Acabo de terminar de leer por encima el artículo "Automatic Content Analysis in Information Retrieval" y voy a realizar una segunda lectura más detenida mientras resumo su contenido en el blog.
Como en los anteriores casos de una introducción sobre IR añadiendo en este caso una división conceptual de los "trabajos" en los sistemas de IR:
1. Analisis de información: Identificación para cada término almacenado y cada búsqueda de indicadores de contenidos.
2. Búsqueda y recuperación: Operación de matching entre los indicadores de contenidos de los términos almacenados y los de las consultas. También incluye la selección (recuperación) de aquellos elementos que tienen un nivel de similitud mayor de cierto grado con la consulta.
El análisis de contenido puede ser muy exhaustivo (muchos indicadores de contenido muy especídicos) o puede ser poco detallado dando un conjunto pequeño de indicadores muy generales.
En el primer caso se daría sistema de IR cuyas respuestas tendrían precisión y poca exhaustividad, al contrario que el el segundo caso. Llegados a este punto se definen ambos términos:
Precisión(precision): Porcentaje de documentos relevantes respecto de los recuperados.
Exhaustividad (recall): Porcentaje de documentos recuperados de los relevantes totales.
Lo normal es intentar tener un recall razonablemente alto manteniendo la precisión en uno intervalo razonable.
--------
El siguiente punto del artículo es la presentación de los problemas del analisis de contenido, definiendo dos categorias de sistemas automáticos de procesamiento de texto:
1. Text inference systems: Sistemas de procesamiento que permiten confirmar o negar hipótesis en función del texto procesado.
2. Text retrieval systems: Sistemas de procesamiento que indican si el texto procesado puede incluirse en la descripción del usuario de lo que quiere.
Funcionamiento de un sistema de analisis de contenido:
1. Introducción de consultas
2. Conversión de consultas en componentes aceptados por el sistema
3. (resultado del punto anterior) Obtención de conjuntos de indicadores de contenido (vectores de concepto).
4. Comparación de los vectores de las consultas con los indicadores de contenido del sistema de información dado
5. Se extraen los docuementos cuyos vectores coinciden (match) lo suficientemente bien con los de las consultas.
----------------------
Características del sistema SMART
SMART es (en 1968) un sistema autónomo (completamente) de recuperación de información. No necesita ningún tipo de interacción por parte de personas, al contrario de otros sistemas que necesitaban la asignación de terminos del índice, usando para ello principalmente la frecuencia de ocurrencia de ciertas palabras o frases en el texto de los documentos.
El sistema utiliza varias técnicas tales como procedimientos de matching de palabras simples, diccionarios de sinónimos, organización jerárquica de identificadores, generación de frases de manera estadística y sintactica, ...
Una de las características del sistema es que es controlado por el usuario. De esta manera puede configurarse para producir respuestas más cercanas a las esperadas. El sistema se creó como un sistema experimiental de IR e incorpora muchos módulos, algunos de los más interesantes son:
a). Sistema de stemming para el lenguaje inglés: Permite obtener raíz y sufijos de las palabas.
b). Diccionario de sinónimos (también conocido como tesauro): Cambia sinonimos por un "número de concepto" sirviendo además como identificadores de concepto para el sistema.
c). Organización jerárquica de identificadores: A partir de los identificadores del tesauro es posible realizar una organización jerárquica. Una vez realizado esto podemos obtener, para un término dado, sus padres, hijos o hermanos en la jerarquía. Esto permite especializar (hijos), generalizar (padres) y extender con referencias cruzadas (hermanos) las consultas.
d). Estadísticos para calcular coeficientes de similaridad a partir de coocurrencias de conceptos en las sentencias de la colección.
e). Métodos de analisis sintáctico para comparar las sentencias de documentos y consultas con un diccionario de estructuras sintácticas.
f). Métodos estadísticos de matching entre frases
g). Sistema de actualización de diccionarios.
El sistema SMART esta diseñado de tal manera (los detalles no importan) que permite comparar los resultados de los distintos métodos utilizados. En el resto del artículo se presentan tablas y resultados en distintos contextos.
miércoles, 24 de octubre de 2007
miércoles, 17 de octubre de 2007
Tercer artículo (Parte V)
En la que será la última entrada del blog sobre este artículo se indican tres medidas de similitud en el espacio del índice además de conceptos de distancia en el espacio de documentos y estrategias de búsqueda.
Las tres medidas de similitud en el espacio del índice permiten seleccionar nuevos términos sobre los que hacer consultas similares a la dada.
1. Al primer heurístico se le conoce como la probabilidad condicional. Definimos N(Ij) como la frecuencia con la que cada término es usado para etiquetar un documento y N(Ij,.Ik) como la frecuencia con la que ambos términos (juntos) son usados para etiquetar documentos. A partir de esta definición obtenemos P(Ij.Ik) que es la probabilidad de que si Ij está asignado a un documento Ik también lo está:
P(Ij, Ik) = N(Ij.Ik) / N(Ij)
Al repetir este proceso para cada par de términos se conoce qué términos son similares a otros, pero sigue sin tenerse una medida cuantitativa. Definimos pj como:
pj = P(Ij, Ij'); Siendo el Ik que hace P(Ij, Ik) máximo para un Ij dado.
Normalizamos pj sobre los términos usados en la consulta. A partir de este momento reemplazamos wi(Ii') [el peso asignado a Ij' para el documento i-ésimo) por la normalización de pj multiplicada por wi(Ii').
Este es un método elemental basado en relaciones estadísticas entre términos del índice.
2. El segundo heurístico se conoce como probabilidad condicional inversa. En este caso se calcula la medida de similitud de los términos hacia el término buscado (Ij). Al calcular el máximo de P(Ik, Ij) variando Ik obtenemos la etiqueta que más fuertemente implica al término dado Ij.
