Principi di Information Retrieval

(1)

Basi di Dati Multimediali -Università di Siena

Principi di Information Retrieval

Marco Gori

II Ciclo 2002

(2)

'DWD%DVHV

❚

7HRULDVROLGD H SDFFKHWWL VZ PROWRDIILGDELOL

❚

,O UHFRUG³LPSLHJDWR´

❙

VRFLHWjFRGILVFFRJQRPHLQGLUL]]RFLWWjVWDWR

❚

2SHUDWRULVHOHFWLRQSURMHFWLRQFDUWHVLDQ

SURGXFWMRLQXQLRQ

❚

%DVLGDWLDGRJJHWWL

Basati su

schema

Centrati su

operatori

relazionali

Si sfrutta

paradigma

(3)

4XDOL 'DWL"

❚

1RQIRUPDWWDWL O¶RSSRVWR GHL '% UHOD]LRQDOL

❙

'DWL WHVWXDOLDUWLFROL VFLHQWLILFLSDJLQHGLTXRWLGLDQL

❙

3DJLQH:HE+70/;0/

❙

'DWL QRQWHVWXDOLLPPDJLQLJUDILFLYRFHYLGHR

❚

/¶HVSORVLRQH GL LQWHUHVVH RJJL:::VHDUFKHQJLQHVHV

*RRJOH

$OWDYLVWD +RW%RW

Semi-strutturati

Senza

tags,

plain text

crawler

_Index

_interface

query

User

queries

(4)

(VHPSL

❚

_{Gli stessi principi in contesti applicativi diversi:}

❙

Ricerca di articoli, libri in digital libraries

❙

World wide web: tecnologie dei motori di ricerca

❙

Enciclopedie elettroniche (online o CDROM)

❙

Manuali elettronici on-line

❙

Ricerca di informazione visuale (persone, ecc...)

(5)

Query = commedia

grep

Linee riconosciute

dal file

$ grep commedia input-file1 input-file2 …

Input files

,O&ODVVLFR´JUHSµ

(6)

3HUFKp O·,5 q LPSRUWDQWH"

❚

0ROWD LQIRUPD]LRQH WHVWXDOH q RJJL QRQVWUXWWXUDWD HVWD

³DOODJDQGR¶¶ LGLVFKLHJHPDLOVDUWLFROL QHZVJURXS

❚

,QWHJUD]LRQH GL WH[WUHWULHYDOFRQEDVLGDWLUHOD]LRQDOL

❚

,QFUHPHQWRGHOODGRFXPHQWD]LRQH RQOLQH

❚

/¶HVSORVLRQHGHO :HE

(7)

3HUFKp O· ,5q 'LIILFLOH"(VLO:HE

La dimensione del web raddoppia ogni anno:

50 milioni pagine novembre1995

320 milioni pagine dicembre 1997

800 milioni febbraio 1999

oggi quasi 2 miliardi

non ancora verso la saturazione

Enormi quantit

à

di dati (e.g., WWW) impongono soluzioni

efficienti

Poche centinaia di Mbytes erano considerati larga

scala 10 anni fa; si pensi ad un laptop odierno!

(8)

❚

'DWL QRQVWUXWWXUDWLq GLIILFLOHFDWWXUDUHODVHPDQWLFD GHL

GRFXPHQWL&RPSDUD

❙

³VHOHFW IURP(PSOR\HHZKHUH6DODU\!´

❙

³UHWULHYHDOOQHZVLWHPVDERXW

FRUSRUDWHWDNHRYHU

´

❚

3HUFKp ODVHFRQGD GRPDQGD q SL GLIILFLOH"/DVHJXHQWH

OR q DQFRUD GL SL

❙

³UHWULHYHDOOQHZVLWHPVDERXW

FRUSRUDWHWDNHRYHU

LQYROYLQJ

DQ

LQWHUQHWFRPSDQ\´

❚

,GRFXPHQWLQRQKDQQRXQGRPLQLRGHILQLWR

❙

q PROWRGLIILFLOHWURYDUHODFDWHJRULDGHLGRFXPHQWL

(9)

❚

,O SUREOHPD GHOO¶LQWHUD]LRQH SHUVRQDOH

❙

ODULVSRVWDGDWDDSHUVRQHGLYHUVHGRYUHEEH

FRQWHPSODUHOHGLYHUVHHVLJHQ]H

❚

&RPHFDWWXUDUHO¶LQWHQ]LRQH"

❙

&RPSDUD XQ 5($'0(ILOHFRQXQ ³XVHUPDQXDO´

❙

FRPSDUDXQ VRPPDULRFRQXQ UDSSRUWR GHWWDJOLDWR

Non si può rispondere soddisfacendo tutti!

(10)

❚

,GRFXPHQWLVRQRGLVWULEXLWLH³OLQNDWL´ HJ

+\SHUWH[W

H:::

❙

'D GRYHVL SDUWH DFHUFDUH"

❙

&RPHVRQR FRUUHODWHOHLQIRUPD]LRQL"

Efficienza e efficacia

Spesso con conflittuali.

velocità

_qualità

(11)

Documento: stringa caratteri in un singolo file

Indice: lista di importanti keywords memorizzate in qualche struttura

Query: Boolean (A and B or C), lista di parole, frasi linguaggio naturale

Relevance feedback: prova e.g.

