Almacenamiento y recuperación de información en la Web Recuperación de Información (IR) Parte I:...

Almacenamiento y recuperación de información en la Web

Recuperación de Información (IR)

Parte I: Introducción a IR en la WebParte II: Modelos clásicos de IRParte III: Evaluación de la recuperación


Introducción a IR en la web

Parte I


Broder, A. and Henzinger, M. 2002. Algorithmic aspects of information retrieval on the web. Handbook of Massive Data Sets, J. Abello, P. M. Pardalos, and M. G. Resende, Eds. Kluwer Academic Publishers, Norwell, MA, 3-23.

IR: Contexto

• Problema– Un usuario trata de satisfacer una determinada necesidad de

información en un conjunto de documentos• Método

– El usuario efectúa una consulta a través de un sistema de IR sobre el conjunto de documentos

• Objetivo– El sistema de IR trata de recuperar aquellos documentos

relevantes para satisfacer las necesidades de información del usuario


IR: tareas

• Sistema– Procesar la información para construir una estructura de datos interna que

permita un acceso a los docs– Procesar las búsquedas, buscar en el conjunto de documentos– Ordenar los resultados

• Per-sé• Combinados (sistemas de recomendación), etc.

• Usuario– Recuperación de documentos

• Ad hoc: Qs sobre docs estáticos• Filtrado: Qs estables sobre docs dinámicos

– Perfiles de usurario– Clasificación de docs

– Navegado


IR en la Web

• Variante moderna de la IR clásica– búsqueda en repositorios de información

• Dos grandes diferencias:– El conjunto de documentos accesibles: todas las páginas web

públicas– El objetivo: proporcionar una selección de páginas

(documentos) de calidad para el usuario

• Estas diferencias se pueden analizar desde dos puntos de vista:– Diferencias en los documentos– Diferencias en los usuarios


Web IR: diferencias respecto de los documentos, I

• Hipertexto– Los documentos web contienen enlaces ( 10/doc)– Contienen estructuras HTML– Ambas características pueden ayudar a mejorar los algoritmos de

clasificación• Heterogeneidad

– Tipos de documentos: texto, multimedia, generación dinámica, etc.– Calidad: dificulta la búsqueda– Idioma:

• Hay más de 100 idiomas diferentes en la Web, • Dificultad aplicación de técnicas (enraizado, etc.)

• Número de documentos indexados: – 1 billón de docs, crecimiento 10% mensual– (2004) Teoría de los 4 bytes 4K millones tope


Web IR: diferencias respecto de los documentos, II

• Estabilidad:– La Web se modifica constantemente (crecimiento y modificación de contenidos)– Datos: 20% de páginas se modifican a diario (Cho 1999)

• Duplicación:– Aproximadamente el 20% de los docs en la web son duplicados de otros (Broder

1997)– Basta con recuperar una de las páginas duplicadas

• Discontinuidad del texto:– En IR clásica, el texto se asume continuo– En web IR, los docs contienen enlaces, imágenes, gráficos, y carecen con

frecuencia de texto continuo.• Estadísticas: Las estadísticas sobre la popularidad de una página o una

consulta pueden servir para mejorar los algoritmos de clasificación


• Los documentos se representan como un continuo. Su vista lógica puede variar.

structure

Accentsspacing stopwords

Noungroups stemming

Manual indexingDocs

structure Full text

Index terms

Vista lógica de los documentos

Text + structure Text

Web IR: diferencias respecto de los usuarios, I

• En IR clásica: – Usuario:

• perfil de bibliotecario/investigador experto/conocedor de la materia sobre la que busca información

• efectúa consultas complejas • reformula consultas dependiendo de los

resultados


Web IR: diferencias respecto de los usuarios, II

• En web IR:– Usuarios muy heterogéneos en educación y conocimientos de la web – Búsquedas cortas e imprecisas– El 80% no usa operadores– El 85% sólo analiza los 10 primeros resultados (de miles)– El 78% no reformula las búsquedas

• (fuente: log de seis semanas en AltaVista. Silverstein 1998)– Simplificaciones de los problemas de web IR

• Variedad de herramientas: múltiples buscadores, diccionarios, tesauros, etc.• La publicación en la web sucede mucho más rápido que en los métodos clásicos.

