Information Retrieval Definizioni e metodi Definizioni • IR tratta problemi di rappresentazione, memorizzazione, organizzazione e accesso ad informazioni • Obiettivo: facilitare l’accesso alle informazioni cui un utente è interessato • Un testo libero non può direttamente essere usato per interrogare gli attuali motori di ricerca su Web. • Una descrizione degli interessi dell’utente va trasformata in una query, una struttura di dati (usualmente un vettore) adatta all’elaborazione da parte di un motore di ricerca. Caratterizzare l’interesse dell’utente • Caratterizzare l’interesse di un utente non è facile: “trova tutte le pagine che contengono informazioni su squadre di tennis di Università Americane, e che partecipino alle gare NCAA. Mi interessano solo documenti che riportino anche la qualifica di queste squadre negli ultimi 3 anni e la email o telefono del loro allenatore” • Rosso: irrilevante per la query • Blu: necessitano una qualche forma di ragionamento induttivo, es: MIT is_a Università_Americana march_2002 january_2000 january_2003 ..Tuttavia anche in casi più semplici c’è il problema del silenzio-rumore • Esempio: chi ha inventato il web? • http://www.google.it Se si cerca sulla base di parole-chiave le risposte possono essere molto diverse Dati e informazioni: che differenza? • Data retrieval: trovare oggetti che soddisfino condizioni chiaramente specificate mediante una espressione regolare o di algebra relazionale: FIND person WHERE age>40 AND…OR... Un errore è segnale di totale fallimento del sistema (la risposta non esiste) • Information retrieval: richiede una interpretazione della richiesta dell’utente. I documenti recuperati non possono essere classificati tout court come “buoni” o “cattivi”, ma vanno associati ad una misura di rilevanza rispetto alla richiesta dell’utente (o meglio: all’interpretazione della richiesta!) • La nozione di rilevanza è centrale in IR Perché IR è importante – IR aveva una ristretta nicchia di interesse (bibliotecari ed esperti di informazioni, es. agenzie di stampa) – L’avvento del Web ha cambiato radicalmente le cose • • • • Una sorgente di informazioni virtualmente illimitata Accesso universale ed a basso costo Non esiste un controllo editoriale centralizzato Molti nuovi problemi si pongono: IR è vista come una area chiave per identificare soluzioni appropriate Le azioni dell’utente in un sistema di IR Retrieval Database Browsing • Una sessione di Retrieval comporta la specifica degli interessi dell’utente e la sua trasformazione in una query (usualmente, un insieme di parole chiave o keywords) • Se l’interesse dell’utente è mal specificato, o è molto vasto, l’utente può utilizzare una interfaccia interattiva (es. finestre a scelta multipla), visualizzare alcuni documenti proposti, seguire hyperlinks a partire da documenti che più lo interessano, o dettagliare meglio la sua query. Si parla allora di una sessione di Browsing. Information retrieval session: digita la query e ottieni i risultati Browsing Session: seguendo gli hyperlinks, esplora i documenti Pulling vrs pushing • Retrieval e Browsing vengono classificate come azioni di pulling: l’utente “tira fuori” le informazioni richieste • Alcuni sistemi sono in grado di prendere iniziative, cioè di sospingere (push) documenti verso l’utente. Ad esempio, filtrando notizie periodicamente sulla base di profili di utente (web assistant, information filtering and extraction). Fasi di un processo di IR • L’utente esprime un interesse • La query viene “confrontata” con i documenti dell’archivio • I documenti ritenuti rilevanti vengono presentati all’utente • L’utente può raffinare la sua query, o navigare a partire dai risultati della ricerca Problemi legati al processo di retrieval • Interessi dell’utente e documenti sono espressi in linguaggio naturale: perché un programma di IR possa analizzarli occorre generare una rappresentazione formale • Come confrontare una query ed un documento? Occorre un modello, o schema, di confronto • Poiché, al contrario di un sistema di interrogazione di basi dati, il risultato di un confronto non è binario, occorre definire una