En este heurístico se define:
pj = P('Ij, Ij) ; Siendo 'Ij el Ik que hace P(Ik, Ij) máximo para un Ij dado.
A continuación al igual que en el punto anterior debe normalizarse el resultado.
3. El tercer heurístico es el más prometedor de los comentados. Se conoce como los coeficientes de asocicación entre predicados.
Partiendo de las etiquetas Ik e Ij se parte la biblioteca en cuatro particiones (nota: La sintaxis de complemento sería una ralla sobre los términos, por problemas con el editor se utilizara "!" para preceder al término):
1. Documentos indexados por Ik e Ij (Ij.Ik)
2. Documentos indexados por Ij pero no por Ik (Ij.!Ik)
3. Documentos indexados por Ik pero no por Ij (!Ij.!k)
4. Documentos no indexados por ninguno de los términos (!Ij.!Ik)
En este punto se deduce que Ij es estadísticamente independiente de Ik si:
P(Ij, Ik) = P(Ik)
P(In.Ik) = P(Ij)*P(Ik)
N(Ij.Ik) = N(Ij)*N(Ik)/n
Para cada par de valores observamos el exceso de N(Ij.Ik) sobre su valor de independencia.
a(Ij,Ik) = N(Ij.Ik) - N(Ij)*N(Ik)/n
Definimos sobre las condiciones anteriores un coeficiente cuyo rango varía entre -1 y 1 de tal manera que es 0 en el caso de que a(Ij,Ik) sea 0:
Q(Ij,Ik) = (N(Ij.Ik) * N(!Ij.!Ik) - N(Ij.!Ik) * N(!Ij.Ik)) / (N(Ij.Ik) * N(!Ij.!Ik) + N(Ij.!Ik) * N(!Ij.Ik))
El algoritmo, dada una consulta R = Ij, selecciona Ik (distinto de Ij) con el máximo coeficiente Q(Ij,Ik). El valor debe de estar comprendido entre 0 y 1 o ningún término será seleccionado. Del mismo modo que se hacia en los anteriores heurísticos, debe normalizarse el resultado multiplicando wi(Ik) por el valor de Q(Ij, Ik).
Los tres heurísticos que se han citado son heurísticos de profundidad uno. Si se volviera a utilizar el heurístico (con el valor Ik) tendríamos heurísticos de profundidad dos en cadena,... En el caso de reuilizar el heurístico con el valor Ij en vez de Ik tendríamos heurísticos de profundidad dos concentrada (two-deep hub search). Para configuraciones más complejas podrían cambiarse las medidas de cercanía para las posteriores búsquedas, construyendo así sistemas de búsquedas todo lo complejas que se quieran.
---------------------------- -----------------------
Heurísticos en el espacio de documentos (edición del 24 Oct 07)
Se desea tener una clase de heurísticos (extension heuristics) mediante los cuales se pueda extender una clase de documentos atendiendo a dicha clase (que sería una "pista" sobre la intención de búsqueda del usuario).
A(Di, Dj) = Distancia entre documento i y documento j
Partiendo de wi(R) y A(Di, Dj) podemos definir la distancia entre una petición y un documento Di como:
d(R, Di) = -log wi(R)
Las tres medidas de similitud en el espacio del índice permiten seleccionar nuevos términos sobre los que hacer consultas similares a la dada.
1. Al primer heurístico se le conoce como la probabilidad condicional. Definimos N(Ij) como la frecuencia con la que cada término es usado para etiquetar un documento y N(Ij,.Ik) como la frecuencia con la que ambos términos (juntos) son usados para etiquetar documentos. A partir de esta definición obtenemos P(Ij.Ik) que es la probabilidad de que si Ij está asignado a un documento Ik también lo está:
P(Ij, Ik) = N(Ij.Ik) / N(Ij)
Al repetir este proceso para cada par de términos se conoce qué términos son similares a otros, pero sigue sin tenerse una medida cuantitativa. Definimos pj como:
pj = P(Ij, Ij'); Siendo el Ik que hace P(Ij, Ik) máximo para un Ij dado.
Normalizamos pj sobre los términos usados en la consulta. A partir de este momento reemplazamos wi(Ii') [el peso asignado a Ij' para el documento i-ésimo) por la normalización de pj multiplicada por wi(Ii').
Este es un método elemental basado en relaciones estadísticas entre términos del índice.
2. El segundo heurístico se conoce como probabilidad condicional inversa. En este caso se calcula la medida de similitud de los términos hacia el término buscado (Ij). Al calcular el máximo de P(Ik, Ij) variando Ik obtenemos la etiqueta que más fuertemente implica al término dado Ij.
En este heurístico se define:
pj = P('Ij, Ij) ; Siendo 'Ij el Ik que hace P(Ik, Ij) máximo para un Ij dado.
A continuación al igual que en el punto anterior debe normalizarse el resultado.
3. El tercer heurístico es el más prometedor de los comentados. Se conoce como los coeficientes de asocicación entre predicados.
Partiendo de las etiquetas Ik e Ij se parte la biblioteca en cuatro particiones (nota: La sintaxis de complemento sería una ralla sobre los términos, por problemas con el editor se utilizara "!" para preceder al término):
1. Documentos indexados por Ik e Ij (Ij.Ik)
2. Documentos indexados por Ij pero no por Ik (Ij.!Ik)
3. Documentos indexados por Ik pero no por Ij (!Ij.!k)
4. Documentos no indexados por ninguno de los términos (!Ij.!Ik)
En este punto se deduce que Ij es estadísticamente independiente de Ik si:
P(Ij, Ik) = P(Ik)
P(In.Ik) = P(Ij)*P(Ik)
N(Ij.Ik) = N(Ij)*N(Ik)/n
Para cada par de valores observamos el exceso de N(Ij.Ik) sobre su valor de independencia.
a(Ij,Ik) = N(Ij.Ik) - N(Ij)*N(Ik)/n
Definimos sobre las condiciones anteriores un coeficiente cuyo rango varía entre -1 y 1 de tal manera que es 0 en el caso de que a(Ij,Ik) sea 0:
Q(Ij,Ik) = (N(Ij.Ik) * N(!Ij.!Ik) - N(Ij.!Ik) * N(!Ij.Ik)) / (N(Ij.Ik) * N(!Ij.!Ik) + N(Ij.!Ik) * N(!Ij.Ik))
El algoritmo, dada una consulta R = Ij, selecciona Ik (distinto de Ij) con el máximo coeficiente Q(Ij,Ik). El valor debe de estar comprendido entre 0 y 1 o ningún término será seleccionado. Del mismo modo que se hacia en los anteriores heurísticos, debe normalizarse el resultado multiplicando wi(Ik) por el valor de Q(Ij, Ik).
