Système de recherche d'informations expliqué : types, comparaison et composants

Un système de recherche d'informations (IR) est un ensemble d'algorithmes qui facilitent la pertinence des documents affichés par rapport aux requêtes recherchées. En termes simples, cela fonctionne pour trier et classer les documents en fonction des requêtes d'un utilisateur. Il existe une uniformité en ce qui concerne la requête et le texte dans le document pour permettre l'accessibilité du document.

Cela permet également d'utiliser efficacement une fonction de correspondance pour classer formellement un document à l'aide de sa valeur d'état de récupération (RSV). Le contenu du document est représenté par une collection de descripteurs, appelés termes, qui appartiennent à un vocabulaire V. Un système IR extrait également des commentaires sur l'utilisabilité des résultats affichés en suivant le comportement de l'utilisateur.

Lorsque nous parlons de moteurs de recherche, nous entendons Google, Yahoo et Bing parmi les moteurs de recherche généraux. Les autres moteurs de recherche incluent DBLP et Google Scholar.

Dans cet article, nous examinerons les différents types de modèles IR, les composants impliqués et les techniques utilisées dans la recherche d'informations pour comprendre le mécanisme derrière les moteurs de recherche affichant les résultats.

Lisez aussi: Salaire de data scientist en Inde

Types de modèle de recherche d'informations

Une recherche d'informations comprend les quatre éléments clés suivants :

1. D − Représentation de documents.
2. Q - Représentation des requêtes.
3. F - Un cadre pour faire correspondre et établir une relation entre D et Q.
4. R (q, di) - Une fonction de classement qui détermine la similarité entre la requête et le document pour afficher les informations pertinentes.

Il existe trois types de modèles de recherche d'informations (RI) :

1. Modèle IR classique - Il est conçu sur des concepts mathématiques de base et est le modèle IR le plus largement utilisé. Les modèles classiques de recherche d'informations peuvent être mis en œuvre facilement. Ses exemples incluent les modèles IR vectoriels, booléens et probabilistes. Dans ce système, la récupération des informations dépend des documents contenant l'ensemble défini de requêtes. Il n'y a aucun classement ou classement d'aucune sorte. Les différents modèles de RI classiques prennent en compte la représentation de document, la représentation de requête et la fonction de récupération/correspondance dans leur modélisation.

2. Modèle IR non classique - Ils diffèrent des modèles classiques en ce qu'ils sont construits sur une logique propositionnelle. Des exemples de modèles IR non classiques incluent les modèles de logique d'information, de théorie de situation et d'interaction.

3. Modèle IR alternatif - Ceux-ci prennent les principes du modèle IR classique et les améliorent pour créer des modèles plus fonctionnels comme le modèle de cluster, le modèle d'ensemble flou de modèles théoriques alternatifs, le modèle d'indexation sémantique latente (LSI), les modèles algébriques alternatifs Modèle d'espace vectoriel généralisé , etc.

Comprenons plus en détail les modèles IR classiques basés sur la similarité les plus adoptés :

1. Modèle booléen — Ce modèle nécessitait que les informations soient traduites en une expression booléenne et des requêtes booléennes. Ce dernier est utilisé pour déterminer les informations nécessaires pour pouvoir fournir la bonne correspondance lorsque l'expression booléenne s'avère vraie. Il utilise les opérations booléennes AND, OR, NOT pour créer une combinaison de plusieurs termes en fonction de ce que l'utilisateur demande.

2. Modèle d'espace vectoriel - Ce modèle prend des documents et des requêtes désignés comme des vecteurs et récupère les documents en fonction de leur similarité. Cela peut entraîner deux types de vecteurs qui sont ensuite utilisés pour classer les résultats de recherche soit

• Binaire dans VSM booléen.
• Pondéré en VSM non binaire.

3. Modèle de distribution de probabilité — Dans ce modèle, les documents sont considérés comme des distributions de termes et les requêtes sont appariées en fonction de la similarité de ces représentations. Ceci est rendu possible en utilisant l'entropie ou en calculant l'utilité probable du document. Ils sont si de deux types :

• Modèle de distribution de probabilité basé sur la similarité
• Modèle de distribution de probabilité basé sur l'utilité attendue

4. Modèles probabilistes - Le modèle probabiliste est plutôt simple et prend le classement de probabilité pour afficher les résultats. Pour le dire simplement, les documents sont classés en fonction de la probabilité de leur pertinence par rapport à une requête recherchée.

Paiement : Data Science vs Data Analytics

Composants du modèle de recherche d'informations

Voici les prérequis pour un modèle IR :

1. Un système d'indexation automatisé ou manuel utilisé pour indexer et rechercher des techniques et des procédures.
2. Une collection de documents dans l'un des formats suivants : texte, image ou multimédia.
3. Un ensemble de requêtes qui servent d'entrée à un système, via un humain ou une machine.
4. Une métrique d'évaluation pour mesurer ou évaluer l'efficacité d'un système (par exemple, la précision et le rappel). Par exemple, pour garantir l'utilité des informations affichées pour l'utilisateur.

Les différents composants d'un modèle de recherche d'informations comprennent :

Étape 1

Étape 2

Étape 3

Étape 4

Différence entre la récupération d'informations et la récupération de données

Les systèmes de récupération de données récupèrent directement les données des systèmes de gestion de base de données comme ODBMS en identifiant les mots-clés dans les requêtes fournies par les utilisateurs et en les faisant correspondre aux documents de la base de données.

Alors que le système de recherche d'informations dans le SGBD est un ensemble d'algorithmes ou de programmes qui impliquent le stockage, la récupération, l'évaluation des représentations de documents et de requêtes, en particulier basées sur du texte, pour afficher des résultats basés sur la similitude.

Conclusion

Cela nous amène à la fin de l'article. Nous espérons que vous avez trouvé ces informations utiles. Si vous recherchez plus de connaissances sur les concepts de la science des données, vous devriez consulter le premier programme exécutif PG certifié NASSCOM en Inde de l' IITB sur upGrad.