Erklärung des Informationsabrufsystems: Typen, Vergleich und Komponenten

Ein Information Retrieval (IR)-System ist eine Reihe von Algorithmen, die die Relevanz angezeigter Dokumente für Suchanfragen erleichtern. In einfachen Worten, es funktioniert, um Dokumente basierend auf den Abfragen eines Benutzers zu sortieren und einzustufen. Es gibt eine Einheitlichkeit in Bezug auf die Abfrage und den Text im Dokument, um die Zugänglichkeit des Dokuments zu ermöglichen.

Dies ermöglicht auch, dass eine Übereinstimmungsfunktion effektiv verwendet wird, um ein Dokument formal unter Verwendung seines Wiedergewinnungsstatuswerts (RSV) einzustufen. Die Dokumentinhalte werden durch eine Sammlung von Deskriptoren, bekannt als Begriffe, repräsentiert, die zu einem Vokabular V gehören. Ein IR-System extrahiert auch Feedback über die Verwendbarkeit der angezeigten Ergebnisse, indem es das Verhalten des Benutzers verfolgt.

Wenn wir von Suchmaschinen sprechen, meinen wir unter den allgemeinen Suchmaschinen Google, Yahoo und Bing. Andere Suchmaschinen sind DBLP und Google Scholar.

In diesem Artikel werden wir uns die verschiedenen Arten von IR-Modellen, die beteiligten Komponenten und die beim Informationsabruf verwendeten Techniken ansehen, um den Mechanismus zu verstehen, der hinter Suchmaschinen steht, die Ergebnisse anzeigen.

Lesen Sie auch: Data Scientist Gehalt in Indien

Arten von Informationsabrufmodellen

Ein Informationsabruf besteht aus den folgenden vier Schlüsselelementen:

1. D − Dokumentendarstellung.
2. Q − Abfragedarstellung.
3. F − Ein Framework, um eine Beziehung zwischen D und Q herzustellen und abzugleichen.
4. R (q, di) – Eine Rangfolgefunktion, die die Ähnlichkeit zwischen der Abfrage und dem Dokument bestimmt, um relevante Informationen anzuzeigen.

Es gibt drei Arten von Information Retrieval (IR)-Modellen:

1. Klassisches IR-Modell – Es basiert auf grundlegenden mathematischen Konzepten und ist das am weitesten verbreitete IR-Modell. Klassische Information-Retrieval-Modelle lassen sich einfach implementieren. Zu seinen Beispielen gehören Vektorraum-, Boolesche und probabilistische IR-Modelle. In diesem System hängt der Abruf von Informationen von Dokumenten ab, die den definierten Satz von Abfragen enthalten. Es gibt keinerlei Ranking oder Bewertung. Die verschiedenen klassischen IR-Modelle berücksichtigen bei ihrer Modellierung die Dokumentendarstellung, die Abfragedarstellung und die Abruf-/Abgleichsfunktion.

2. Nicht-klassisches IR-Modell – Sie unterscheiden sich von klassischen Modellen dadurch, dass sie auf Aussagenlogik aufbauen. Beispiele für nicht-klassische IR-Modelle sind Informationslogik, Situationstheorie und Interaktionsmodelle.

3. Alternatives IR-Modell – Diese nehmen Prinzipien des klassischen IR-Modells auf und erweitern sie, um funktionalere Modelle wie das Cluster-Modell, das Fuzzy-Set-Modell alternativer mengentheoretischer Modelle, das Latent Semantic Indexing (LSI)-Modell, das verallgemeinerte Vektorraummodell alternativer algebraischer Modelle zu erstellen , etc.

Lassen Sie uns die am häufigsten verwendeten ähnlichkeitsbasierten klassischen IR-Modelle genauer verstehen:

1. Boolesches Modell – Bei diesem Modell mussten Informationen in einen booleschen Ausdruck und boolesche Abfragen übersetzt werden. Letzteres wird verwendet, um die Informationen zu bestimmen, die erforderlich sind, um die richtige Übereinstimmung liefern zu können, wenn der boolesche Ausdruck als wahr befunden wird. Es verwendet die booleschen Operationen AND, OR, NOT, um eine Kombination mehrerer Begriffe basierend auf der Frage des Benutzers zu erstellen.

2. Vektorraummodell – Dieses Modell nimmt Dokumente und Abfragen, die als Vektoren gekennzeichnet sind, und ruft Dokumente ab, je nachdem, wie ähnlich sie sind. Dies kann zu zwei Arten von Vektoren führen, die dann verwendet werden, um Suchergebnisse zu ordnen

• Binär in Boolean VSM.
• Gewichtet in nicht-binärem VSM.

3. Wahrscheinlichkeitsverteilungsmodell – In diesem Modell werden die Dokumente als Verteilungen von Begriffen betrachtet und Abfragen werden basierend auf der Ähnlichkeit dieser Darstellungen abgeglichen. Dies wird durch die Verwendung von Entropie oder durch Berechnung des wahrscheinlichen Nutzens des Dokuments ermöglicht. Sie sind, wenn zwei Arten:

• Ähnlichkeitsbasiertes Wahrscheinlichkeitsverteilungsmodell
• Auf dem erwarteten Nutzen basierendes Wahrscheinlichkeitsverteilungsmodell

4. Wahrscheinlichkeitsmodelle – Das Wahrscheinlichkeitsmodell ist ziemlich einfach und verwendet die Wahrscheinlichkeitsrangfolge, um Ergebnisse anzuzeigen. Vereinfacht gesagt werden Dokumente nach der Wahrscheinlichkeit ihrer Relevanz für eine Suchanfrage gerankt.

Checkout: Data Science vs. Datenanalyse

Komponenten des Informationsabrufmodells

Hier sind die Voraussetzungen für ein IR-Modell:

1. Ein automatisiertes oder manuell betriebenes Indexierungssystem, das zum Indexieren und Durchsuchen von Techniken und Verfahren verwendet wird.
2. Eine Sammlung von Dokumenten in einem der folgenden Formate: Text, Bild oder Multimedia.
3. Eine Reihe von Abfragen, die über einen Menschen oder eine Maschine als Eingabe für ein System dienen.
4. Eine Bewertungsmetrik zum Messen oder Bewerten der Effektivität eines Systems (z. B. Präzision und Abruf). Zum Beispiel, um sicherzustellen, wie nützlich die Informationen sind, die dem Benutzer angezeigt werden.

Zu den verschiedenen Komponenten eines Informationsabrufmodells gehören:

Schritt 1

Schritt 2

Schritt 3

Schritt 4

Unterschied zwischen Informationsabruf und Datenabruf

Datenabrufsysteme rufen Daten direkt aus Datenbankverwaltungssystemen wie ODBMS ab, indem sie Schlüsselwörter in den von Benutzern bereitgestellten Abfragen identifizieren und sie mit den Dokumenten in der Datenbank abgleichen.

Während das Informationsabrufsystem in DBMS eine Reihe von Algorithmen oder Programmen ist, die das Speichern, Abrufen und Auswerten von Dokumenten- und Abfragedarstellungen beinhalten, insbesondere textbasiert, um Ergebnisse basierend auf Ähnlichkeit anzuzeigen.

Fazit

Damit sind wir am Ende des Artikels angelangt. Wir hoffen, Sie fanden die Informationen hilfreich. Wenn Sie nach mehr Wissen über Data Science-Konzepte suchen, sollten Sie sich Indiens 1. NASSCOM-zertifiziertes Executive PG-Programm in Data Science von IITB auf upGrad ansehen.