Los tres heurísticos que se han citado son heurísticos de profundidad uno. Si se volviera a utilizar el heurístico (con el valor Ik) tendríamos heurísticos de profundidad dos en cadena,... En el caso de reuilizar el heurístico con el valor Ij en vez de Ik tendríamos heurísticos de profundidad dos concentrada (two-deep hub search). Para configuraciones más complejas podrían cambiarse las medidas de cercanía para las posteriores búsquedas, construyendo así sistemas de búsquedas todo lo complejas que se quieran.
---------------------------- -----------------------
Heurísticos en el espacio de documentos (edición del 24 Oct 07)
Se desea tener una clase de heurísticos (extension heuristics) mediante los cuales se pueda extender una clase de documentos atendiendo a dicha clase (que sería una "pista" sobre la intención de búsqueda del usuario).
A(Di, Dj) = Distancia entre documento i y documento j
Partiendo de wi(R) y A(Di, Dj) podemos definir la distancia entre una petición y un documento Di como:
d(R, Di) = -log wi(R)
miércoles, 10 de octubre de 2007
Tercer artículo (Parte IV)
Medida de Relevancia.
Partiendo de los problemas de las técnicas convencionales se puede concluir que, dado un interes de un usuario (representado por sus términos de consulta), hay una probabilidad de que un documento dado (representado por los mismos términos) sea relevante realmente para dicho usuario.
Las técnicas convencionales usaban medidas lógicas (si-no) entre los términos del índice y los documentos siendo mucho más razonable el uso de una medida probabilística.
Dado un indice con pesos es más posible caracterizar con más precisión el contenido de un documento. Estos pesos serán utilizados para obtener las medidas de relevancia de los documentos.
En el siguiente punto del artículo se explican conceptos de la relevancia y la "cantidad de información" (amount of information) . El problema en este punto es definir de una manera precisa el concepto de relevancia y el poder tener una medida cuantitativa de esta. Al menos deberiamos ser capaces de tener una medida comparativa para ordenar los documentos.
Explicar la noción de relevancia es similar a explicar el concepto de cantidad de información (concepto básico en teoría de la comunicación). En el libro "The Mathematical Theory of Communication" Shannon explica la cantidad de información de un mensaje dado en términos probabilísticos de una manera similar a como se calcularía la relevancia de un texto.
P(A,B) simboliza la probabilidad de que un evento de la clase B ocurra con referencia a un evento de la clase A.
Di: Obteniendo el documento i-ésimo y buscando su relevancia
Ii: Pidiendo información sobre documentos designados con el término j-ésimo del índice
A: Solitidando información de la biblioteca
Así puede decirse que P(A.Ij,Di) = La probabilidad de que una petición de usuario sobre Ij sea satisfecha con el documento Di. De esta manera si P(A.Ij,D1) > P(A.Ij,D2) entonces D1 es más relevante que D2.
Utilizando nociones de calculo de probabilidades (para toda petición Ij P(A, Ij) es una constante) se puede llegar a la conclusión de que:
P(A.Ij,Di) = (P(A,Di)*P(A.Di,Ij)) / P(A,Ij)
P(A.Ij,Di) ~ P(A,Di)*P(A.Di, Ij)
Siendo P(A.Di,Ij) la probabilidad de que si se requiere buscar información del tipo contenido en el documento se hará formulando una petición con Ij.
A la probabilidad P(A.Ij, Di) se la llamara número de relevancia del documento i-ésimo respecto a la petición dada.
Partiendo de la hipótesis de que el peso de una etiqueta para un documento puede ser interpretada como un estimador de P(A.Di, Ij) entonces:
P(A.Ij, Di) = aj * P(A, Di) wij;
wij es el grado en el que el término j-ésimo se aplica al i-ésimo documento
P(A, Di) es la probabilidad del documento Di
aj es el factor de escalada
Podemos definir el peso de una etiqueta como Wij = estimación de P(A.Di, Ij). Este término se conoce como el peso modificado ("modified weight").
Como resumen de esta pequeña as parte decir que las estadísticas de biblioteca nos dan P(A, Di), los pesos (una vez escalados) estiman P(A.Di, Ij) por lo que podemos hallar P(A.Ij, Di) por lo que se pueden ordenar los documentos en función de la relevancia.
--------------------- ------------------------
Elaboración de un proceso de selección automático
Dada una petición esta selecciona una clase de documentos a través de una función de matching. El articulo propone dos métodos por el cual se extiende la clase C en la dirección más probable:
1. Transformar la petición R en R' de tal forma que R' selecciona una clase de documentos C' que contiene más elementos (y más elementos relevantes) que C.
