V |

È

fi(i) = fi(i≠1) P

|fi(i) ≠ fi(i≠1)| < ” ” = 10≠5

95

PageRank§ Iteratives Verfahren (power iteration) angewandt

auf unseren Beispielgraphen


P =

2

664

0.05 0.45 0.05 0.450.05 0.05 0.05 0.850.45 0.05 0.05 0.450.05 0.05 0.85 0.05

3

775

⇡(0) =⇥0.25 0.25 0.25 0.25

⇤

⇡(1) =⇥0.15 0.15 0.25 0.45

⇤

⇡(2) =⇥0.15 0.11 0.41 0.33

⇤

...⇡(10) =

⇥0.18 0.12 0.34 0.36

⇤

96

Verteilter invertierter Index§ World Wide Web ist zu groß, um in den Primärspeicher

oder Sekundärspeicher eines einzelnen Rechnerszu passen; zudem müssen viele Anfragenzeitgleich mit kurzen Antwortzeitenbearbeitet werden

§ Suchmaschinen partitionieren den invertierten Indexund halten ihn so verteilt im Primärspeicher vieler vernetzter Rechner; zudem werden Partitionenredundant gehalten, um eine Lastverteilungbei der Anfragebearbeitung zu erreichen


97

Verteilter invertierter Index§ Invertierter Index kann auf zwei Arten partitioniert werden

§ nach Dokumenten-IDs, so dass jeder Rechner eineninvertierten Index für einen Teil der Dokumente hält

§ nach Termen (Wörtern), so dass jeder Rechner einen invertierten Index für einen Teil der Terme hält


d1 d2 d3 d4 d5 d6 d7 d8 d9 d10c++ 2 0 0 1 1 0 0 2 0 0

object 1 0 0 0 1 0 1 0 0 0

class 1 1 0 0 1 0 1 0 0 2

oriented 1 1 0 0 1 0 0 0 0 0

loop 0 0 0 0 0 0 0 0 2 0

java 0 0 2 0 1 0 2 2 0 0

pointer 0 0 0 1 0 0 0 0 0 0

overflow 0 0 1 0 0 0 0 0 0 0

code 0 2 0 2 0 0 0 0 1 1

sort 0 2 1 0 0 1 0 0 2 0

python 0 2 0 0 0 2 0 1 0 0

array 0 0 0 1 0 1 1 0 0 2

stack 0 0 2 0 0 1 0 0 0 2

P1 P2 P3

98

Verteilter invertierter Index§ Invertierter Index kann auf zwei Arten partitioniert werden

§ nach Dokumenten-IDs, so dass jeder Rechner eineninvertierten Index für einen Teil der Dokumente hält

§ nach Termen (Wörtern), so dass jeder Rechner einen invertierten Index für einen Teil der Terme hält


d1 d2 d3 d4 d5 d6 d7 d8 d9 d10c++ 2 0 0 1 1 0 0 2 0 0

object 1 0 0 0 1 0 1 0 0 0

class 1 1 0 0 1 0 1 0 0 2

oriented 1 1 0 0 1 0 0 0 0 0

loop 0 0 0 0 0 0 0 0 2 0

java 0 0 2 0 1 0 2 2 0 0

pointer 0 0 0 1 0 0 0 0 0 0

overflow 0 0 1 0 0 0 0 0 0 0

code 0 2 0 2 0 0 0 0 1 1

sort 0 2 1 0 0 1 0 0 2 0

python 0 2 0 0 0 2 0 1 0 0

array 0 0 0 1 0 1 1 0 0 2

stack 0 0 2 0 0 1 0 0 0 2

P1

P2

P3

99

Verteilter invertierter Index§ Anfragebearbeitung auf verteiltem invertierten Index

§ bei Partitionierung nach Dokumenten-ID muss dieAnfrage auf allen Partitionen bearbeitet werden;fällt eine Partition aus, kann immerhin nochein Teilergebnis bestimmt werden

§ bei Partitionierung nach Termen muss die Anfragenur auf den Partitionen bearbeitet werden, dieeinen der Anfrageterme beinhalten; fällt einePartition aus, können Anfragen mit denenthaltenen Termen nicht mehrbearbeitet werden


100

Learning-to-Rank§ Suchmaschinen verwenden eine Vielzahl von Signalen,

um Dokumente zu einer Anfrage in eine Rangfolgezu bringen, so dass relevante Dokumentemöglichst weit oben erscheinen

§ Beispiele von Signalen, die Anwendung finden:

§ textuelle Relevanz (z.B. Kosinusähnlichkeit mit Anfrage)

§ linkbasierte Wichtigkeit (z.B. PageRank)

§ textuelle Qualität (z.B. Anteil der Schreibfehler)

§ Spamwahrscheinlichkeit§ Lesbarkeit


101

Learning-to-Rank§ Sinnvolle Kombination der Signale kann mittels Verfahren

des maschinellen Lernens bestimmt werden

§ Klassifikationsverfahren (z.B. logistische Regression) lernen anhand von Trainingsdaten wie sichDatenpunkte (hier: Dokumente) in zwei odermehrere Klassen anhand von Merkmalen(hier: Signale) einteilen lassen


102

Learning-to-Rank


Klassifikator

#0.8 0.7 0.1 0.1 R

$

#0.1 0.1 0.7 0.5 N

$

#0.0 0.1 0.8 0.9 N

$#0.9 0.6 0.2 0.1 R

$

...Trainingsdatenmit KlassenRelevantNicht-Relevant

#0.7 0.7 0.1 0.1 ?

$Anfragezeit:Klasse R/N einesbisher unbekanntenDokuments wirdbestimmt

103

Learning-to-Rank§ Trainingsdaten für den Klassifikator bestimmt z.B.

§ mittels Relevanzbewertungen durch Juroren

§ durch Beobachtung des Benutzerverhaltens(z.B. klickt der Benutzer für Anfrage auf Dokument)

§ Zur Anfragezeit werden die Top-K (z.B 1000) Dokumentegemäß eines wichtigen Signals (z.B. textuelle Relevanz)bestimmt und dann unter Berücksichtigung deranderen Signale mit Hilfe des Klassifikatorsin eine neue Rangfolge gebracht


104

Zusammenfassung§ Invertierter Index als vorherrschende Indexstruktur

im Information Retrieval; geschickte Kompressionist essentiell für effiziente Anfragebearbeitung

§ Term-at-a-Time und Document-at-a-Time als zwei Arten der Anfragebearbeitung auf invertiertem Index

§ Websuche unterscheidet sich durch Ausnutzung von Hyperlinks (z.B. mittels PageRank), Verteilung des invertierten Index und den Einsatz von Verfahrendes maschinellen Lernens


105


Information Retrieval, Cambridge University Press, 2008

[2] W. B. Croft, D. Metzler, T. Strohman:Search Engines – Intelligent IR in Practice,Pearson, 2010


Documents

5. Information Retrieval - swl.htwsaar.deswl.htwsaar.de/lehre/ws15/dbis/slides/2015-vl-dbis-kap5... · § Volltextsuche (z.B. in MS SQL Server und PostgreSQL) ... § ElasticSearchund