misura di “rilevanza” come risultato di un confronto, e presentare all’utente le risposte in ordine di rilevanza Una caratterizzazione formale del task IR • Def. Un modello di IR è una quadrupla [D,Q,F,R(qi,dj)] dove: – D è un insieme di viste logiche, o rappresentazioni dei documenti nella collezione – Q è un insieme di viste logiche, o rappresentazioni dei bisogni informativi dell’utente , dette query – F è uno schema per modellare le rappresentazioni dei documenti, le query, e le inter-relazioni fra query e documenti – R(qi,dj)] è una funzione di rilevanza, o ranking R : QD che definisce un ordine fra i documenti, in relazione alla query qi Quanto è corretta la rappresentazione del documento ? Quanto è corretta la rappresentazione della query ?? Quanto sono rilevanti i risultati ? Quanto esattamente corrisponde il documento alla query? Rappresenta zione query Query Rappresentazione Documenti PROBLEMI NEI SISTEMI DI IR Collezione documenti Risposta Architettura di un sistema di IR • Modulo per il trattamento dei testi (trasformare query e documenti secondo una rappresentazione formale) • Document management system: inserimento cancellazione, aggiornamento dell’archivio di documenti • Modulo di indicizzazione: puntatori ad elementi atomici dei documenti, che ne definiscono il contenuto (es. parolechiave) • Modulo di ricerca: data una query seleziona i documenti (sulla base del sistema di indici) che sono rilevanti • Modulo di ranking: ordina le “risposte” sulla base di una misura di rilevanza Il processo di retrieval (più in dettaglio) Testi Interfaccia utente Cerco curricula di personale esperto nella progettazione di siti web user need Testi Operazioni sui testi Vista logica user feedback Operazioni Personal sulla query query Vista logica espert progettazion sit web Indicizzazi one DB Manager Module inverted file (espertconosc)(realizzaz progettaz) ricerca Indici sit web Doc. recuperati Documenti pesati ranking Database dei testi 3 fasi fondamentali • Operazioni sui testi (query e documenti) • Generazione di indici (strutture di puntamento) • Ricerca e ranking Operazioni sui testi • Un sistema di IR genera una rappresentazione più generale e astratta dei documenti e delle richieste degli utenti (query) , detta logical view, o rappresentazione. • Quando la rappresentazione di un documento comprende l’intero insieme delle parole che lo compongono, si parla di full text logical view. • Tuttavia, anche nei moderni computers sono necessarie alcune operazioni di compressione dell’informazione • Queste operazioni possono essere finalizzate non solo alla compressione (es. eliminazione di articoli, congiunzioni., lemmatizzazione...) ma anche alla generalizzazione (non rappresentare termini (ambigui) ma concetti ) Rappresentazione e Indicizzazione dei documenti • Nei sistemi di IR ogni documento viene rappresentato mediante un insieme di parole-chiave o termini indice • Un termine-indice è una parola ritenuta utile per rappresentare il contenuto del documento • In genere, nei sistemi di IR “classici”, gli indici sono nomi, perché maggiormente indicativi del contenuto • Tuttavia, nei motori di ricerca vengono considerati tutti i termini (full text representation) • Gli indici vengono utilizzati per generare strutture di puntamento ai documenti della collezione, facilitandone il recupero a fronte di una query. Ranking (ordinamento) • Un ranking è un ordinamento dei documenti recuperati che dovrebbe riflettere gli interessi dell’utente • E’basato su : – Identificazione di gruppi di termini comuni – Condivisione di termini pesati – Probabilità di rilevanza • La classificazione dei modelli di IR è basata si diversi criteri di ranking Documenti Termini indice documenti Operazioni sui testi match Bisogni Informativi ranking query Trattamento dei testi, strutturazione e metodi di Ricerca 1. Trattamento dei testi e generazione della rappresentazione formale • Si estraggono dal documento le parole ritenute rilevanti per caratterizzarne il contenuto • Questo elenco di parole o keywords viene comunemente rappresentato come un vettore • Il vettore ha tante dimensioni quanti