Sistemi per il recupero delle informazioni
INFORMATION RETRIEVAL
INTRODUZIONE
Un concetto che può essere confuso con le basi di dati è quello delle banche di dati (o banca dati). Esistono fra di loro delle differenze sostanziali.
Sempre più spesso i documenti nascono direttamente in forma elettronica dando vita a enormi banche dati che contengono oltre ad una sintetica descrizione dei documenti anche il testo in forma integrale.
Esistono numerose raccolte di articoli apparsi in riviste specializzate e gestite da organismi internazionali (riviste scientifiche, banche di dati giuridici gestite dalla Cassazione, quelle sui brevetti, quelle della polizia ecc.). Queste raccolte sono consultabili interattivamente, anche con Internet, per fare ricerche in base al nome di un autore oppure in base al contenuto del riassunto.
INTRODUZIONE
La necessità di gestire automaticamente grandi quantità di informazioni memorizzate in forma di testo ha giustificato un vasto lavoro di ricerca motivato
dalla consultazione di materiale bibliografico (libri, giornali,riviste) e di sommari di pubblicazioni scientifiche
dall’automazione del lavoro d’ufficio (lettere, studi, relazioni), dove, secondo recenti stime, soltanto un terzo delle informazioni eterogenee trattate sono dati strutturati mentre il resto è costituito da testi, immagini, voce.
PRINCIPALI DIFFERENZE
Nelle banche dati:
le informazioni non sono organizzate in insiemi in relazione fra loro, ma sono rappresentate come insiemi di testi
non sono modificabili in linea
non sono utilizzabili per la gestione del sistema informativo di un’organizzazione
possono solo raccogliere informazioni in forma testuale.
PRINCIPALI DIFFERENZE
BANCA DATI
per effettuare ricerche di pubblicazioni su alcuni argomenti
per la gestione di una biblioteca, dove invece interessa una base di dati aggiornabile per trattare mediante transazioni l’acquisto dei libri, gli abbonamenti delle riviste, i prestiti ecc
Utile Inutile
Per banca di dati intenderemo una raccolta di informazioni rappresentate in forma testuale e messe a disposizione di un gran pubblico di utenti per essere reperite specificando in modo parziale il loro contenuto.
DOCUMENTI
Un documento è un’entità che possiede una parte strutturata, chiamata profilo, e una parte di testo.
Il profilo contiene informazioni strutturate.
Ad esempio nel caso di un libro
il nome dell’autore
il titolo
l’editore
la data e il luogo di pubblicazione
nel caso di un rapporto
autore
data
nel caso di una lettera
mittente e destinatario
data
oggetto
RECUPERO DEI DOCUMENTI
I documenti, una volta archiviati, possono venir recuperati
in base alle informazioni presenti nel profilo
in base al contenuto del testo
Nel primo caso si utilizzano le tradizionali tecniche sviluppate per i sistemi di gestione di basi di dati. Nel secondo caso si usano tecniche sviluppate espressamente per la gestione di testi.
GESTIRE I TESTI
Il problema della gestione di testi per consentire il recupero di quelli che contengono alcune informazioni, è stato affrontato nel settore disciplinare noto attualmente con il nome di “recupero dell’informazione” (information retrieval) e sono stati sviluppati sistemi adatti a tale scopo.
L’Information Retrieval (IR) si occupa della rappresentazione, memorizzazione e organizzazione dell’informazione, al fine di rendere agevole all’utente il soddisfacimento dei propri bisogni informativi.
Information retrieval
Data una collezione di documenti e un bisogno informativo dell’utente, obiettivo dell’IR è di recuperare, all’interno di una collezione, tutti e solo i documenti rilevanti per un particolare utente con una particolare richiesta informativa
sistemi specializzati nella gestione di documenti di testo e nel recupero in base al loro contenuto
Rilevanza è un concetto chiave dell’IR, su cui torneremo
grossa collezione di documenti
Collezioni fulltext
Digital libraries
Pagine Web (motori di ricerca – search engines)
Rispetto alla teoria classica delle basi di dati, l’enfasi non è sulla ricerca di dati ma sulla ricerca di informazioni.
Information retrieval
Il settore dell’Information Retrieval è stato studiato fin dagli anni `70.
l’espressione “information retrieval” è coniata da C. Mooers nel 1952
Il primo computer studiato per l’irs è del 1957
Negli anni `90, l’esplosione del Web ha moltiplicato l’interesse per IR.