2. Usar la clase C para generar una nueva clase C'' en función de parecidos semánticos entre terminos y documentos.
Un conjunto de reglas que indican cómo transformar una consulta en una clase de documentos obtenidos es una estrategia. Dicha estrategia involucra varias técnicas de medida de similitudes entre términos y documentos. En este punto se explican con un mayor detalle las dos tecnicas anteriores:
1. Definimos f(R) = C siendo f una función que transforma consultas de entrada en una clase de documentos. El problema a solucionar es agrandar C para obtener más documentos relevantes y menos irrelevantes. Suponiendo que R' es una consulta similar a R definimos la función f' como sigue:
f'(R) = f(R) v f(R') = C v C'
Obviamente debemos definir una medida de similitud en el espacio de consultas. Suponiendo que tenemos una medida de similitud f'(R) sería la unión de todas las clases de documentos obtenidos a partir de una consulta R' tal que la similitud entre R y R' fuera mayor que cierto umbral (e)
2. Del mismo modo para la técnica dos, si tenemos una medida de la distancia entre documentos, podemos definir:
f''(R) = C''
-------------------------------- -----------------------------
Agrupamientos en el espacio de índices
Entre los términos del índice pueden darse dos tipos de relaciones.
1. Relaciones semánticas: Que van desde los sinónimos hasta relaciones del tipo "parcialmente implicado por" e "implica parcialmente". Este tipo de relaciones se basa en el contenido semántico de los términos.
2. Relaciones estadísticas: Basadas en la frecuencia relativa de ocurrencias de los términos usados como índices.
Las relaciones semánticas se basan sólamente en el significado de los términos, de manera independiente del contexto del documento. Por su parte las relaciones estadísticas se basan en el contenido de los documentos (ej: "Shannon" y "information theory" posiblemente tengan una relación estadística en textos informáticos pero no una relación semántica).
Una vez identificadas estas relaciones hacen falta reglas para moverse en el espacio de los puntos conectados. Al este conjunto de reglas se le conoce como heurístico. Básicamente el heurístico indica (A partir de una consulta) que términos "ver" y "ver también". También indica la profundidad de la búsqueda y cuando parar el algoritmo (en función normalmente del número de documentos obtenidos y su relevancia).
El conjunto de dispositivos, reglas, heurísticos, ... que permite pasar de una entrada (consulta) a una salida (clases de documentos recuperados) es una estrategia.
Partiendo de los problemas de las técnicas convencionales se puede concluir que, dado un interes de un usuario (representado por sus términos de consulta), hay una probabilidad de que un documento dado (representado por los mismos términos) sea relevante realmente para dicho usuario.
Las técnicas convencionales usaban medidas lógicas (si-no) entre los términos del índice y los documentos siendo mucho más razonable el uso de una medida probabilística.
Dado un indice con pesos es más posible caracterizar con más precisión el contenido de un documento. Estos pesos serán utilizados para obtener las medidas de relevancia de los documentos.
En el siguiente punto del artículo se explican conceptos de la relevancia y la "cantidad de información" (amount of information) . El problema en este punto es definir de una manera precisa el concepto de relevancia y el poder tener una medida cuantitativa de esta. Al menos deberiamos ser capaces de tener una medida comparativa para ordenar los documentos.
Explicar la noción de relevancia es similar a explicar el concepto de cantidad de información (concepto básico en teoría de la comunicación). En el libro "The Mathematical Theory of Communication" Shannon explica la cantidad de información de un mensaje dado en términos probabilísticos de una manera similar a como se calcularía la relevancia de un texto.
P(A,B) simboliza la probabilidad de que un evento de la clase B ocurra con referencia a un evento de la clase A.
Di: Obteniendo el documento i-ésimo y buscando su relevancia
Ii: Pidiendo información sobre documentos designados con el término j-ésimo del índice
A: Solitidando información de la biblioteca
Así puede decirse que P(A.Ij,Di) = La probabilidad de que una petición de usuario sobre Ij sea satisfecha con el documento Di. De esta manera si P(A.Ij,D1) > P(A.Ij,D2) entonces D1 es más relevante que D2.
Utilizando nociones de calculo de probabilidades (para toda petición Ij P(A, Ij) es una constante) se puede llegar a la conclusión de que:
P(A.Ij,Di) = (P(A,Di)*P(A.Di,Ij)) / P(A,Ij)
P(A.Ij,Di) ~ P(A,Di)*P(A.Di, Ij)
Siendo P(A.Di,Ij) la probabilidad de que si se requiere buscar información del tipo contenido en el documento se hará formulando una petición con Ij.
A la probabilidad P(A.Ij, Di) se la llamara número de relevancia del documento i-ésimo respecto a la petición dada.
Partiendo de la hipótesis de que el peso de una etiqueta para un documento puede ser interpretada como un estimador de P(A.Di, Ij) entonces:
P(A.Ij, Di) = aj * P(A, Di) wij;
wij es el grado en el que el término j-ésimo se aplica al i-ésimo documento
P(A, Di) es la probabilidad del documento Di
aj es el factor de escalada
Podemos definir el peso de una etiqueta como Wij = estimación de P(A.Di, Ij). Este término se conoce como el peso modificado ("modified weight").
Como resumen de esta pequeña as parte decir que las estadísticas de biblioteca nos dan P(A, Di), los pesos (una vez escalados) estiman P(A.Di, Ij) por lo que podemos hallar P(A.Ij, Di) por lo que se pueden ordenar los documentos en función de la relevancia.
--------------------- ------------------------
Elaboración de un proceso de selección automático
Dada una petición esta selecciona una clase de documentos a través de una función de matching. El articulo propone dos métodos por el cual se extiende la clase C en la dirección más probable:
1. Transformar la petición R en R' de tal forma que R' selecciona una clase de documentos C' que contiene más elementos (y más elementos relevantes) que C.