sono i termini indice (se V è il vocabolario, n=|V|) • Se vj(w1,w2..wn) è il vettore estratto dal documento j, wi indica la presenza o assenza del termine i nel documento. A seconda del modello di IR utilizzato, wi è un booleano o un reale. di=(..,..,…after,..attend,..both,..build,.before, ..center, college,…computer,.dinner,………..university,..work) Operazioni sui testi • La fase di trattamento dei testi ha come scopo individuare gli elementi caratterizzanti un testo, e generare una rappresentazione formale (in genere un vettore). • Il trattamento può essere da molto semplice a molto complesso: – Tokenizzazione: identificazione dei singoli elementi (parole, spazi, punteggiatura..) – Lemmatizzazione: identificazione della radice dei termini (vadano andare) – Identificazione di stringhe terminologiche (consiglio di amministrazione) nomi propri (Presidente Giorgio Napolitano), date e numeri (3-06-08 , 3 giugno 2008..) – Analisi strutturale (sintassi) e semantica (piano pianoforte /progetto/ripiano/piano di edificio..) Operazioni sui testi Spaziature, accenti Doc. stopwords lemmatizzazione Estrazione indici Operazioni+ complesse struttura Struttura Full text (parag, titoli, tags html XML...) Nomi propri, semantica Termini indice 1.Identificazione delle keywords o “tokens” rilevanti 2.Definizione di una struttura di memorizzazione dei documenti efficiente ai fini del recupero Tokenizzazione • Un testo va trasformato in una lista di elementi significativi detti token. • A volte, la punteggiatura, i numeri, e la differenza fra maiuscole e minuscole possono essere elementi significativi. Anche le etichette html (o xml) possono o meno essere eliminate. • Generalmente, più superficiale è l’analisi del testo, più dettagli vengono eliminati. • L’approccio più semplice –quello usato dai motori di ricerca- consiste nell’ignorare numeri e punteggiatura e considerare solo stringhe contigue di caratteri alfabetici come tokens. Tokenizzazione di simboli HTML • Cosa fare del testo racchiuso nei comandi html che tipicamente non vengono visualizzati? Alcune di queste stringhe sono indicative del contenuto del testo: – Le parole contenute negli URLs (www.acquistionline.it) – Le parole contenute nei “meta testi” delle immagini. <meta name=“description” content=“gli sfondi di Vincent Van Gogh per il vostro Desktop”> • L’approccio più semplice esclude dalla tokenizzazione tutte le informazioni contenute fra tag HTML (fra “<“ e “>”). Tipi di documenti Documenti Stringhe di testo (per le query digitate da tastiera) Documenti su files Files Testo (ASCII files) Files HTML (HTML files) Documenti web: immagini, audio, filmati, ma anche sofware, dati strutturati.. Stopwords • Tipicamente vengono eliminate parole ad elevata frequenza in un linguaggio, dette stopwords (es. parole funzionali, in inglese: “a”, “the”, “in”, “to”; o pronomi: “I”, “he”, “she”, “it”, ecc.). • Le Stopwords sono ovviamente dipendenti dalla lingua. Vector Space Retrieval (VSR) utilizza un set standard di circa 500 parole inglesi. • http://bll.epnet.com/help/ehost/Stop_Words.htm • Le stringhe di stopwords vengono memorizzate in una hashtable per essere riconosciute in tempo costante. Stemming • Si intende per stemming il processo di riduzione di un termine al lemma o alla radice, in modo da riconoscere variazioni morfologiche della stessa parola. – “comput-er”,“comput-ational”, “comput-ation” “compute” • L’analisi morfologica è specifica di ogni lingua, e può essere molto complessa (ad esempio in Italiano ben più che in Inglese) • I sistemi di stemming più semplici si limitano ad identificare suffissi e prefissi e ad eliminarli. Porter Stemmer • E’ una procedura semplice, che iterativamente riconosce ed elimina suffissi e prefissi noti senza utilizzare un dizionario (lemmario). • Può generare termini che non sono parole di una lingua: – “computer”, “computational”, “computation” diventano tutti “comput” • Vengono unificate parole che in effetti sono diverse (matto e mattone) • Non riconosce deviazioni morfologiche (vado e andiamo). • http://www.mozart-oz.org/mogul/doc/lager/porterstemmer/ Errori del Porter Stemmer • Errori di “raggruppamento”: – – – – organization, organ organ police, policy polic arm, army arm matto, mattone matt • Errori di “omissione”: – cylinder, cylindrical – create, creation – Europe, European • Operazioni più complesse sui testi Analisi morfosintattica – I have been be • Analisi dei Nomi Propri, date, espressioni monetarie e numeriche, terminologia – Medical Instrument inc – April 15th, 2003. 