Il Web infatti non è altro che un’enorme collezione di documenti, sui quali gli utenti vogliono fare ricerche informazionali.
per quanto riguarda le risorse informative di tipo elettronico reperibili in www, uno studio compiuto dall’On Line Catalogue della Library of Congress Office of Research (OCLC) parla di 3.080.000 risorse per il solo web pubblico (corrispondente a circa il 35% del web totale) (O’Neill 2003).
Per la ricerca di informazioni disponibili su calcolatori di tutto il mondo collegati in rete Internet è disponibile il sistema Google.
Altra possibilità è la disponibilità di banche dati multimediali, ad esempio di immagini, sulle quali si possono fare ricerche per contenuto con una filosofia analoga a quella usata per i testi.
Bisogno informativo
Il problema principale è che non è semplice caratterizzare esattamente i bisogni informativi dell’utente.
Un esempio di bisogno informativo
trova tutti i documenti che contengono informazioni sulle squadre di calcio partecipanti a campionati di prima divisione e che:
provengono da organismi calcistici ufficiali;
contengono informazioni sui risultati raggiunti nei tornei nazionali negli ultimi tre anni;
forniscono l’indirizzo e-mail o il numero di telefono della società.
Documenti e termini
Nell'Information Retrieval, gli oggetti sui quali vengono effettuate le ricerche vengono chiamati documenti , mentre i documenti sono descritti come dei gruppi di termini .
Solitamente si intende un documento come una porzione di testo (ad esempio, un articolo giornalistico), rappresentato in una forma in cui sia leggibile da un sistema automatico (ad esempio come file, o interno ad un database); un termine è inteso come una parola (es:
uranio) o un'espressione (es: uranio impoverito) che aiuta a descrivere il documento e che può ricorrere all'interno del documento stesso, una o più volte.
Più in generale, potremmo intendere il documento come qualcosa che vogliamo ottenere come effetto della nostra ricerca, e un termine ogni caratteristica che contribuisca a descrivere il documento.
Documenti e termini
Se in un sistema di Information Retrieval, un documento D viene descritto da un termine t , si dice che t indicizza D , e possiamo scrivere: t -> D
Infatti, un sistema di Information Retrieval è composto da un gruppo di documenti, D , D , D..., un gruppo di termini t , t , t ..., ed un'insieme di relazioni: ti -> Dj che sono delle istanze di termini che indicizzano documenti
una singola istanza di un certo termine che indicizza un determinato documento viene chiamata posting .
Per un documento D esiste una lista di termini che lo indicizza; tale lista è detta lista di temini per D .
Per un termine t, esiste una lista di documenti che lo indicizza, detta posting list di t.
Rilevanza
Quando una persona desidera trovare i documenti di una raccolta che contengono alcune informazioni, formula una richiesta e di solito ottiene in risposta sia documenti effettivamente utili, o rilevanti, che documenti inutili.
La rilevanza di un documento non può essere garantita dal sistema per il recupero dell’informazione, ma solo da chi ha formulato la richiesta.
Pertanto può accadere che documenti che l’utente considererebbe rilevanti non facciano parte dei documenti recuperati dal sistema, e viceversa.
Un sistema per il recupero dell’informazione cerca di limitare questi due inconvenienti che, in generale, non possono essere eliminati.
DEFINIZIONE: Un documento è rilevante se soddisfa il bisogno d’informazione che l’utente ha espresso con la sua richiesta.
ESEMPIO DI RILEVANZA
Si supponga di avere un insieme Impiegati di dati strutturati, con attributi Nome, Indirizzo, Codice, AnnoAssunzione, e Stipendio; per conoscere il nome e l’indirizzo degli impiegati assunti dopo il 1970 che guadagnano più di 2000€ al mese, una possibile formulazione della richiesta è la seguente:
SQL> SELECT Nome, Indirizzo FROM Impiegati
WHERE AnnoAssunzione >= 1970 AND Stipendio > 2000
In risposta si ottengono i dati che soddisfano esattamente la condizione specificata e quindi certamente rilevanti.
ESEMPIO DI RILEVANZA
Si supponga invece di avere un insieme di documenti; per recuperare i documenti relativi all’uso dei calcolatori per lo sviluppo di progetti architettonici, sapendo che il termine CAD è sinonimo di progetto assistito dal calcolatore, una possibile formulazione della richiesta è la seguente:
SEARCH ‘architett*’ AND (CAD OR (‘progetto’ AND ‘calcolatore’)) FROM SENTENCE
In risposta si ottengono documenti in cui le parole della richiesta assumono anche un significato differente da quello ad essi attribuito.