2. Usar la clase C para generar una nueva clase C'' en función de parecidos semánticos entre terminos y documentos.
Un conjunto de reglas que indican cómo transformar una consulta en una clase de documentos obtenidos es una estrategia. Dicha estrategia involucra varias técnicas de medida de similitudes entre términos y documentos. En este punto se explican con un mayor detalle las dos tecnicas anteriores:
1. Definimos f(R) = C siendo f una función que transforma consultas de entrada en una clase de documentos. El problema a solucionar es agrandar C para obtener más documentos relevantes y menos irrelevantes. Suponiendo que R' es una consulta similar a R definimos la función f' como sigue:
f'(R) = f(R) v f(R') = C v C'
Obviamente debemos definir una medida de similitud en el espacio de consultas. Suponiendo que tenemos una medida de similitud f'(R) sería la unión de todas las clases de documentos obtenidos a partir de una consulta R' tal que la similitud entre R y R' fuera mayor que cierto umbral (e)
2. Del mismo modo para la técnica dos, si tenemos una medida de la distancia entre documentos, podemos definir:
f''(R) = C''
-------------------------------- -----------------------------
Agrupamientos en el espacio de índices
Entre los términos del índice pueden darse dos tipos de relaciones.
1. Relaciones semánticas: Que van desde los sinónimos hasta relaciones del tipo "parcialmente implicado por" e "implica parcialmente". Este tipo de relaciones se basa en el contenido semántico de los términos.
2. Relaciones estadísticas: Basadas en la frecuencia relativa de ocurrencias de los términos usados como índices.
Las relaciones semánticas se basan sólamente en el significado de los términos, de manera independiente del contexto del documento. Por su parte las relaciones estadísticas se basan en el contenido de los documentos (ej: "Shannon" y "information theory" posiblemente tengan una relación estadística en textos informáticos pero no una relación semántica).
Una vez identificadas estas relaciones hacen falta reglas para moverse en el espacio de los puntos conectados. Al este conjunto de reglas se le conoce como heurístico. Básicamente el heurístico indica (A partir de una consulta) que términos "ver" y "ver también". También indica la profundidad de la búsqueda y cuando parar el algoritmo (en función normalmente del número de documentos obtenidos y su relevancia).
El conjunto de dispositivos, reglas, heurísticos, ... que permite pasar de una entrada (consulta) a una salida (clases de documentos recuperados) es una estrategia.
Tercer artículo (Parte III)
Aproximación convencional para un sistema de recuperación de información.
El artículo parte del hecho de que las máquinas no pueden "leer" textos entendiendo si el contenido se relaciona con una consulta dada por lo que es necesario el uso de etiquetas de identificación, esto es el sistema de índice. El índice funciona como una etiqueta por la cual puede identificarse el contenido del documento en cuestión. Cabe destacar que los elementos del índice pueden ser términos simples (palabras) o conjuntos de estas (frases).
En principio un indexador lee un documento y selecciona los términos del índice desde el "vocabulario de biblioteca", relacionandolos luego con dicho documento. De esta forma un usuario debe identificar sus necesidades como términos de una consulta, consistiendo en términos del índice utilizados con combinaciones lógicas.
Dado el índice para un documento dado y el conjunto de términos de una consulta el problema consiste en buscar e intentar corresponder dichos términos en la forma en la que se define en la consulta.
El uso de índices tiene un problema. La correspondendia entre el índice de un documento y su contenido no es exacto dado que es muy dificil saber el contenido de un texto a partir de un conjunto de palabras (o frases). Un conjunto de términos puede abarcar muchos posibles temas. Por contra, un mismo tema de conocimiento puede ser denotado por diferentes términos. El artículo, a partir de esta situación, dice que hay "ruido semántico" en los términos del índice.
Por otra parte tampoco hay una relación exacta entre la petición de un usuario y su intención por lo que podemos concluir que hay ruido semántico tanto en la indexación de documentos como en las consultas de información.
Para reducir el ruido semántico se han realizado trabajos especializando los sistemas para tipos específicos de bibliotecas y utilizando el concepto de glosario de ideas (de esta manera puede eliminarse gran parte de la ambiguedad).
La consecuencia del ruido semántico es que en los sistemas convencionales al realizar la correspoendencia de términos pueden aparecer documentos irrelevantes o, lo que es peor, no aparecer documentos relevantes.
Según el artículo el problema de la representación fidedigna de un documento a partir de etiquetas para posteriores consultas o comparaciones entre documentos está sin resolver (documento de 1960).
La técnica que se presentará a continuación den el documento (Indexación probibilística) proporciona un ranking de documentos que satisfacen la consulta, ordenados por su relevancia.
El artículo parte del hecho de que las máquinas no pueden "leer" textos entendiendo si el contenido se relaciona con una consulta dada por lo que es necesario el uso de etiquetas de identificación, esto es el sistema de índice. El índice funciona como una etiqueta por la cual puede identificarse el contenido del documento en cuestión. Cabe destacar que los elementos del índice pueden ser términos simples (palabras) o conjuntos de estas (frases).
En principio un indexador lee un documento y selecciona los términos del índice desde el "vocabulario de biblioteca", relacionandolos luego con dicho documento. De esta forma un usuario debe identificar sus necesidades como términos de una consulta, consistiendo en términos del índice utilizados con combinaciones lógicas.
Dado el índice para un documento dado y el conjunto de términos de una consulta el problema consiste en buscar e intentar corresponder dichos términos en la forma en la que se define en la consulta.
El uso de índices tiene un problema. La correspondendia entre el índice de un documento y su contenido no es exacto dado que es muy dificil saber el contenido de un texto a partir de un conjunto de palabras (o frases). Un conjunto de términos puede abarcar muchos posibles temas. Por contra, un mismo tema de conocimiento puede ser denotado por diferentes términos. El artículo, a partir de esta situación, dice que hay "ruido semántico" en los términos del índice.
Por otra parte tampoco hay una relación exacta entre la petición de un usuario y su intención por lo que podemos concluir que hay ruido semántico tanto en la indexación de documentos como en las consultas de información.
Para reducir el ruido semántico se han realizado trabajos especializando los sistemas para tipos específicos de bibliotecas y utilizando el concepto de glosario de ideas (de esta manera puede eliminarse gran parte de la ambiguedad).