Información en tiempo real.• Navegación: El usuario puede obtener la información buscada a través de una

página obtenida con su búsqueda


Herramientas para Web IR• Buscadores de propósito general

– Google, Yahoo, Altavista, AllTheWeb, Excite, …– Motores de búsqueda indirecta (meta-search engines) MetaCrawler,

DogPile, …• Directorios jerárquicos

– Yahoo, dmoz– Niveles jerárquicos con categorías

• Buscadores especializados– PubMed (publicaciones en medicina), robots comerciales (búsqueda

de productos, ofertas, etc. Válidos para contenidos dinámicos)• Otros paradigmas de búsqueda

– Search-by-example, filtros colaborativos, etc.


UserInterface

Text Operations

Query Operations Indexing

Searching

Ranking

Index

Text

query

user need

user feedback

ranked docs

retrieved docs

logical viewlogical view

inverted file

DB Manager Module

4, 10

6, 7

5 8

2

8

Text Database

Text

El proceso de recuperaciónTomada de http://people.ischool.berkeley.edu/~hearst/irbook/


Modelos clásicos de IR

IR: taxonomía de modelos(independiente del contexto)


Modelos IR

Index Terms Full Text Full Text +Structure

RetrievalClassic

Set TheoreticAlgebraic

Probabilistic

ClassicSet Theoretic

AlgebraicProbabilistic

Structured

Browsing FlatFlat

HypertextStructure Guided

Hypertext

LOGICAL VIEW OF DOCUMENTS

USER

TASK

Caracterización formal de los modelos de IR, I

• Un modelo de IR es una cuádrupla

• D: Conjunto de vistas lógicas (representaciones) de los docs de la colección

• Q: Conjunto de vistas lógicas de las necesidades del usuario: queries– Necesito información sobre el Ironman de Lanzarote

• European Ironman Competitions

• F: Marco para modelizar docs, queries y sus relaciones– Modelo vectorial: espacios vectoriales y álgebra– Modelo probabilístico: teoría de la probabilidad, modelos bayesianos, etc.

• Función de clasificación. Define un orden entre los docs con respecto a las queries


( , , , ( , ))i jD Q F R q d

( , )i jR q d

http://www.google.es/search?hl=es&q=European+Ironman+Competitions+&btnG=Buscar&meta=

Caracterización formal de los modelos de IR, II

• Términos: palabras clave que describen semánticamente el tema principal del doc– suelen ser nombres– verbos, adverbios, adjetivos, complementos, etc. Son menos útiles

aunque se usan en IR en la web– Llevan asociados pesos que representan la relevancia del mismo en la

colección• Ej. Colección con 100 docs

– si pertenece a 100 --> peso nulo– si pertenece a 5 --> peso alto


: /

:

: ( , )

i

j

ij i j

k indice termino

d doc

w peso k d

Caracterización formal de los modelos de IR, III

• Se asume independencia entre los pesos

– simplifica la obtención de clasificaciones de docs– existen técnicas modernas de IR basadas en correlación de términos


1, , tK k k Conjunto de todos los terminos

1 , ,j j tj jd w w pesos de terminos del doc d @@@@@@@@@@@@@@

0ij i jw si k d @@@@@@@@@@@@@@

i j ij i jg d w peso del termino k en d@@@@@@@@@@@@@@@@@@@@@@@@@@@@

1ij i jw no influye en w

Modelo Booleano I

• Booleano (Lógico)– Basado en la Tª de Conjuntos y en álgebra de Boole– Semántica precisa: devuelve los documentos que contienen al

menos un término de la búsqueda– Formalismo bien definido

• Permite el uso de los operadores lógicos and, or y not• Ejemplo

– Query q:– forma normal disyuntiva de q: – componente conjunctiva de q:

– Desventajas• Recuperación muy restrictiva basada en un criterio de selección binario

(presente/ausente)