Ad esempio, fra i documenti recuperati potrebbe esserci quello contenente la seguente frase
“… l’impiego del calcolatore per lo sviluppo di progetti architettonici riguarda il campo di applicazione dell’informatica conosciuto con il nome di CAD (Computer Aided Design), …”
ma anche quello contenente la frase
“… nell’affrontare il progetto dell’architettura di un calcolatore bisogna tener conto del settore di applicazione in cui verrà utilizzato …”
D’altra parte, documenti concettualmente pertinenti potrebbero essere ignorati. Fra i documenti non recuperati potrebbe esserci quello contenente la seguente frase
“… l’uso di computer nel disegno di componenti VLSI è una delle aree di sicuro interesse per la progettazione assistita dal calcolatore …”
Information Retrieval vs Data Retrieval
Un sistema di Data Retrieval (ad esempio un DBMS) gestisce dati che hanno una struttura ed una semantica ben definita.
Un sistema di Information Retrieval gestisce testi scritti in linguaggio naturale, spesso non ben strutturati e semanticamente ambigui.
Un linguaggio per Data Retrieval permette di trovare tutti gli oggetti che soddisfano esattamente le condizioni definite. Tali linguaggi (algebra relazionale, SQL) garantiscono una risposta corretta e completa.
Un sistema di Information Retrieval, invece, potrebbe restituire, tra gli altri, oggetti non esatti; piccoli errori sono accettabili e probabilmente non verranno notati dall’utente.
COSA AFFRONTEREMO…
Il modo in cui si rappresenta il contenuto dei documenti
Il criterio adottato per stabilire quali documenti recuperare per soddisfare una richiesta.
Processo di ricerca di informazioni
1. L’utente specifica un bisogno informativo...
2. che viene analizzato e trasformato utilizzando le stesse operazioni sul testo applicate alla collezione;
3. la query viene eventualmente trasformata…
4. per poi essere eseguita, utilizzando indici precedentemente costruiti, al fine di trovare documenti rilevanti;
5. i documenti trovati vengono ordinati in base alla probabilità che siano rilevanti e ritornati in tale ordine all’utente;
6. l’utente esamina i documenti ritornati ed eventualmente raffina la query, dando il via ad un nuovo ciclo.
Il nucleo di un IRS
Il problema informativo
Il problema informativo corrisponde ad un particolare bisogno di informazione dell’utente. Tramite un processo di rappresentazione, il problema informativo viene tradotto in una richiesta espressa nel linguaggio di interrogazione dell’IRS.
Analogamente, dai documenti, tramite un altro processo di rappresentazione, spesso chiamato di classificazione o indicizzazione, si passa al surrogato dei documenti, cioè alla loro rappresentazione nell’IRS.
sia nella classificazione di un documento da parte di un esperto che nella formulazione della richiesta da parte di un utente può essere usato un vocabolario controllato organizzato in un thesaurus.
Il problema informativo: indicizzazione
I metodi di rappresentazione dei documenti si possono separare in due categorie: quelli che danno una rappresentazione diretta del contenuto dei documenti e quelli che ne danno una rappresentazione indiretta. Nel primo caso il documento è rappresentato dalle parole in esso contenute (full text) mentre nel secondo il documento è rappresentato da termini di indicizzazione derivati manualmente o automaticamente e che ne descrivono in modo sintetico e completo il contenuto
Rappresentazione dei documenti in forma sintetica:
indicizzazione: l’idea è quella di associare a ciascun documento un insieme di termini (keyword) significativi che saranno utilizzati per selezionare il documento.
Il problema informativo: query
Possiamo pensare ad un IRS come ad un sistema in cui da un lato entrano documenti che vengono sottoposti ad un processo di indicizzazione, per ottenerne una rappresentazione sintetica, dall’altro entrano le richieste (query) dell’utente che devono essere codificate in modo analogo, cioè come un insieme di termini.
In fase di recupero:
formalizzazione delle richieste
confronto tra richieste e rappresentazione di documenti
In questo processo di confronto l’IRS adotta una particolare tecnica di recupero dei documenti che serve per giudicare quali documenti sono rilevanti e in che misura rispetto all’interrogazione
Il problema informativo: recupero
Si definisce tecnica di recupero (retrieval technique) di un IRS la tecnica adottata dal sistema per confrontare l’interrogazione utente con il surrogato dei documenti.