La consecuencia del ruido semántico es que en los sistemas convencionales al realizar la correspoendencia de términos pueden aparecer documentos irrelevantes o, lo que es peor, no aparecer documentos relevantes.
Según el artículo el problema de la representación fidedigna de un documento a partir de etiquetas para posteriores consultas o comparaciones entre documentos está sin resolver (documento de 1960).
La técnica que se presentará a continuación den el documento (Indexación probibilística) proporciona un ranking de documentos que satisfacen la consulta, ordenados por su relevancia.
Tercer artículo (Parte II)
El artículo comienza indicando la dificultad del procesamiento del lenguaje natural de manera mecánica. Posteriormente se presenta el "problema de la biblioteca" haciendo énfasis en que el problema como tal no reside en el tamaño ocupado (hay soluciones para ello) sino en la identificación del contenido de los textos. También se cita la dificultad en determinar la "cercania" de dos artículos respecto de un tercero desde el punto de vista del significador. El último problema relacionado que se cita es el problema de especificar si un texto es o no relevante (o en que grado) respecto a una consulta.
El artículo parte de la idea de que el problema es la identificación precisa de la información contenida en los documentos. En este punto se introduce el concepto aritmético (respecto a otras soluciones que son de naturaleza lógica) de relevancia, siendo una probabildad de la relevancia de un documento para un usuario.
La relevancia permite la creación de un ranking de documentos pero hay que tener en cuenta también como se hara la selección de los documentos a evaluar. Para ello hace falta definir medidas (probabilísticas) de cercania semántica. Se definen medidas de cercanía entre documentos y entre consultas. En este punto el artículo se divide en varios apartados tratando en cada uno lo siguiente:
1. Aproximación convencional al problema de la biblioteca.
2. Exposición de la solución dada por el indexado probabilístico.
3. Estudio sobre los experimentos preliminares para probar las nuevas técnicas.
El artículo parte de la idea de que el problema es la identificación precisa de la información contenida en los documentos. En este punto se introduce el concepto aritmético (respecto a otras soluciones que son de naturaleza lógica) de relevancia, siendo una probabildad de la relevancia de un documento para un usuario.
La relevancia permite la creación de un ranking de documentos pero hay que tener en cuenta también como se hara la selección de los documentos a evaluar. Para ello hace falta definir medidas (probabilísticas) de cercania semántica. Se definen medidas de cercanía entre documentos y entre consultas. En este punto el artículo se divide en varios apartados tratando en cada uno lo siguiente:
1. Aproximación convencional al problema de la biblioteca.
2. Exposición de la solución dada por el indexado probabilístico.
3. Estudio sobre los experimentos preliminares para probar las nuevas técnicas.
Tercer artículo (Parte I)
El artículo del que se escribe el resumen en "On Relevance, Probabilistic Indexing and Information Retrieval" de M. E Maron y J. L. Kuhns.
Dado que es algo más amplio haré varios resumenes sobre dicho artículo. En esta primera parte únicamente se comenta el contenido del abstract.
El articulo introduce una nueva técnica basada en la noción de relevancia. Este concepto es tomado como clave en la teoría de recuperación de información. Para la comparación se usa un concepto de relevancia explicado en términos probabilísticos.
La técnica de "Indexado Probabilístico" devuelve para una consulta dada y cada documento una medida (relevancia) probabilistica que indica la probabilidad de que el documento satisfaga la consulta.
El articulo continua citando que en los sistemas convencionales las referencias cruzadas ("see") solamente responde al parecido semántico. Por contra, en los sistemas de "parecido" entre términos de manera estadística la máquina puede modificar la propia consulta para incrementar la probabilidad de obtener documentos relevantes.
Dado que es algo más amplio haré varios resumenes sobre dicho artículo. En esta primera parte únicamente se comenta el contenido del abstract.
El articulo introduce una nueva técnica basada en la noción de relevancia. Este concepto es tomado como clave en la teoría de recuperación de información. Para la comparación se usa un concepto de relevancia explicado en términos probabilísticos.
La técnica de "Indexado Probabilístico" devuelve para una consulta dada y cada documento una medida (relevancia) probabilistica que indica la probabilidad de que el documento satisfaga la consulta.
El articulo continua citando que en los sistemas convencionales las referencias cruzadas ("see") solamente responde al parecido semántico. Por contra, en los sistemas de "parecido" entre términos de manera estadística la máquina puede modificar la propia consulta para incrementar la probabilidad de obtener documentos relevantes.
martes, 9 de octubre de 2007
Siguiente lectura
Poco a poco voy entrando en el tema de la recuperación de información y ya he comenzado a leer el tercer artículo. Espero tener un resumen (algo más largo que los anteriores dado que son 30 páginas de texto) a finales de esta semana a más tardar.
Mañana tengo toda la mañana libre y hay tres horas reservadas para el proyecto así que espero avanzar bastante.
Mañana tengo toda la mañana libre y hay tres horas reservadas para el proyecto así que espero avanzar bastante.
lunes, 8 de octubre de 2007
Resumen del 2º articulo
El artículo aborda las posibilidades de que una máquina simule la aplicación de patrones "humanos" para seleccionar las sentencias clave de un texto dado.
La introducción del artículo trata sobre la incapacidad de los investigadores de asimilar la gran cantidad de nueva información generada cada poco tiempo. Así, define el principal problema del procesamiento y recuperación de información a la "velocidad de diseminación y al control efectivo del rápido crecimiento". Otro punto interesante de la introducción es la definición de la composición de la información (en textos escritos en lenguaje natural) como "partes de información no organizadas y no relacionadas".