• Cardinalidad del conjunto recuperado– Muy pequeña o muy grande


0,1ijw

1,1,1 1,1,0 1,0,0dnfq

1,1,0ccq

a b cq k k k

Modelo Booleano, IISimilaridades

(1,1,1)

(1,0,0)(1,1,0)

Ka Kb

Kc

a b cq k k k

1 | , ( ) ( )( , )

0

i i j icc cc dnf ccj

q q q k g d g qsim d q

resto

1,1,1 1,1,0 1,0,0dnfq

1,1,0ccq

Modelo Vectorial

• Considera un espacio vectorial n-dimensional con una dimensión por cada término de la búsqueda

• Cada doc o query se representa como un vector del espacio• Un término

– presente en un doc representa una componente > 0• Se admiten coincidencias parciales (pesos no binarios)

– ausente en un doc representa una componente = 0• El peso de la componente

– se incrementa con la frecuencia del término– se decrementa con el número de docs en que aparece

• Los pesos proporcionan un índice de similaridad• La clasificación final es decreciente por similaridad• Desventaja: hipótesis de independencia entre términos


Vectorial, IISimilaridad doc - q


1, ,

1, ,

, ,1

2 2, ,

1 1

( ,..., )

( ,..., )

( , ) cos

j j t j

q t q

t

i j i qj i

j t tj

i j i qi i

d w w

q w w

w wd q

sim d qd q

w w

@@@@@@@@@@@@@@

@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@

@@@@@@@@@@@@@@@@@@@@@@@@@@@@

Vectorial, IIIDeterminación de pesos

• Obtención de pesos de documentos y queries– C = Conjunto de documentos– A = Clase de docs descritos por la query– Cuestiones a resolver en un problema de clasificación:

• Determinación de las características que mejor describen los objetos en A

– similaridad intra-cluster• Determinación de las características que mejor diferencian los

objetos en A de los que permanecen en C– disimilaridad inter-cluster

– Los métodos algorítmicos más comunes tratan de llegar a un balance entre ambas

• Esquema tf - idf


cA

Vectorial, IVClasificación similaridades

• Factor tf (term frequency)– Similaridad intra-cluster– Se cuantifica midiendo la frecuencia de

un término en un documento– Representa una medida de la bondad de

representación de un doc por un término

• Factor idf (inverse doc frequency)– Disimilaridad inter-cluster– Se cuantifica midiendo el inverso de la

frecuencia de un término entre los docs de la colección

– Los términos que aparecen en múltiples docs no suelen ser útiles para distinguir docs relevantes de los no relevantes


i i

i,j i j

i,ji j

l,j

i j

j

N: Total de docs en el sistema

n : Docs con termino k

freq : frecuencia de k en d

freqk d

max freq

0 k d

El max se calcula para todos los terminos del doc d

ij lf

i i

i

N: Total de docs en el sistema

n : Docs con termino k

logni

Nidf

Vectorial, VEjemplo esquema tf-idf

• Query q– “gold silver truck”

• D1 – “Shipment of gold damaged in a fire”

• D2– ”Delivery of silver arrived in a silver truck”

• D3– ”Shipment of gold arrived in a truck”

,

,

log logmax

i jij ij j ij

i il l j

freqN Nw tf idf f

n nfreq


Vectorial, VIIEsquema Salton-Buckley (1988)

• Pesos de los términos en las búsquedas

i,q

il,q

0,5·freq N0,5

max freqij

l

w Logn

2

1

( 1)·

( 1)·

ij jij t

ij jj

Log tf idfw

Log tf idf


Salton G, Buckley C. Term-weighting approaches in automatic retrieval. Information Processing & Management, 24(5): 513-523, 1988.