La tecnica di recupero adottata da un IRS, è il meccanismo interno del sistema che lo guida nel giudicare come rilevanti o non rilevanti i documenti di una raccolta, in rapporto ad una specifica interrogazione.
Le tecniche di recupero sono di due tipi:
per corrispondenza esatta (exact match)
per similitudine o corrispondenza parziale (partial match)
Risultato
Binario (si/no) – il risultato soddisfa o non soddisfa la richiesta (corrispondenza esatta)
Probabilistico – il risultato soddisfa la richiesta in una qualche misura (corrispondenza parziale)
Il problema informativo: recupero
Le tecniche di recupero per corrispondenza esatta sono basate sull’assunzione che le informazioni specificate nella richiesta siano esattamente contenute nella componente testuale del documento
Svantaggi:
molti documenti rilevanti sono ignorati se il testo corrisponde solo parzialmente all’interrogazione
i documenti ritrovati non sono ordinati per rilevanza rispetto all’interrogazione
non è possibile tenere in considerazione l’importanza relativa di concetti sia nell’interrogazione che nei documenti
la logica del linguaggio di interrogazione risulta spesso complicata
l’efficacia dipende dalla misura in cui le due rappresentazioni da confrontare siano basate o meno sullo stesso vocabolario
Il problema informativo: recupero
Le tecniche di recupero per corrispondenza parziale sono invece basate sull’assunzione che le informazioni specificate nella richiesta possano essere contenute parzialmente nel documento e che i documenti ritrovati possano essere ordinati per valori decrescenti di rilevanza
Queste tecniche consentono una maggiore flessibilità e sono quelle su cui si concentra il maggiore sforzo di ricerca
DBMS vs IRS
Riprendendo il confronto con i DBMS riassumiamo le principali caratteristiche dei due sistemi
Modello dei dati: come si rappresentano le informazioni. Nei DBMS le informazioni si rappresentano come insieme di dati strutturati e relazioni fra insiemi. Negli IRS le informazioni si rappresentano come insieme di testi.
Richiesta: come si specifica ciò che si cerca. Nei DBMS l’utente descrive in modo completo e preciso ciò di cui ha bisogno; negli IRS non si specifica completamente il valore del testo di un documento ma se ne specifica il contenuto mediante una descrizione abbreviata e pertanto soggettiva e incompleta. Le richieste sono espressioni imprecise del bisogno informativo
DBMS vs IRS
Tecnica di recupero: come il sistema, in fase di ricerca, decide se un documento soddidfa la richiesta. Nei DBMS la scelta delle registrazioni da recuperare si basa sula corrispondenza esatta fra quanto specificato nella richiesta e quanto in esse contenuto; negli IRS questa corrispondenza è in generale parziale perché basata su un criterio di similitudine che dipende da come si rappresenta il contenuto del documento
Risultato: cosa fornisce il sistema come risposta ad una richiesta. Nei DBMS vengono fornite solo le registrazioni che soddisfano la condizione di ricerca; negli IRS vengono forniti documenti probabilmente rilevanti: è compito dell’utente stabilire quali di essi siano davvero tali, sapendo che il sistema non garantisce che fra i documenti non recuperati non ne esistano di rilevanti (Le risposte sono riferimenti a documenti “che potrebbero contenere le risposte” piuttosto che direttamente le risposte)
DBMS vs IRS
Domanda tipica ad un DBMS
SELECT Nome, Ufficio FROM Impiegati
WHERE AnnoAssunzione > 1970 AND Stipendio > 3000
Domanda tipica a un IRS
FIND architett*AND (cad OR (progetto AND calcolatore))
“… l’impiego del calcolatore per lo sviluppo di progetti architettonici riguarda il campo di applicazioni dell’informatica conosciuto con il nome di CAD, ovvero progetto assistito da calcolatore…”
“… nell’affrontare il progetto dell’architettura di un calcolatore bisogna tener conto del settore di applicazione in cui verrà utilizzato …”
Sintesi delle differenze
Effetto rumore e effetto silenzio
Si tratta di due effetti negativi che caratterizzano un sistema per il recupero dell’informazione:
l’effetto rumore è la presenza di documenti non rilevanti fra quelli recuperati
l’effetto silenzio è il mancato recupero di documenti rilevanti
Dato un insieme di documenti e una richiesta, è possibile individuare quattro sottoinsiemi:
l’insieme dei documenti correttamente recuperati in quanto rilevanti per la richiesta (A),
l’insieme dei documenti che pur non essendo rilevanti sono stati recuperati (B)
l’insieme dei documenti giustamente omessi in quanto non rilevanti (C)
l’insieme dei documenti non recuperati anche se rilevanti (D)
SCHEMATIZZANDO
Efficacia del sistema
Come è possibile rispondere alla domanda “quale di questi due sistemi di IR funziona meglio”?