15-4-03… – 5 millions euros – Consiglio di amministrazione, week end, .. • Analisi della struttura del testo – Es: I termini nel titolo o nei paragrafi hanno un peso maggiore, i termini in grassetto o sottolineati.. • Analisi semantica: associare a parole singole o a porzioni di testo dei concetti di una ontologia o dizionario semantico (..più avanti nel corso) is_a – “L’albergo dispone di piscina..” swimming_pool hotel_facility – “L’albergo si trova a Corvara..” Val_Badia Dolomiti .. is_in Strumenti per l’analisi morfosintattica di testi • Treetagger • On-line version su: http://www.cele.nottingham.ac.uk/~ccztk/treetagg er.php • Supporta diverse lingue (inglese tedesco italiano..) • Analisi delle parti del discorso e analisi dei gruppi sintattici (gruppi nominali, verbali, preposizionali..) Sir Timothy John Berners-Lee OM KBE FRS FREng FRSA (born 8 June 1955) is an computer scientist and MIT professor credited with inventing the World Wide Web. On 25 December 1990 he implemented the first successful communication between an HTTP client and server via the Internet with the help of Robert Cailliau and a young student staff at CERN. He was ranked Joint First alongside Albert Hofmann in The Telegraph’s list of 100 greatest living geniuses.[2] Berners-Lee is the director of the World Wide Web Consortium (W3C), which oversees the Web’s continued development, the founder of the World Wide Web Foundation and he is a senior researcher and holder of the 3Com Founders Chair at the MIT Computer Science and Artificial Intelligence Laboratory (CSAIL). POS tagging & chunking Sir/NNP Timothy/NNP John/NNP Berners-Lee/NNP OM/NNP KBE/NNP FRS/NNP FREng/NNP FRSA/NNP (/( born/VBN 8/NNP June/NNP 1955/CD )/) is/VBZ an/DT computer/NN scientist/NN and/CC MIT/NNP professor/NN credited/VBN with/IN inventing/VBG the/DT World/NNP Wide/JJ Web/NN ./. On/IN 25/CD December/NNP 1990/CD he/PRP implemented/VBN the/DT first/JJ successful/JJ communication/NN between/IN an/DT HTTP/NNP client/NN and/CC server/NN via/IN the/DT Internet/NNP with/IN the/DT help/NN of/IN Robert/NNP Cailliau/NNP and/CC a/DT young/JJ student/NN staff/NN at/IN CERN/NNP ./. He/PRP was/VBD ranked/VBN Joint/NNP First/JJ alongside/IN Albert/NNP Hofmann/NNP in/IN The/DT Telegraph's/NNP list/NN of/IN 100/CD greatest/JJS living/VBG geniuses/NNS ./. [/( 2/CD ]/) Berners-Lee/NNP is/VBZ the/DT director/NN of/IN the/DT World/NNP Wide/JJ Web/NNP Consortium/NNP (/( W3C/NNP )/) ,/, which/WDT oversees/VBZ the/DT Web's/NNP continued/VBD development/NN ,/, the/DT founder/NN of/IN the/DT World/NNP Wide/JJ Web/NN Foundation/NN and/CC he/PRP is/VBZ a/DT senior/JJ researcher/NN and/CC holder/NN of/IN the/DT 3Com/NNP Founders/NNPS Chair/NN at/IN the/DT MIT/NNP Computer/NNP Science/NNP and/CC Artificial/NNP Intelligence/NNP Laboratory/NNP (/( Terminology (multi-word) extraction Sir Timothy John Berners-Lee compu ter scientist MIT professor World Wide Web HTTP client Robert Cailliau Joint First Albert Hofmann greatest living geniuses World Wide Web Consortium (W3C) World Wide Web Foundat ion senior researcher 3Com Founders C hair MIT Compu ter Science and Artificial Intelligence Laboratory (CSAI L) 2. Indicizzazione dei documenti • Come identificare i documenti che contengono le stesse parole della query? • Una semplice alternativa consiste nello scandire l’intero testo sequenzialmente • Una opzione migliore è quella di costruire strutture di dati chiamate indici per velocizzare la ricerca Indicizzazione: come memorizzare e recuperare i documenti rappresentati mediante keywords • Tecniche di indicizzazione: – Inverted files – Array di suffissi – Signature files Notazione • n: il numero di tokens nel testo (tokens: output del processo