Vectorial, VIIIOtras medidas de Similaridad doc-term


1

( , )t

i qj ijj

SC Q D w w

1

2 2

1 1

2

( , )

t

qj ijj

i t t

ij qjj j

w w

SC Q Dw w

1

2 2

1 1 1

( , )

t

qj ijj

i t t t

ij qj qj ijj j j

w w

SC Q Dw w w w

Coeficiente de Similaridad Estándar

Coeficiente de Similaridad deDice

Coeficiente de Similaridad deJaccard

Introducción, I

• [Robertson-Sparck Jones] Relevance Weighting of Search Terms. Jrnl. of the American Society for Information Science. (Mayo 1976)

• Fundamentos– Trata de recuperar el conjunto ideal R de docs relevantes para una

consulta q, el cual se asume que existe como subconjunto del total– La consulta del usuario, q, se interpreta como una especificación de las

propiedades de este conjunto ideal de respuesta– R se obtiene mediante una estimación inicial, mejorando a posteriori

mediante refinamientos del usuario• El usuario inspecciona los docs buscando los relevantes (en la práctica sólo

se inspeccionan los top 10-20)• Se espera que el conjunto respuesta ideal vaya mejorando en sucesivos

refinamientos


El Principio Probabilidad de Ranking [Robertson, 1977]

• Proposición: La recuperación óptima se alcanza cuando, para una consulta dada, los documentos se ordenan de forma decreciente de acuerdo a una probabilidad de relevancia.– El modelo asume que existe un subconjunto ideal (R) de todos los docs

preferidos por el usuario para una q.– El modelo trata de encontrar dicha probabilidad de relevancia para

una q y cada doc de la colección, la cual debe ser la máxima posible.– La probabilidad de relevancia se obtiene a partir de las probabilidades

de los términos de una q que aparecen en un documento.• Si el término A está presente en q y en el doc D, existe una probabilidad de que el

doc sea relevante para dicha q• Esta hipótesis, extendida al resto de términos y suponiendo independencia entre

ellos, proporciona la probabilidad de relevancia como el producto de los pesos de cada término

Robertson, SE. The probability Ranking Principle in IR. Jrnl. Of Documentation 33. 1977.


Modelos clásicos: clasificación• En función de los parámetros de aprendizaje

– Aprendizaje basado en la query• Modelo probabilístico de Spark-Jones Binary Independence Retrieval Model (BIR).

– Aprendizaje basado en el documento• Juicios de relevancia para cada documento a partir de un conjunto de queries.• Binary Independence Indexing Model (BII)

– Aprendizaje basado en la descripción• Introduce el concepto de descripcion de relevancia.• Contiene valores de ciertas características de los objetos a considerar (docs, términos, queries)• Darmstadt Indexing Approach.

• En función de la naturaleza de las hipótesis realizadas– Aproximaciones orientadas al modelo

• Hipótesis de independencia sobre los elementos representados (BIR)

– Aproximaciones orientadas a la descripción: entrenamiento de funciones de clasificación a partir de representaciones consulta-doc y sus juicios de relevancia.

• Retrieval with probabilistic indexing model (RPI)

• En función de la representación de doc y queries– Optimización de la calidad de recuperación fijada la representación (BIR)– Modelos con representaciones más precisas de queries y docs


Binary Independence Retrieval Model (BIR)Robertson-Spark Jones 1976

• Trata de estimar la probabilidad de que dm sea calificado relevante respecto a qk:

• Hipótesis de clases: Los términos se distribuyen de manera diferente en los docs relevantes y no relevantes [Rijsbergen y Jones 1976]

• Hipótesis de términos de la consulta: Toda consulta se compone únicamente de un conjunto de términos del total.


( | , )k mP R q d

• Hipótesis Independencia– I1: La distribución de términos en docs relevantes es

independiente y la distribución en todos los docs también– I2: La distribución de términos en docs relevantes es

independiente y la distribución en los docs no relevantes también

• Hipótesis de orden– O1: La probabilidad de relevancia se fundamenta sólo en la

presencia de términos de búsqueda en los documentos– O2: La probabilidad de relevancia se fundamenta tanto en la

presencia de términos de búsqueda en los documentos como en su ausencia


Binary Independence Retrieval ModelRobertson-Spark Jones 1976

BIR ModelClasificación, I


( | )

( | )

j

j

Sean:

R: conjunto de docs relevantes (conocido o estimado)

