5. information retrieval · 3 5.1 information retrieval § information retrieval ist ein fachgebiet...

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

D ata Engineering / K apitel 5: In form ation R etrieval

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

© JM C 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 Lucene als 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 tntn tntn tntntntn tn tn tn tn tn

tn tntntntn

fpfp fp fp

tptpfn 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= # relevanter Dokumente im Ergebnis

# Dokumente im Ergebnis


15

Literatur

§ C. D. Manning, P. Raghavan, H. Schütze:Introduction to Information Retrieval,Cambridge University Press, 2008[PDF]

§ W. Bruce Croft, D. Metzler, T. Strohman:Search Engines – Information Retrievalin Practice, Pearson Education, 2010[PDF]

D ata Engineering / K apite l 5: Inform ation R etrieval

http://nlp.stanford.edu/IR-book/pdf/irbookprint.pdf

http://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 längst mögliches 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 AlgorithmusHe is the author of the multi-volume work The Art of Computer Programming. He contributed to the development of the rigorous analysis of the computational complexity of algorithms and systematized formal mathematical techniques for it. In the process he also popularized the asymptotic notation. In addition to fundamental contributions in several branches of theoretical computer science, Knuth is the creator of the TeX computer typesetting system, the related METAFONT font definition language and rendering system, and the Computer Modern family of typefaces.

He is the author of the multi volum work The Art of Comput Program He contribut to the develop of the rigor analysi of the comput complex of algorithm and systemat formal mathemat techniqu for it In the process he also popular the asymptot notat In addit to fundament contribut in sever branch of theoret comput scienc Knuth is the creator of the TeX comput typeset system the relat METAFONT font definit languag and render system and the Comput Modern famili of typefac

Quelle: https://en.wikipedia.org/wiki/Donald_Knuth


24

Porters Algorithmus§ Implementierung unter

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

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


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

http://9ol.es/porter_js_demo.html

25

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)


26

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

dass für natürlichsprachliche 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

Q uelle: http://en.w ik ipedia.org

f(w) Ã 1r(w) –

mit – ¥ 1


27

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


28

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)


29

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


30

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


31

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


32

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 gaimand1 1 0 0 1d2 1 1 1 0d3 0 1 1 1d4 0 1 1 0d5 0 0 1 1


33

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)


34

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


35

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

Information Retrieval, Cambridge University Press, 2008(Kapitel 1 & 2)

[2] W. B. Croft, D. Metzler, T. Strohman:Search Engines – Intelligent IR in Practice,Pearson, 2010(Kapitel 1 & 4)

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


http://www.theatlantic.com/magazine/archive/1945/07/as-we-may-think/303881/

5. information retrieval · 3 5.1 information retrieval § information retrieval ist ein fachgebiet...

Documents