Un sistema tradizionale di Data Retrieval può essere valutato oggettivamente, sulla base delle performance (velocità di indicizzazione, ricerca ecc.).
In un sistema di IR tali valutazioni delle performance sono possibili, ma, a causa della soggettività delle risposte alle query, le cose si complicano…
Quello che si vorrebbe in qualche modo misurare è la soddisfazione dell’utente.
Efficacia del sistema
Per misurare l’efficacia di un sistema per il recupero dell’informazione si usano due parametri, chiamati richiamo (recall) e precisione (precision).
Il richiamo R è il rapporto fra il numero di documenti rilevanti recuperati (A) e il totale dei documenti rilevanti archiviati (A + D).
R = A/(A+D)
La precisione P è il rapporto fra il numero di documenti rilevanti recuperati (A) e il totale dei documenti recuperati (A + B).
P = A/(A+B)
Il massimo valore sia per il richiamo che per la precisione è 1.
Il richiamo misura la capacità del sistema di recuperare tutti i documenti rilevanti, mentre la precisione misura la capacità del sistema di recuperare solo documenti rilevanti.
Un sistema con precisione P < 1 ammette nelle risposte documenti non rilevanti.
Un sistema con richiamo R < 1 ammette che documenti rilevanti non siano reperiti.
Modelli di IR
Un modello cerca di astrarre le caratteristiche salienti che stanno alla base di una classe di sistemi.
Nel caso degli IR un modello riguarda:
lo stile di rappresentazione dei documenti: l’insieme delle possibili chiavi di accesso assegnate ai documenti;
lo stile di rappresentazione delle richieste: l’insieme delle domande formulabili dagli utenti;
la modalità del confronto tra rappresentazioni di documenti e richieste: la regola di recupero
l’insieme degli indicatori di valore informativo da assegnare ai documenti;
Modelli di IR
Due modelli classici dell’IR
Modello booleano: un modello a corrispondenza esatta
Modello vettoriale: un modello a corrispondenza parziale
Ne esistono molti altri intermedi: il modello fuzzy, probabilistico …
Formalmente un modello di IR è una quadrupla (D, Q, F, R), dove
D è un insieme di viste logiche dei documenti della collezione
Q è un insieme di viste logiche (query) dei bisogni informativi dell’utente
F è un sistema per modellare documenti, query e le relazioni fra loro
R(q,d) è una funzione di ranking che associa un numero reale ad una query q e un documento d, definendo un ordinamento tra i documenti con riferimento alla query q
Modelli di IR: sviluppo temporale
Modello booleano – anni: 1950
ancora usato in sistemi industriali e motori di ricerca su documenti Web
un modello a corrispondenza esatta
Modello vettoriale – anni: 1960
sistemi industriali e era il modello utilizzato inizialmente dai motori di ricerca Web
un modello a corrispondenza parziale
Modello probabilistico – anni: 1970
sistemi sperimentali e prototipi di ricerca
Modello booleano
Il modello booleano è il modello più semplice; si basa sulla teoria degli insiemi e l’algebra booleana.
storicamente, è stato il primo ed il più utilizzato per decenni.
Rappresentazione dei documenti
I documenti vengono rappresentati come insiemi di termini che ne rappresentano il contenuto (scelti durante l’indicizzazione)
Interrogazioni
Le query vengono specificate come espressioni booleane, cioè come un elenco di termini connessi dagli operatori booleani AND, OR e NOT.
Criterio di corrispondenza
La strategia di ricerca è basata su un criterio di decisione binario, senza alcuna nozione di grado di rilevanza: un documento viene considerato rilevante o non rilevante.