“

”

con

Google

Formulaz. query

L’utente e la “sete” di informazione

Ling. formale Rappres. documenti Documenti Indexing UHWULHYDO Relevance Feedback

Principi di Information Retrieval

Principi di Information Retrieval

Marco Gori

II Ciclo 2002

'DWD%DVHV

❚

7HRULDVROLGD H SDFFKHWWL VZ PROWRDIILGDELOL

❚

,O UHFRUG³LPSLHJDWR´

❙

VRFLHWjFRGILVFFRJQRPHLQGLUL]]RFLWWjVWDWR

❚

2SHUDWRULVHOHFWLRQSURMHFWLRQFDUWHVLDQ

SURGXFWMRLQXQLRQ

❚

%DVLGDWLDGRJJHWWL

Basati su

schema

Centrati su

operatori

relazionali

Si sfrutta

paradigma

4XDOL 'DWL"

❚

1RQIRUPDWWDWL O¶RSSRVWR GHL '% UHOD]LRQDOL

❙

'DWL WHVWXDOLDUWLFROL VFLHQWLILFLSDJLQHGLTXRWLGLDQL

❙

3DJLQH:HE +70/;0/

❙

'DWL QRQWHVWXDOLLPPDJLQLJUDILFLYRFHYLGHR

❚

/¶HVSORVLRQH GL LQWHUHVVH RJJL:::VHDUFKHQJLQHVHV

*RRJOH



$OWDYLVWD +RW%RW 

Semi-strutturati

Senza

tags,

plain text

crawler

Index

interface

query

User

queries

(VHPSL

❚

Gli stessi principi in contesti applicativi diversi:

❙

Ricerca di articoli, libri in digital libraries

❙

World wide web: tecnologie dei motori di ricerca

❙

Enciclopedie elettroniche (online o CDROM)

❙

Manuali elettronici on-line

❙

Ricerca di informazione visuale (persone, ecc...)

Query = commedia

grep

Linee riconosciute

dal file

$ grep commedia input-file1 input-file2 …

Input files

,O&ODVVLFR´JUHSµ

3HUFKp O·,5 q LPSRUWDQWH"

❚

0ROWD LQIRUPD]LRQH WHVWXDOH q RJJL QRQVWUXWWXUDWD HVWD

³DOODJDQGR¶¶ LGLVFKL HJHPDLOVDUWLFROL QHZVJURXS 

❚

,QWHJUD]LRQH GL WH[WUHWULHYDOFRQEDVLGDWLUHOD]LRQDOL

❚

,QFUHPHQWRGHOODGRFXPHQWD]LRQH RQOLQH

❚

/¶HVSORVLRQHGHO :HE

3HUFKp O· ,5q 'LIILFLOH"(VLO:HE

La dimensione del web raddoppia ogni anno:

50 milioni pagine novembre1995

7HRULDVROLGD H SDFFKHWWL VZ PROWRDIILGDELOL

VRFLHWjFRGILVFFRJQRPHLQGLUL]]RFLWWjVWDWR

2SHUDWRULVHOHFWLRQSURMHFWLRQFDUWHVLDQ

SURGXFWMRLQXQLRQ

1RQIRUPDWWDWL O¶RSSRVWR GHL '% UHOD]LRQDOL

'DWL WHVWXDOLDUWLFROL VFLHQWLILFLSDJLQHGLTXRWLGLDQL

3DJLQH:HE+70/;0/

'DWL QRQWHVWXDOLLPPDJLQLJUDILFLYRFHYLGHR

/¶HVSORVLRQH GL LQWHUHVVH RJJL:::VHDUFKHQJLQHVHV

$OWDYLVWD +RW%RW

_Index

_interface

_{Gli stessi principi in contesti applicativi diversi:}

³DOODJDQGR¶¶ LGLVFKLHJHPDLOVDUWLFROL QHZVJURXS

,QWHJUD]LRQH GL WH[WUHWULHYDOFRQEDVLGDWLUHOD]LRQDOL

,QFUHPHQWRGHOODGRFXPHQWD]LRQH RQOLQH

3HUFKp O· ,5q 'LIILFLOH"(VLO:HE

'DWL QRQVWUXWWXUDWLq GLIILFLOHFDWWXUDUHODVHPDQWLFD GHL

GRFXPHQWL&RPSDUD

³VHOHFW IURP(PSOR\HHZKHUH6DODU\!´

3HUFKp ODVHFRQGD GRPDQGD q SL GLIILFLOH"/DVHJXHQWH

OR q DQFRUD GL SL

,O SUREOHPD GHOO¶LQWHUD]LRQH SHUVRQDOH

,GRFXPHQWLVRQRGLVWULEXLWLH³OLQNDWL´ HJ

_qualità

'RFXPHQW5HWULHYDO6FKHPDEDVH