Explicação do Sistema de Recuperação de Informações: Tipos, Comparação e Componentes

Um sistema de recuperação de informações (IR) é um conjunto de algoritmos que facilitam a relevância dos documentos exibidos para as consultas pesquisadas. Em palavras simples, ele funciona para classificar e classificar documentos com base nas consultas de um usuário. Há uniformidade em relação à consulta e ao texto no documento para permitir a acessibilidade do documento.

Isso também permite que uma função de correspondência seja usada efetivamente para classificar um documento formalmente usando seu Valor de Status de Recuperação (RSV). O conteúdo do documento é representado por uma coleção de descritores, conhecidos como termos, que pertencem a um vocabulário V. Um sistema de RI também extrai feedback sobre a usabilidade dos resultados exibidos, rastreando o comportamento do usuário.

Quando falamos de mecanismos de pesquisa, queremos dizer Google, Yahoo e Bing entre os mecanismos de pesquisa gerais. Outros motores de busca incluem DBLP e Google Scholar.

Neste artigo, veremos os diferentes tipos de modelos de RI, os componentes envolvidos e as técnicas usadas na Recuperação de Informações para entender o mecanismo por trás dos mecanismos de pesquisa que exibem resultados.

Leia também: Salário de cientista de dados na Índia

Tipos de Modelo de Recuperação de Informações

Uma recuperação de informações compreende os quatro elementos principais a seguir:

1. D – Representação Documental.
2. Q − Representação da Consulta.
3. F − Uma estrutura para combinar e estabelecer uma relação entre D e Q.
4. R (q, di) − Uma função de classificação que determina a semelhança entre a consulta e o documento para exibir informações relevantes.

Existem três tipos de modelos de Recuperação de Informações (IR):

1. Modelo Clássico de IR — Ele é projetado com base em conceitos matemáticos básicos e é o mais amplamente utilizado dos modelos de IR. Modelos clássicos de recuperação de informações podem ser implementados com facilidade. Seus exemplos incluem modelos de espaço vetorial, booleanos e probabilísticos de IR. Neste sistema, a recuperação da informação depende de documentos que contenham o conjunto definido de consultas. Não há classificação ou classificação de qualquer tipo. Os diferentes modelos clássicos de IR levam em consideração a Representação do Documento, a Representação da Consulta e a função de Recuperação/Correspondência em sua modelagem.

2. Modelo de RI Não Clássico — Eles diferem dos modelos clássicos por serem construídos sobre lógica proposicional. Exemplos de modelos de RI não clássicos incluem modelos de lógica da informação, teoria da situação e interação.

3. Modelo IR alternativo — Estes usam princípios do modelo IR clássico e aprimoram para criar modelos mais funcionais, como o modelo Cluster, Modelos Alternativos de Teoria de Conjuntos, Modelo de Conjuntos Fuzzy, Modelo de Indexação Semântica Latente (LSI), Modelos Algébricos Alternativos, Modelo de Espaço Vetorial Generalizado , etc

Vamos entender os modelos clássicos de IR baseados em similaridade mais adotados em mais detalhes:

1. Modelo Booleano — Este modelo exigia que as informações fossem traduzidas em uma expressão booleana e consultas booleanas. O último é usado para determinar as informações necessárias para fornecer a correspondência correta quando a expressão booleana for verdadeira. Ele usa operações booleanas AND, OR, NOT para criar uma combinação de vários termos com base no que o usuário pergunta.

2. Modelo de espaço vetorial — Este modelo pega documentos e consultas denotados como vetores e recupera documentos dependendo de quão semelhantes eles são. Isso pode resultar em dois tipos de vetores que são usados ​​para classificar os resultados da pesquisa

• Binário em VSM booleano.
• Ponderado em VSM não binário.

3. Modelo de Distribuição de Probabilidades — Neste modelo, os documentos são considerados como distribuições de termos e as consultas são correspondidas com base na similaridade dessas representações. Isso é possível usando entropia ou calculando a utilidade provável do documento. São se dois tipos:

• Modelo de distribuição de probabilidade baseado em similaridade
• Modelo de distribuição de probabilidade baseado em utilidade esperada

4. Modelos Probabilísticos — O modelo probabilístico é bastante simples e usa a classificação de probabilidade para exibir os resultados. Simplificando, os documentos são classificados com base na probabilidade de sua relevância para uma consulta pesquisada.

Checkout: Data Science vs Data Analytics

Componentes do Modelo de Recuperação de Informações

Aqui estão os pré-requisitos para um modelo de RI:

1. Um sistema de indexação automatizado ou operado manualmente usado para indexar e pesquisar técnicas e procedimentos.
2. Uma coleção de documentos em qualquer um dos seguintes formatos: texto, imagem ou multimídia.
3. Um conjunto de consultas que servem como entrada para um sistema, por meio de um humano ou máquina.
4. Uma métrica de avaliação para medir ou avaliar a eficácia de um sistema (por exemplo, precisão e recuperação). Por exemplo, para garantir a utilidade das informações exibidas para o usuário.

Os vários componentes de um Modelo de Recuperação de Informações incluem:

Passo 1

Passo 2

etapa 3

Passo 4

Diferença entre recuperação de informações e recuperação de dados

Os sistemas de recuperação de dados recuperam diretamente os dados de sistemas de gerenciamento de banco de dados, como ODBMS, identificando palavras-chave nas consultas fornecidas pelos usuários e combinando-as com os documentos no banco de dados.

Já o sistema de Recuperação de Informação em SGBD é um conjunto de algoritmos ou programas que envolvem armazenamento, recuperação, avaliação de documentos e representações de consultas, especialmente baseadas em texto, para exibir resultados baseados em similaridade.

Conclusão

Isso nos leva ao final do artigo. Esperamos que você tenha achado as informações úteis. Se você está procurando mais conhecimento sobre os conceitos de Data Science, você deve conferir o 1º Programa PG Executivo certificado pela NASSCOM da Índia em Data Science do IITB no upGrad.