AND: i termini sono entrambi presenti
OR: almeno uno dei due termini è presente
NOT: il termine non è presente
Esempio
(film AND amore)
documenti che contengono “film” e “amore”
(dramma OR drammatico)
documenti che contengono “dramma” o “drammatico”
NOT (dramma OR drammatico)
… che non contengono “dramma” o “drammatico”
((film AND amore) AND NOT (dramma OR drammatico))
Modello booleano: considerazioni
E’ efficace in ambienti controllati e con utenti bene addestrati
l’utente deve sapere che cosa chiede
richiede l’addestramento dell’utente
ha delle limitazioni dovute alla bassa “amichevolezza” della logica booleana, spesso l’utente finale fa confusione tra AND e OR
Ad esempio, l’utente non distingue fra “information AND retrieval”
“information OR retrieval”
Modello vettoriale: documenti
Il modello vettoriale è giustificato dall’osservazione che assegnare un giudizio binario ai documenti (1=rilevante, 0=non rilevante) è troppo limitativo.
Rappresentazione dei documenti
una sequenza di numeri lunga quanto il numero di tutti i termini utilizzati per rappresentare i documenti nella collezione, un vettore appunto.
D = (t1, t2, …, tn) n numero di termini
tk=0 se il termine non è presente altrimenti tk è il peso del termine kesimo nel documento, una misura di importanza
Il modello vettoriale: interrogazione
Interrogazione: un insieme di termini
Rappresentazione dell’interrogazione:
un vettore, simile ai documenti
(con moltissimi 0 e qualche 1 in corrispondenza dei termini specificati dall’utente)
Q(t1, t2, … tn)
Il modello vettoriale: confronto
Una misura di similitudine tra documenti e richiesta.
Esempio
Di(ti1, ti2, ti3, …, tin)
Q(q1, q2, q3, …, qn)
S(Q, Di) = q1*ti1 + q2*ti2 + ... + qn*tin = Σj qj * tij con 0<j <=n
Esempio
Due documenti che trattano di Papa, Roma e Vaticano … Vettori:
D1 = [… 0.1, …, 0.1, … , 0.2, …]
D2 = [… 0.1, …, 0.9, … , 0.9, …]
Interrogazione
Q=[… 1, …, 1, …, 1, …]
Similitudine
Sim(D1, Q)=0,1+0,1+0,2=0,4 Sim(D2,Q)=0,1+0,9+0,9=1,9
…
Passiamo ora ad esaminare i principali aspetti che distinguono i sistemi per il recupero delle informazioni
Il modo in cui si rappresenta il contenuto dei documenti
Il criterio adottato per stabilire quali documenti recuperare per soddisfare una richiesta
Rappresentazione dei documenti
I metodi di rappresentazione dei documenti si possono separare in due categorie in base alla rappresentazione che danno:
rappresentazione diretta, in cui il documento è rappresentato dalle parole in esso contenute
rappresentazione indiretta, in cui il documento è rappresentato da termini di indicizzazione, derivati manualmente o
automaticamente, che ne descrivono in modo sintetico e completo il contenuto.
Rappresentazione diretta dei documenti
Con la rappresentazione diretta, un testo è rappresentato nella sua forma originaria come una sequenza di parole.
Ai fini della ricerca, vengono trascurate le parole contenute in una lista di parole da ignorare (lista di esclusione o stop list) - come articoli, preposizioni, congiunzioni, avverbi ecc. - ritenute poco rappresentative del contenuto di un documento.
La sequenza di parole di un testo, però, non sempre è una rappresentazione adeguata perché essa consente solo il recupero di testi con richieste che specificano una condizione sulle parole in essi presenti.
ad esempio con la richiesta “trovare i documenti che trattano il problema dell’emigrazione”, si vorrebbe avere fra i documenti rilevanti anche quello con titolo “Gli albanesi in Italia nel 1996”, anche se ci sono poche parole in comune con quanto richiesto.
Pertanto la rappresentazione diretta del contenuto di un documento non è in generale adeguata.
Rappresentazione indiretta dei documenti
Con la rappresentazione indiretta, ai fini delle ricerche, ad un testo è associato un insieme di parole chiave (keywords), semplici o composte, che ne descrivono in modo sintetico il contenuto.
Ad esempio, a questa sezione potrebbero essere associate le seguenti parole chiavi: recupero dell’informazione e indicizzazione.
L’operazione di attribuzione delle parole chiave ad un testo, denominata classificazione o indicizzazione (indexing), è di solito fatta manualmente da esperti, ma sono state studiate anche tecniche automatiche basate su metodi statistici.