Para intentar minimizar el problema el control de la información surgen 2 opciones distintas:
1. Utilizar un "lenguaje máquina" más sencillo de mecanizar
2. Observar las características del texto en sí haciendo que la máquina seleccione la información interesante por sí misma (en función de reglas sintácticas o asociativas)
El nucleo central del artículo es una comparación experimental entre tres métodos para extraer el contenido esencial de un texto (para construir su índice).
1. Escaneado de sentencias clave (topic sentences): Partiendo de bases de teoría de composición de textos se puede decir que en la mayoria de los casos la sentencia clave de un párrafo se encuentra en primer lugar (en el 85% de los casos según un estudio sobre 200 párrafos). Esta técnica selecciona la primera sentencia de cada párrafo para crear el índice, ignorando todas las demas sentencias.
2. Proceso de eliminación sintáctica: Esta técnica se basa en una selección de unidades sintácticas. Se ignoran todas las palabras que sean superfluas (conjunciones, pronombres,...) y se realiza un índice estadístico con las palabras residuales.
3. Selección de frases preposicionales: Esta técnica se basa también en una selección de unidades sintácticas. Parte de la base de que las frases son un núcleo de la comunicación , comparables en importancia únicamente a los párrafos. Basa su funcionamiento en premisas sintácticas (dependientes del lenguaje inglés) tales como el número medio de palabras en las frases, que en el caso del inglés es de 4 palabras.
A partir de esas estadísticas la tecnica selecciona como frase las siguientes 4 palabras (o las que haya hasta una preposición o un signo de puntuación) a cada preposición del texto. La gran ventaja de esta técnica es que las frases tienen más significado que cada palabra por separado y que minimizan problemas tales como los distintos significados que si se dan en palabras individuales.
(Añadido mio) Tiene un inconveniente claro que no se cita en el artículo y es que es dependiente en cierta medida del idioma. Para que fuera genérico deberían de estar disponibles las estadísticas de número medio de palabras en una frase para cada uno de los idiomas posibles de los documentos.
En la parte final del artículo se citan las dificultades para definir la idoneidad de un índice para un texto dado siendo dependiente en función de la persona que lo juzgue, del proposito del índice, ...
Según el artículo (y la potencia computacional de esa 1958) se recomienda un índice de 0,5% sobre el número de palabras del texto. En el caso de estudio realizado la técnica que ha proporcionado mejores soluciones es la técnica de selección de frases proposicionales. Por último se comenta que el indexado automático tiene la gran ventaja de ser un método sistematico, consistente y uniforme.
La introducción del artículo trata sobre la incapacidad de los investigadores de asimilar la gran cantidad de nueva información generada cada poco tiempo. Así, define el principal problema del procesamiento y recuperación de información a la "velocidad de diseminación y al control efectivo del rápido crecimiento". Otro punto interesante de la introducción es la definición de la composición de la información (en textos escritos en lenguaje natural) como "partes de información no organizadas y no relacionadas".
Para intentar minimizar el problema el control de la información surgen 2 opciones distintas:
1. Utilizar un "lenguaje máquina" más sencillo de mecanizar
2. Observar las características del texto en sí haciendo que la máquina seleccione la información interesante por sí misma (en función de reglas sintácticas o asociativas)
El nucleo central del artículo es una comparación experimental entre tres métodos para extraer el contenido esencial de un texto (para construir su índice).
1. Escaneado de sentencias clave (topic sentences): Partiendo de bases de teoría de composición de textos se puede decir que en la mayoria de los casos la sentencia clave de un párrafo se encuentra en primer lugar (en el 85% de los casos según un estudio sobre 200 párrafos). Esta técnica selecciona la primera sentencia de cada párrafo para crear el índice, ignorando todas las demas sentencias.
2. Proceso de eliminación sintáctica: Esta técnica se basa en una selección de unidades sintácticas. Se ignoran todas las palabras que sean superfluas (conjunciones, pronombres,...) y se realiza un índice estadístico con las palabras residuales.
3. Selección de frases preposicionales: Esta técnica se basa también en una selección de unidades sintácticas. Parte de la base de que las frases son un núcleo de la comunicación , comparables en importancia únicamente a los párrafos. Basa su funcionamiento en premisas sintácticas (dependientes del lenguaje inglés) tales como el número medio de palabras en las frases, que en el caso del inglés es de 4 palabras.
A partir de esas estadísticas la tecnica selecciona como frase las siguientes 4 palabras (o las que haya hasta una preposición o un signo de puntuación) a cada preposición del texto. La gran ventaja de esta técnica es que las frases tienen más significado que cada palabra por separado y que minimizan problemas tales como los distintos significados que si se dan en palabras individuales.
(Añadido mio) Tiene un inconveniente claro que no se cita en el artículo y es que es dependiente en cierta medida del idioma. Para que fuera genérico deberían de estar disponibles las estadísticas de número medio de palabras en una frase para cada uno de los idiomas posibles de los documentos.
En la parte final del artículo se citan las dificultades para definir la idoneidad de un índice para un texto dado siendo dependiente en función de la persona que lo juzgue, del proposito del índice, ...
Según el artículo (y la potencia computacional de esa 1958) se recomienda un índice de 0,5% sobre el número de palabras del texto. En el caso de estudio realizado la técnica que ha proporcionado mejores soluciones es la técnica de selección de frases proposicionales. Por último se comenta que el indexado automático tiene la gran ventaja de ser un método sistematico, consistente y uniforme.
jueves, 4 de octubre de 2007
Nueva lectura
He acabado de leer el artículo “Machine-made index for technical literature – an experiment” y me encuentro bastante más cómodo que con el anterior artículo. El inglés es bastante más sencillo (como en cualquier artículo) y la manera de redactar es mucho menos "novelística".
Desde el punto de vista de la investigación en sí este artículo es mucho más claro que el anterior. Describe varios métodos de una manera concreta y con ejemplos por lo que he aprendido bastante más con este artículo. Posiblemente mañana haga un pequeño resumen en el blog.