R: conjunto de docs no relevantes

Definimos:

P R d P de que un documento dado es relevante para q

P R d P de que un documento dado n

@@@@@@@@@@@@@@

@@@@@@@@@@@@@@

( | )

( | )

i i

i i

o es relevante para q

P k R P de que k esté en un doc escogido aleatoriamente de R

P k R P de que k no esté en un doc escogido aleatoriamente de R

P(R) P de que un doc escogido aleatoriamente de la colección sea de R

P( R ) P de que un doc escogido aleatoriamente de la colección no sea de R

BIR ModelClasificación, II


( ) 1 ( ) 0

( ) 1 ( ) 0

( ) 1 ( ) 0

( | ) ( | ). ( ) ( | )( , )

( | ) ( | ). ( ) ( | )

( | )· ( | )( | ) ( | )

( | )· ( | ) ( | ) ( | )i j i j

i j i j

i j i j

j j jj

j j j

i ig d g d i i

g d g di i i ig d g d

P R d P d R P R P d Rsim d q

P R d P d R P R P d R

P k R P k RP k R P k R

P k R P k R P k R P k R

@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@

@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@

( | ) ( | ) ( | ) ( | )· log log

1 ( | ) 1 ( | )( | ) 1 ( | )

( | ) ( | )

i ji j i j

i i i iiq ij

t d qt d q t d qi ii i

Ti i k

P k R P k R P k R P k Rw w

P k R P k RP k R P k R

P k R P k R si t q

Bayes A priori ( ) ( )P R P R

BIR ModelCalculo de pesos de los términos, I

• Estimación inicial (sin docs recuperados. I1+O1)– Estimaciones basadas en simplificaciones

( | ) [3]

( | ) [4]

ii

i ii

VP k R

Vn V

P k RN V


( | ) 0,5 (constante) [1]

( | ) ( numero docs con . , total de docs) [2]

i

ii i i

P k R

nP k R n k N

N

• Mejora. Definimos:– V : conjunto de documentos relevantes inicialmente– Vi : subconjunto de docs relevantes que contienen ki

– Re-evaluar estimaciones

– Repetir recursivamente, mejorando en cada iteración las estimaciones

BIR ModelCalculo de pesos de los términos, II

• Dificultad:– Si V y Vi son pequeños (ej. V=1, Vi=0), [3] y [4] dan problemas. Se definen

entonces:

in

N

( | )1

( | )1

ii

i

ii i

i

nV

NP k RV

nn V

NP k RN V


0,5( | ) [5]

10,5

( | ) [6]1

ii

i ii

VP k R

Vn V

P k RN V

– Otra alternativa, más satisfactoria, consiste en añadir la fracción

BIR ModelEjemplo, I


-Los pesos son estimaciones basadas en datos de entrenamiento

- Se supone que cuando el usuario formula una q el modelo está entrenado

1 2 3Dada ( , , )q k k k• Query q

– “gold silver truck”• D1

– “Shipment of gold damaged in a fire”• D2

– ”Delivery of silver arrived in a silver truck”• D3

– ”Shipment of gold arrived in a truck”

BIR ModelEjemplo, II

pesos docs a arrived damaged delivery fire gold in of shipment silver truck

wi1 D1 1 0 1 0 1 1 1 1 1 0 0

wi2 D2 1 1 0 1 0 0 1 1 0 1 1

wi3 D3 1 1 0 0 0 1 1 1 1 0 1Frecuencia 3 2 1 1 1 3 3 3 2 1 3

wq q 0 0 0 0 0 1 0 0 0 1 1


Matriz de frecuencias términos-documentos

BIR ModelDesventajas

• Desventajas de modelo– Necesidad de separar inicialmente docs relevantes y no

relevantes.– Pesos binarios. No se considera la frecuencia de los

términos en los docs.– Hipótesis de independencia entre términos. No está claro

que sea una mala opción.


Almacenamiento y recuperación de información en la Web Recuperación de Información (IR) Parte I:...

Documents

Transcript of Almacenamiento y recuperación de información en la Web Recuperación de Información (IR) Parte I:...