tokenizzazione - stopwordsstemming) • m: lunghezza di un vettore • V: taglia del vocabolario (quante parole diverse) • M: memoria a disposizione Inverted Files • Definizione: un inverted file è un meccanismo orientato alla manipolazione di parole, per indicizzare una collezione di documenti in modo da velocizzare il processo di ricerca. • Struttura di un inverted file: – Vocabolario: l’insieme di parole diverse nel testo (NOTA: la taglia di V dipende dalle operazioni effettuate sui testi) – Occorrenze: liste che contengono tutte le informazioni necessarie per ogni parola del vocabolario (posizione nel testo, frequenza, documenti nei quali appaiono, ecc.) Esempio Posizione dei caratteri • Testo: 1 6 12 16 18 25 29 36 40 45 54 58 66 70 That house has a garden. The garden has many flowers. The flowers are beautiful • Inverted file Vocabolario beautiful Occorrenze 70 flowers 45, 58 garden 18, 29 house 6 Le occorrenze identificano la posizione del termine nel testo Spazio di memoria • Lo spazio necessario per memorizzare il vocabolario non è eccessivo. Secondo la legge di Heap il vocabolario cresce come O(n), dove è una costante compresa fra 0.4 e 0.6 nei casi reali • Viceversa, le occorrenze richiedono uno spazio molto maggiore. Poiché vi è un riferimento per ogni occorrenza della parola nel testo, lo spazio necessario è O(n) per ogni riga. • Per ridurre lo spazio necessario, si può utilizzare una tecnica detta indirizzamento di blocco (block addressing) Indirizzamento di blocco • Il testo viene suddiviso in blocchi • Le occorrenze puntano ai blocchi in cui appare la parola • Vantaggi: – Il numero dei puntatori di blocco è minore del numero dei puntatori di posizione – Tutte le occorrenze di una parola all’interno di uno stesso blocco hanno un solo puntatore • Svantaggi: – Se è richiesta l’identificazione esatta del termine, è necessario scandire “online” i blocchi di interesse Esempio • Testo: Block 1 Block 2 Block 3 Block 4 That house has a garden. The garden has many flowers. The flowers are beautiful • Inverted file: Vocabolario Occorrenze beautiful 4 flowers 3 garden 2 house 1 In alcuni modelli IR vengono memorizzate solo le coppie Dk,tfik Dj, tfj Termini indice df computer 3 D7, 4 database 2 D1, 3 4 D2, 4 1 D5 , 2 science system Lista delle Occorrenze File Indice dfi = numero di documenti in cui compare il termine ti tfik = frequenza del termine ti nel documento Dk Ricerca su inverted indexes • L’algoritmo di ricerca basato su indici inversi opera in tre fasi successsive: – Ricerca nel vocabolario: le parole presenti nella query vengono ricercate nel vocabolario – Recupero delle occorrenze: viene estratta la lista delle occorrenze di tutte le parole incluse nella query e presenti nel vocabolario – Manipolazione delle occorrenze: la lista delle occorrenze viene elaborata, per generare una risposta alla query Ricerca su inverted indexes(2) • La ricerca parte sempre dal vocabolario, che dovrebbe essere memorizzato separatamente • I vocabolari vengono memorizzati in strutture di tipo hashing, tries o B-trees • Alternativamente, le parole possono essere memorizzate in ordine alfabetico (si risparmia in spazio, maggior tempo di ricerca) Costruzione del vocabolario • Il vocabolario viene generato scandendo i testi del repository • Vengono effettuate operazioni preliminari sui testi, di cui abbiamo parlato, al fine di limitare la taglia del vocabolario (stemming e stop words) • Ad ogni parola del vocabolario, quale che sia la struttura dati utilizzata, viene associata la lista delle occorrenze nei documenti • Ogni parola incontrata in un testo viene prima cercata nel vocabolario: se non viene trovata, viene aggiunta al vocabolario, con una lista inizialmente vuota di occorrenze. Costruzione del vocabolario (2) • Una volta che si siano esaminati tutti i testi, il vocabolario viene memorizzato con la lista delle occorrenze. Vengono generati due files: – Nel primo file, vengono memorizzate in locazioni contigue le liste delle occorrenze – Nel secondo file, il vocabolario è memorizzato in ordine lessicografico (alfabetico), e viene generato per ogni parola un puntatore