Al acabar los artículos englobados en el wiki para proyectantes como "Primeros sistemas de recuperación de información" realizaré (a partir de las entradas del blog) fichas de lectura tal y como recomendaba Umberto Eco en su libro
sobre como hacer una tesis.
Desde el punto de vista de la investigación en sí este artículo es mucho más claro que el anterior. Describe varios métodos de una manera concreta y con ejemplos por lo que he aprendido bastante más con este artículo. Posiblemente mañana haga un pequeño resumen en el blog.
Al acabar los artículos englobados en el wiki para proyectantes como "Primeros sistemas de recuperación de información" realizaré (a partir de las entradas del blog) fichas de lectura tal y como recomendaba Umberto Eco en su libro
sobre como hacer una tesis.
lunes, 1 de octubre de 2007
(Como se hace una tesis) Referencia Bibliográfica
Continuando con la lectura del libro anteriormente citado de Umberto Eco me ha parecido importante crear una nueva entrada con las indicaciones del libro sobre cómo maquetar una referencia bibliográfica a un libro (o al menos los fallos más comunes que hay que evitar).
1. No hay que poner iniciales nunca. Deben indicarse los nombres completos de los autores.
2. Los títulos de libros no deben ponerse entre comillas puesto que normalmente las comillas son para indicar nombres de revistas o nombres de artículos.
3. Es preferible al maquetar los títulos seguir la costumbre anglosajona de poner en mayúscula la inicial de nombres, adjetivos y verbos.
4. Evitar en la medida de lo posible indicar dónde se ha publicado un título y no citar el autor (esto sucede en algunas publicaciones)
Un punto muy interesante del libro es que al acabar el tema comentado aquí hay un resumen de las reglas de la cita bibliográfica y un ejemplo.
El libro posteriormente propone varias maquetaciones específicas de títulos pero no me parece relevante. Cualquiera que siga estas normas podría ser utilizada.
1. No hay que poner iniciales nunca. Deben indicarse los nombres completos de los autores.
2. Los títulos de libros no deben ponerse entre comillas puesto que normalmente las comillas son para indicar nombres de revistas o nombres de artículos.
3. Es preferible al maquetar los títulos seguir la costumbre anglosajona de poner en mayúscula la inicial de nombres, adjetivos y verbos.
4. Evitar en la medida de lo posible indicar dónde se ha publicado un título y no citar el autor (esto sucede en algunas publicaciones)
Un punto muy interesante del libro es que al acabar el tema comentado aquí hay un resumen de las reglas de la cita bibliográfica y un ejemplo.
El libro posteriormente propone varias maquetaciones específicas de títulos pero no me parece relevante. Cualquiera que siga estas normas podría ser utilizada.
Como se hace una tesis
Por una recomendación de Dani hace unos días me propuse leer el libro "Como se hace una tesis" de Umberto Eco y hoy he conseguido tenerlo. El libro es una especie de guía general para la realización de tesis (preferentemente del campo de las enseñanzas de humanidades) pero también se puede aplicar para cualquier tipo de investigación en cualquier campo.
Para los estudiantes o investigadores de las ramas más técnicas cabe destacar el apartado de decisión del tema de la tesis y el de la búsqueda del material.
En el apartado de decisión del tema de la tesis se argumenta de un modo interesante y con ejemplos bastante gráficos porque el tema de las tesis (o las investigaciones similares) tienen que estar muy focalizados. Además explica las consecuencias de la exposición ante un tribunal de un tema demasiado general.
En el apartado de búsqueda de material (y en otras partes del libro) da consejos sobre la búsqueda y organización (en primarias y secundarias) de las fuentes de información, además de la manera de enfocar dicha información. Del mismo modo indica la necesidad de verificación de la información siempre que no sea información de primera mano.
En cuanto a la organización de la información, desde el punto de vista de un proyecto fin de carrera, caben destacar dos ideas organizativas:
1. Fichero de lectura: Organización en forma de fichas (en mi caso usaré algún tipo de organización digital) de los libros y articulos leidos indicando citas, juicios,... Este fichero será utilizado en la realización de la investigación y en la elaboración de la bibliografía final.
2. Fichero bibliográfico: Organización de todos los títulos o artículos que es interesante buscar. En este fichero solamente se guardan los datos más importantes de cada documento y su localización en bibliotecas o internet (u otras fuentes). A lo sumo pueden añadirse algún tipo de observación del tipo "muy importante según Gamma"
Para los estudiantes o investigadores de las ramas más técnicas cabe destacar el apartado de decisión del tema de la tesis y el de la búsqueda del material.
En el apartado de decisión del tema de la tesis se argumenta de un modo interesante y con ejemplos bastante gráficos porque el tema de las tesis (o las investigaciones similares) tienen que estar muy focalizados. Además explica las consecuencias de la exposición ante un tribunal de un tema demasiado general.
En el apartado de búsqueda de material (y en otras partes del libro) da consejos sobre la búsqueda y organización (en primarias y secundarias) de las fuentes de información, además de la manera de enfocar dicha información. Del mismo modo indica la necesidad de verificación de la información siempre que no sea información de primera mano.
En cuanto a la organización de la información, desde el punto de vista de un proyecto fin de carrera, caben destacar dos ideas organizativas:
1. Fichero de lectura: Organización en forma de fichas (en mi caso usaré algún tipo de organización digital) de los libros y articulos leidos indicando citas, juicios,... Este fichero será utilizado en la realización de la investigación y en la elaboración de la bibliografía final.
2. Fichero bibliográfico: Organización de todos los títulos o artículos que es interesante buscar. En este fichero solamente se guardan los datos más importantes de cada documento y su localización en bibliotecas o internet (u otras fuentes). A lo sumo pueden añadirse algún tipo de observación del tipo "muy importante según Gamma"
Suscribirse a:
Entradas (Atom)