Sistemi per il recupero delle informazioni
INDICIZZAZIONE
Indicizzazione
Il problema fondamentale: identificare i contenuti dei documenti
Indicizzazione: processo di rappresentazione dei documenti mediante una descrizione sintetica (es: catalogazione per soggetto in ambito bibliotecario)
La caratterizzazione del documento consiste nell’ assegnazione a ciascun documento un insieme di termini, detti parole chiave o parole indice
Serve per costruire indici su collezioni di documenti
organizzazione indicizzata degli archivi
Un indice è costituito da:
una lista di termini
una lista di termini pesati
Linguaggio di indicizzazione: insieme dei termini scelti per indicizzare una collezione di documenti
Indicizzazione: termini indice
Tipicamente l’indicizzazione genera un insieme di termini indice (possibilmente pesati) come elementi base della rappresentazione formale di un documento (o di una query)
I termini indice sono utilizzati come surrogati per la rappresentazione del documento originale e, quindi, possono essere utilizzati al suo posto durante la fase di recupero.
L’uso degli indici semplifica e accelera il recupero (esempio: indice analitico di un libro).
Indicizzazione: termini indice
Nell’IR testuale gli indici possono essere:
parole automaticamente estratte dal documento;
radici di parole (per esempio class-) automaticamente estratte dal documento. Questa opzione è la più frequente;
frasi (ad esempio “classificazione di processi industriali”) automaticamente estratte dal documento. Questo tipo di indici non hanno dato risultati migliori di 1 e 2;
parole (o frasi) estratte da un vocabolario controllato;
(in modo addizionale) metadati (ad esempio titolo, autori, data di creazione ecc. )
Linguaggio di indicizzazione
Linguaggio di indicizzazione: insieme dei termini scelti per descrivere una collezione di documenti e le query. E’ definito su un insieme di simboli (Vocabolario)
Come sono scelte le parole del linguaggio di indicizzazione?
Linguaggio controllato: limitato ad un vocabolario predefinito
identificazione manuale dei termini significativi
introduce meno errori, ma comporta costi aggiuntivi
Linguaggio libero: termini estratti liberamente dal testo del documento, non definiti a priori e quindi automatico
più sintattico e basato sulla statistica
Struttura del linguaggio di indicizzazione
Dizionario: termini ordinati alfabeticamente
Schema di classificazione ontologia: codici che organizzano i termini gerarchicamente
Thesaurus: termini organizzati in una “rete semantica”
Processo di indicizzazione
Manuale: è una persona che sceglie quali termini meglio caratterizzano il contenuto di un documento
Più “semantico” e quindi migliore
Soggettivo, costoso
Automatico: fatto da un programma
Più sintattico, su base statistica e quindi “peggiore”
Economico, scalabile
Operazioni sul testo
Il numero di termini indicizzati viene ridotto utilizzando una serie di tecniche, tra cui:
eliminazione delle stopword: articoli, congiunzioni ecc.;
de-hyphenation: divisione in più parole di parole contenenti un trattino;
stemming: riduzione delle parole alla loro radice grammaticale;
thesauri: gestione dei sinonimi.
L’utilizzo di tali tecniche è sicuramente positivo dal punto di vista dell’occupazione di spazio, ma non sempre migliora la qualità delle risposte ad una query.
Gli strumenti per l’indicizzazione
L’indicizzazione può essere fatta usando parole estratte dal testo o termini controllati o descrittori estratti da uno di questi strumenti
Metadati
Termini preferiti (Authority file)
Vocabolari controllati
Anelli di sinonimi
Tassonomie e schemi organizzativi (gerarchie tra termini di un vocabolario)
Thesauri: Vocabolari controllati con relazioni tra termini
Metadati
Per migliorare la navigazione e il recupero dei dati da parte dell’utente, gli autori di
pagine web hanno la possibilità di aggiungere parole o frasi che ne descrivono il contenuto attraverso i cosiddetti metadati.
Esempio di metadati aggiunti ad un portale sul cavallo e l’equitazione sotto forma di parole chiave nel linguaggio HTML:
<title>EQUINET - Il portale italiano del cavallo e dell'equitazione</title>
………..
<meta name="keywords" content="equitazione, cavallo, horse, cheval, equitation, endurance, salto ostacoli, monta western, turismo equestre,
vacanze a cavallo, dressage, ippica, centro ippico, reining, purosangue arabo, mascalcia, monta maremmana, veterinaria">
I metadati non compaiono nell’interfaccia utente, ma sono disponibili ai motori di ricerca.