alla sua lista di occorrenze nel primo file. • L’intero processo ha un costo O(n) nel caso peggiore. La ricerca (binaria) ha un costo O(logn) Memorizzazione del vocabolario in un trie 1 6 12 16 18 25 29 36 40 45 n. ordine dei caratteri 54 58 66 70 That house has a garden. The garden has many flowers. The flowers are beautiful beautiful:70 b ... flowers:45 f ... h g garden:18,29 has: 12,36 a o house: 6 Modelli strutturati del testo • La ricerca e indicizzazione per parole-chiave considera il documento come una struttura piatta • Se cerco “consiglio di amministrazione” potrei trovare documenti in cui queste parole compaiono ma non sono correllate • Inoltre, il peso di una parola è lo stesso sia che la parola compaia nel testo che, ad es. nel titolo Modelli strutturati (2) • Definizioni: – Match point: la posizione nel testo in cui occorre una parola o sequenza di parole – Regione: una porzione contigua di testo (frase, paragrafo..) – Nodo: un componente strutturale del testo, ad esempio un capitolo, una sezione.. NODO Esempio MATCH POINT REGIONE Abstract—The so-called Semantic Web vision will certainly benefit from automatic semantic annotation of words in documents. We present a method, called structural semantic interconnections (SSI), that creates structural specifications of the possible senses for each word in a context, and selects the best hypothesis according to a grammar G, describing relations between sense specifications. The method has been applied to different semantic disambiguation problems, like automatic ontology construction, sense-based query expansion, disambiguation of words in glossary definitions. Evaluation experiments have been performed on each disambiguation task, as well as on standard publicly available word sense disambiguation test sets. Proximal Nodes • Il testo viene rappresentato con una struttura gerarchica • Gli indici vengono definiti mediante gerarchie multiple • Ogni struttura di indicizzazione è una gerarchia composta da: capitoli, sezioni, sottosezioni, paragrafi, linee • Ognuno di questi componenti è un NODO • Ad ogni nodo è associata una regione di testo Proximal Nodes Capitolo Sezione Sottosezione Paragrafo consiglio 10 256 48,324 Proximal Nodes • Ogni nodo può essere contenuto in un altro nodo • Due nodi sullo stesso livello non si possono sovrapporre • L’informazione fornita dagli inverted indexes complementa quella degli indici gerarchici Proximal Nodes • E’ possibile fare query del tipo: (*sec tion)with(( semantic )and (annotation )) Trova una sezione in cui compaiono le parole semantic e annotation • Le query sono espressioni regolari, è possibile cercare stringhe e far riferimento a componenti strutturali Conclusioni sui metodi di archiviazione-indicizzazione • Il meccanismo inverted file è il più adeguato nel caso di archivi testuali statici • Altrimenti, se la collezione è volatile (ad esempio il web) la sola opzione è una ricerca online (Spiders, nel seguito di questo corso). • In questo caso i metodi di trattamento dei testi devono essere semplici per garantire rapidità (li vedremo nella seconda parte: Web information retrieval) 3. Metodi di Ranking: Come ordinare i documenti per “rilevanza” rispetto ad una query Ranking • Supponiamo di avere a disposizione una visione logica, e questa sia data da un insieme di parole-chiave o keywords. • Un banale matching di parole chiave fra documenti e query spesso fornisce risultati modesti, gli utenti sono insoddisfatti. • Inoltre, spesso gli utenti non sono in grado di esprimere i loro interessi mediante un elenco appropriato di keywords • Il problema è resto più grave se siamo nell’ambito Web IR • Un ranking appropriato dei documenti ha un effetto notevole sulle prestazioni (vedi i motori di ricerca) Una tassonomia dei modelli di ranking Teoria degli insiemi Modelli Classici U s e r T a s k Retrieval: Ad-hoc Filtering booleano vettoriale probabilistico Modelli strutturali Non-Overlapping Lists Proximal Nodes Browsing Browsing Flat Structure Guided Hypertext Fuzzy Extended Boolean Algebrici Generalized Vector Lat. Semantic Index Neural Networks Probabilistici