Information retrieval

Task

Comunemente, si definisce task di un sistema di information retrieval una situazione tipica che un sistema di questo genere deve risolvere.

Nel momento in cui un utente intende usare un qualsiasi sistema di reperimento dell'informazione (per esempio, un motore di ricerca) per acquisire informazioni su un determinato argomento, questi deve tradurre tale necessità in una query; il sistema di information retrieval ha il compito di restituire, a partire da essa, tutti i documenti rilevanti alla richiesta effettuata.

Precisione

La precisione (in inglese precision) è la proporzione di documenti pertinenti fra quelli recuperati:

P = (numero di documenti pertinenti recuperati) / (numero di documenti recuperati)

Nella classificazione binaria la precisione è analoga al valore positivo di previsione.

La precisione può anche essere valutata rispetto a un certo valore soglia, indicato con P@n, piuttosto che relativamente a tutti i documenti recuperati: in questo modo, si può valutare quanti fra i primi n documenti recuperati sono rilevanti per la query.

Il significato e l'uso del termine precisione nel campo dell'information retrieval differiscono quindi dalla definizione di accuratezza e precisione tipiche di altre discipline scientifiche e tecnologiche.

Recupero

Il recupero o richiamo (in inglese recall) è la proporzione fra il numero di documenti rilevanti recuperati e il numero di tutti i documenti rilevanti disponibili nella collezione considerata:

R = (numero di documenti rilevanti recuperati) / (numero di documenti rilevanti)

Nella classificazione binaria, questo valore è chiamato sensitività.

Misura F

La misura F (in inglese F-measure) è la media armonica pesata fra precisione e recupero. La versione tradizionale, detta anche bilanciata, è data da:

${\displaystyle F=2\times \mathrm {precisione} \times \mathrm {recupero} /(\mathrm {precisione} +\mathrm {recupero} ).}$

Questa misura è anche detta ${\displaystyle F_{1}}$, perché sia la precisione che il recupero nella formula precedente hanno appunto il peso 1.

In generale, la formula è:

${\displaystyle F_{N}=(1+N^{2})\times \mathrm {precisione} \times \mathrm {recupero} /((N^{2}\times \mathrm {precisione} )+\mathrm {recupero} ).}$

Altre due formule comuni sono ${\displaystyle F_{0.5}}$, che assegna alla precisione un peso doppio rispetto al recupero, e la ${\displaystyle F_{2}}$, che al contrario pesa il recupero al doppio della precisione.

Classificazione matematica dei modelli

• I modelli set-theoretic rappresentano i documenti mediante insiemi. Le somiglianze derivano in genere da operazioni teoriche su questi insiemi. I modelli più comuni sono:
  • Modello booleano standard
  • Modello booleano esteso
  • Recupero fuzzy
• I modelli algebrici rappresentano i documenti e le query con vettori, matrici o tuple, che, utilizzando un numero finito di operazioni algebriche, vengono trasformati in una misura numerica, la quale esprime il grado di somiglianza dei documenti con la query.
  • Modello a spazio vettoriale
  • Modello a spazio vettoriale generalizzato
  • Topic-based vector space model (, )
  • Modello booleano esteso
  • Enhanced topic-based vector space model (, )
  • Latent semantic indexing aka latent semantic analysis
• I modelli probabilistici trattano il processo di recupero dei documenti come un esperimento aleatorio multi-livello. Le somiglianze sono quindi rappresentate come probabilità. I teoremi probabilistici come il teorema di Bayes sono spesso usati in questi modelli.
  • Binary independence retrieval
  • Uncertain inference
  • Language models
  • Divergence from randomness models

Classificazione in base alle proprietà dei modelli

• Modelli senza interdipendenza dei termini trattano diversi termini/parole come non interdipendenti. Ciò viene rappresentato spesso nei modelli a spazi vettoriali affermando che i vettori dei termini siano ortogonali, o nei modelli probabilistici affermando che le variabili dei termini siano indipendenti.
• Modelli con interdipendenza dei termini intrinseca consentono una rappresentazione diretta delle interdipendenze tra termini. Comunque il grado di interdipendenza tra due termini è definito dal modello stesso. In genere, esso è direttamente o indirettamente derivato (ad es. tramite riduzione della dimensionalità) dalla co-occorrenza di questi termini nell'intero insieme di documenti.
• Modelli con interdipendenza dei termini trascendente consentono una rappresentazione diretta delle interdipendenze tra termini, ma essi non riportano come l'interdipendenza tra due termini sia definita. Si riferiscono ad una fonte esterna per stabilire il grado di interdipendenza tra due termini (ad esempio un umano o degli algoritmi sofisticati).

Annotazioni

Fonti