Információ keresés

Question 1

Információ visszakeresés jelentése, célja

Answer 1

A felhasználók információ igényének minél pontosabb és teljesebb kielégítése. A keresés tárgya a dokumentum által hordozott információ. A félstrukturált és strukturált adatok visszakeresését jelenti.

Nehézség: az igény sokszor nem áll pontosan rendelkezésre (nincs leképezve a rendszer követelményeire), embereknél nincs speciális előképzettség.

Question 2

Adat visszakeresés fogalma

Answer 2

Keresés a dokumentum szintaktikai struktúrájában

Question 3

Szöveges adatforrás logikai nézetének definiálása a visszakereséshez

Answer 3

• adatforráshoz tartozó dokumentumok megadása
• szövegeken végezhető műveletek megadása
• szövegmodell (dokumentum struktúrája, mely elemei kereshetők) megadása

Question 4

Releváns dokumentumok fogalma

Answer 4

Azok a dokumentumok, amelyek kielégítik az adott információs igényt. Megítélése szubjektív.

Visszakeresés elvi feladata: az összes releváns dokumentum megtalálása.

Question 5

Rangsorolás (ranking) fogalma

Answer 5

Relevancia szerinti rendezés.

Question 6

Visszakeresés fajtái

Answer 6

Ad-hoc, szűrés (filtering), böngészés.

Question 7

Ad-hoc visszakeresés

Answer 7

• a felhasználó egy adott kérdésre vár választ a rendszertől

- a rendszer által tartalmazott dokumentumok halmaza közel állandó, a felhasználói kérések folyamatosan változnak

Question 8

Szűrés

Answer 8

A visszakeresés egy fajtája.

A felhasználói kérések állandóak, a dokumentumok bővülnek, és ezekből kiválasztjuk a relevánsakat.

Question 9

Lekérdezés módjai

Answer 9

Kulcsszavas (egyszavas, logikai kifejezés, stb.), mintailleszkedés, strukturált kérdések (állandó, hierarchikus, hypretext), lekérdezési protokollok.

Question 10

IR modell(ezés)

Answer 10

IR modell = dokumentum logikai nézete + a felhasználói feladat.

Jellemzően index kifejezéseket használnak. Főleg szöveges indexek, nem csak ilyenek léteznek. Igények és a dokumentum szemantikája nem fejezhető ki veszteség nélkül index kifejezésekkel.

Lelke az invertált állomány. Fő cél: jobb fedés, jobb hatékonyság.

Question 11

Invertált állomány

Answer 11

Minden index termhez tárolja, hogy hol szerepel, és melyik dokumentumban. Lehetséges gyorsítások: index, hash tábla, stb.

Question 12

Fedés

Answer 12

A releváns dokumentumok hány százalékát adja vissza a rendszer.

Question 13

Pontosság

Answer 13

A visszaadott dokumentumok hány százaléka releváns.

Question 14

Index kifejezések súlyozása

Answer 14

Minden dokumentumban súlyt rendelünk az összes indexhez (ha nincs benne az index term a dokumentumban, akkor a súlya 0)

Question 15

Metakeresés

Answer 15

Keresés több kereső terében. Gyűjti a válaszokat és egyesíti.
Működési fázisok:
 - keresőmotor választás
 - dokumentum választás
 - merging algoritmusok

Question 16

IR eredményesség javításának lehetőségei

Answer 16

• felhasználói relevancia, profilozás
• logikai elemzés
• kontrollált szótár (tezaurusz)
• hypelink struktúra figyelembe vétele, pl. google pagerank

Question 17

Webkereső feladatai

Answer 17

1. dokumentumgyűjtés
2. dokumentumok indexelése
3. keresés
4. dokumentum és keresési feltétel (query) kezelés

Question 18

Dokumentumgyűjtés feladatai (webkeresés)

Answer 18

Crawling.

• robot, spider felméri a változott lapokat, amiket indexelni kell
• helyi szerveren fut, távoli szervernek küld kéréseket
• folyamata: seed URL, majd DFS vagy BFS-sel halad
• több crawler egyszerre: redundancia, web particionálása
• népszerű vs. passzív lapok, lapváltási gyakoriságot is tanulják

Question 19

Dokumentumok indexelése (webkeresés)

Answer 19

Fajtái:

• teljes
• szűkített (gyakori kereséshez)

Metaadat elemzés, kihagyások (pl. névelők), toldalékok kezelése, súlyok és hyperlink információk (pl. link népszerűség).

Question 20

Keresés (webkeresés)

Answer 20

Query, advanced search, query normalizálás.
Ransgsoroló algoritmusok: standard IR és webIR között a linkek használata a fő különbség. Google Pagerank: véletlen bejárást szimulálva számolja a lap pontszámát. HITS: adott témakörökre fókuszál: minél több oldal jelöl egy oldalt, annál népszerűbb. Népszerűbb oldalak nagy valószínűséggel tartalmaznak releváns információt.

Question 21

Dokumentum és query kezelés (webkeresés)

Answer 21

Eredmény megjelenítése (10-lapról, klaszterezés, lekérdezés finomítása).

Virtuális gyűjtemény (indexeléskor kizárt dokumentumok) vs. fizikai gyűjtemény (indexelés után kezelt dokumentumok).