Inference Network Belief Network Modelli “classici”: concetti base • Non tutti i termini sono ugualmente importanti per la rappresentazione di un testo (o query). Nella selezione di termini indice è importante assegnare un peso di rilevanza alle varie parole. • L’importanza di un termine indice è rappresentata da un valore che ad esso viene associato • Sia – ki un termine indice – dj un documento della collezione – wij un peso associato a (ki,dj) • Il peso wij quantifica l’importanza dell’indice ki per descrivere il contenuto del documento Modelli “classici”: concetti base (2) – – – – – – – ki è un termine indice dj è un documento N è il numero totale di documenti in D K = (k1, k2, …, kt) è l’insieme dei termini indice t=|K| è la taglia del vocabolario wij >= 0 è un peso associato con (ki,dj) wij = 0 indica che un termine non appartiene al documento – v(dj) =dj=(w1j, w2j, …, wtj) è un vettore pesato associato a dj – gi(dj) = wij è una funzione che restituisce il peso associato alla coppia (ki,dj) Modelli basati sulla teoria degli insiemi: Modello Booleano • Un modello molto semplice basato sulla set theory • Le query vengono rappresentate mediante espressioni booleane – La semantica è precisa – Il formalismo è elegante – q = ka (kb kc) Es: (automobili (vendita fabbricazione) • I termini sono presenti o assenti. • Dunque, wij {0,1} Esempio • q = ka (kb kc) • Forma normale disgiuntiva (DNF): ka kb ka k c • Trasformazione della query in componenti congiuntivi qDNF (1,1,0) (1,1,1) (1,0,0) qcc componenti congiuntivi Modello Booleano ka kb (1,0,0) (1,1,0) (1,1,1) • q = ka (kb kc) 1 se q (q q cc cc DNF )(ki qcc ,gi (d j )gi (qcc ) sim(d j ,q) 0 altrimenti kc sim=1 se esiste almeno un componente congiuntivo della query per il quale il peso delle relative keywords nel documento è lo stesso del componente congiuntivo. Esempio • Query: golf(automobile abbigliamento) • qcc1:golf,automobile,abbigliamento (1,1,1) qcc2:golf,automobile, abbigliamento (1,1,0) qcc3: golf, automobile, abbigliamento (1,0,0) • d1:Scheda dettagli tecnici Volkswagen GOLF 2004 automobili usate a Arezzo:diesel,cambio manuale,.. • d2: Negozio on-line specializzato nella vendita di attrezzatura, accessori e abbigliamento delle migliori marche per la pratica del gioco del golf .. • d3: L'azienda Newmar produce da anni una sua linea di golf in cachemire e capi di abbigliamento di alta qualità • Per d1, i pesi delle parole: golf, automobile e abbigliamento coincidono con qcc2: (1,1,0), invece per d2 e d3 i pesi non coincidono con nessuna delle qcc della query, perché i pesi delle tre parole sono, per entrambi i documenti: (1,0,1) Problemi del modello Booleano • Il retrieval è basato su criteri di decisione binari, non esiste la nozione di corrispondenza parziale • Non viene fornito un ordinamento parziale dei documenti (non c’è ranking), poiché sim vale 0 o 1!! • Gli utenti non esperti trovano difficile trasformare le loro richieste informative in una espressione booleana • Gli utenti formulano spesso query booleane troppo semplicistiche (congiunzioni di termini) • Di conseguenza, le query booleane restituiscono o troppo pochi (silenzio) o troppi (rumore) documenti Modello vettoriale • Definisci: – wij > 0 ogni volta che ki dj – wiq 0 associato alla coppia (ki,q) – d j= (w1j, w2j, ..., wtj) q = (w1q, w2q, ..., wtq) – Ad ogni termine ki è associato un vettore unitario i 1 – I vettori unitari i e j si assumono essere ortonormali (Cioè si assumono occorrere indipendentemente l’uno dall’altro nei documenti) • I t vettori unitari formano una base ortonormale in uno spazio t-dimensionale • In questo spazio, query e documenti sono rappresentati mediante vettori pesati Lo spazio vettoriale Lo spazio ha una dimensionalità pari al numero di termini nel vocabolario. t3 d1 d2 t2 t1 Rappresentazione grafica Esempio: D1 = 2T1 + 3T2 + 5T3 D2 = 3T1 + 7T2 + T3 Q = 0T1 + 0T2 + 2T3 T3 5 D1 = 2T1+ 3T2 + 5T3 Q = 0T1 + 0T2 + 2T3 2 3 T1 D2 = 3T1 + 7T2 + T3 T2 7 • E’ D1 o D2 + simile a Q? • Come misurare il grado di similarità? Nota: i coefficienti wij qui sono le frequenze dei termini Ti nei documenti Misura della similarità del coseno t3 • Si misura il coseno dell’angolo fra due vettori. • Il prodotto scalare (al numeratore) è normalizzato con la lunghezza dei vettori. t dj q CosSim(dj, q) = dj q ( wi j wi q) i 1 t t 2 2 w i j wi q t2 i 1 i 1 1 D1 2 Q D2 D1 = 2T1 + 3T2 + 5T3 CosSim(D1 , Q) = 10 / (4+9+25)(0+0+4) = 0.81 D2 = 3T1 + 7T2 + 1T3 CosSim(D2 , Q) = 2 / (9+49+1)(0+0+4) = 0.13 Q = 0T1 + 0T2 + 2T3 D1 è 6 volte migliore di D2 usando la misura del coseno. t1 Similarità nel modello vettoriale j dj q i t dj q sim(dj,q) dj q wi, j wi,q t i1 t 2 2 (wi, j ) (wi,q ) i1 i1 cos Pesatura dei termini nel modello vettoriale • Una misura del peso di un termine in un documento deve tenere conto di due fattori : – Quantificazione del peso che il termine ha nel freqi, j documento: tf (i, j) max freqk, j • Fattore tf (term frequency) k – Quanto il termine aiuta a discriminare il documento dj dagli altri documenti in D • Fattore idf (inverse document frequency) Dove: N numero di doc. nella collezione, ni numero N dei documenti in cui il termine ki appare idfi log ni – wij = tf(i,j) * idf(i) Pesatura tf- idf • Il peso di un termine in un documento è tanto più alto quanto più il termine ricorre molte volte nel documento, e invece ricorre poco negli altri documenti della collezione • Tf viene normalizzato per non penalizzare documenti corti • Anche idf viene normalizzato Peso dei termini nella query • Salton e Buckley suggeriscono: 0,5 freqi,q N wi,q 0,5 log max ( freqk,q ) ni k Vantaggi e svantaggi del modello vettoriale • Vantaggi: – Il peso dei termini migliora la qualità delle risposte – Poiché possono verificarsi matching parziali fra documenti e query, è possibile ottenere risposte che approssimino le richieste dell’utente – La formula del coseno dell’angolo consente di ordinare i documenti rispetto al grado di similarità con la query • Svantaggi: – Si basa sull’assunzione che i termini siano fra loro indipendenti. Ma non è provato che questo sia un vero svantaggio.. Il modello vettoriale: Esempio I k2 k1 d2 d4 idf(k1)=log(7/5)=0,146 idf(k2)=log(7/4)=0,243 idf(k3)=log(7/3)=0,367 d7 d6 d5 d3 d1 “coincidenze” k3 tf d1 d2 d3 d4 d5 d6 d7 k1 1 1 0 1 1 1 0 k2 0 0 1 0 1 1 1 k3 1 0 1 0 1 0 0 q 1 1 1 q dj 2 1 2 1 3 2 1 Esempio 1 (continua) • Calcolo sim(d1,q): • w1,1=10,145=0,145 w2,1=0 w3,1=0,367 • w1,q= (0,5+0,5 1) 0,145=0,145 w2,q=0,243 w3,q=0,367 sim(d1,q) 0,145 0,145 0,367 0,367 0,1452 0,3672 0,1452 0,2432 0,3672 0,85 Il modello vettoriale: Esempio 2 k2 k1 d7 d6 d2 d4 d5 d1 d3 k3 d1 d2 d3 d4 d5 d6 d7 k1 1 1 0 1 1 1 0 k2 0 0 1 0 1 1 1 k3 1 0 1 0 1 0 0 q 1 2 3 q dj 4 1 5 1 6 3 2 Il modello vettoriale: Esempio 3 k2 k1 d7 d6 d2 d4 d5 d1 d3 k3 d1 d2 d3 d4 d5 d6 d7 k1 2 1 0 2 1 1 0 k2 0 0 1 0 2 2 5 k3 1 0 3 0 4 0 0 q 1 2 3 q dj 5 1 11 2 17 5 10 Extended Boolean Model • Il modello booleano è semplice ed elegante • Ma non consente ranking • Il modello booleano può essere esteso mediante la nozione di corrispondenza parziale e di pesatura dei termini • Combina le caratteristiche del modello vettoriale con le proprietà dell’algebra booleana Extended Boolean Model • Il modello extended Boolean (introdotto da Salton, Fox, e Wu, 1983) si basa su una critica di una assunzione-base dell’algebra booleana • Sia: – q = kx ky o q = kx ky la query (queri “or” oppure “and”) – wxj = fxj * idf(x) peso associato a [kx,dj] max(idf(i)) freq ( xij ) – fxj è la frequenza normalizzata di kx in dj f ( xij ) max( freq ( xkj )) xk d j – 0 wxj 1 – Inoltre, indichiamo wxj = x and wyj = y 1) OR • qor = kx ky; wxj = x and wyj = y (1,1) ky kx.ky dj+1 y = wyj dj distanza normalizzata kx ky (0,0) x = wxj x e y sono i pesi normalizzati di kx e ky in dj: dj è tanto più simile a q quanto più il punto di coord (x,y) è distante da (0,0) kx sim(qor,dj) = x 2 y2 2 • qand = kx ky; wxj = x e wyj = y AND (1,1) ky dj+1 y = wyj (0,0) dj x = wxj kx 2 2 (1 x) (1 y) Nel caso di un and, il punto sim(q , d ) 1 and j 2 ottimale è 1,1 che corrisponde a kx ky Extended Boolean Model • Se esistono t termini indice, il modello può essere esteso ad uno spazio t-dimensionale • Espressioni and-or es: (k1k2)k3 2 2 2 (1 x1 ) (1 x 2 ) 2 ( x3 ) 1 2 sim(q, d) 2