Metadati e HTML
Sono utilizzati nel Web per descrivere documenti, pagine, immagini, software, file video e audio e altri oggetti di contenuto allo scopo di migliorare la
navigazione ed il recupero dei dati
tag <META> di HTML: gli autori possono collocarvi parole o frasi che ne descrivono il contenuto
queste parole chiavi non compariranno nell’interfaccia ma saranno disponibili ai motori di ricerca
Facendo leva su software di gestione dei contenuti e vocabolari controllati si possono creare siti dinamici “metadata-driven” che supportino una navigazione efficace
“dove inserisco questo documento nella tassonomia?”
“come descrivo questo documento?”
i software e i sistemi di vocabolari si occuperanno del resto
Vocabolari controllati
Nella sua forma più semplice un vocabolario controllato è un qualsiasi sottoinsieme di un linguaggio naturale.
è un elenco di termini equivalenti nella forma di anello di sinonimi o di authority file
rappresenta un sapere specialistico, per esempio un elenco (indice) dei termini specifici di una disciplina (arte, medicina, economia, ecc. )
definisce le relazioni gerarchiche tra termini implementando uno schema di classificazione
Un vocabolario controllato di questo tipo può essere:
deciso da uno o più esperti
costruito automaticamente scartando dai testi del settore le parole cosiddette “non-stop” (articoli, preposizioni, pronomi, ecc.)
Vocabolari controllati
Tipi di vocabolari controllati
Vocabolari controllati:anelli di sinonimi
Un primo arricchimento del vocabolario controllato è costituito dalla introduzione dei sinonimi, o meglio di termini considerati equivalenti secondo certi criteri, nella stessa lingua o in lingue diverse, comprendendo anche errori ortografici comuni.
Poiché nessuno dei termini equivalenti è considerato preferito, si parla di anelli di sinonimi
Quando un utente digita una parola nel motore di ricerca quella parola viene raffrontata con un file di testo. Se la parola è presente la query esplode per includere tutte le parole equivalenti.
Vocabolari controllati:anelli di sinonimi
Pro e contro: maggiore quantità di risultati (richiamo o recall), minore rilevanza (precisione o precision).
Sono una forma semplice ed utile di controllo del vocabolario
Vocabolari controllati:termini preferiti
Viene chiamato “authority file” un elenco di termini preferiti scelti da qualche fonte autorevole per un certo settore.
tradizionalmente gli authority file sono stati ampiamente utilizzati da biblioteche ed agenzie governative per definire i nomi propri di insieme di entità all’interno di un settore limitato
I termini preferiti possono svolgere più di una funzione
per gli autori e indicizzatori, da guida terminologica
per la gestione di dizionari controllati, da identificatori unici per gli
“anelli di sinonimi”
per l’utente, da suggerimento per l’uso di termini corretti e standard nella ricerca, e da “sfoltimento” terminologico nella navigazione.
Vocabolari controllati:termini preferiti
Vocabolari controllati: schemi di classificazione
Un vocabolario controllato diventa uno schema di classificazione, (schema organizzativo) o tassonomia, quando i termini vengono organizzati in una gerarchia.
Uno schema di classificazione svolge un triplice ruolo:
per l’architetto dell’informazione, come strumento di organizzazione e etichettatura dei documenti
per l’utente, come ausilio alla navigazione (se, come in Yahoo!, è resa visibile come parte integrante dell’interfaccia)
home>science>computer science>artificial-intelligence
per l’utente, nella ricerca, quando gli vengono mostrate le categorie in cui è stato trovato il termine dell’interrogazione
shopping>animali>cani
familiarizzando con lo schema di classificazione del sistema
Tassonomia o Schema di classificazione
Gli elementi di un gruppo sono separati in sottogruppi mutuamente esclusivi, non ambigui, che presi nel loro insieme, coprono tutte le possibilità
Una tassonomia dovrebbe essere semplice, facile da ricordare e facile da usare.
Uno dei più noti esempi di tassonomia è quella di Linneo per la biologia.
La classificazione Decimale Dewey (DDC)
data di pubblicazione: 1876
è lo schema di classificazione più usato al mondo
i bibliotecari di oltre 135 paesi usano la DDC per organizzare e fornire accesso alle loro raccolte
è presente in molte interfacce di visualizzazione.
http://www.lib.duke.edu/libguide/fi_books_dd.htm (Class. Dewey)
E’ un elenco gerarchico con 10 categorie di livello superiore e una profondità variabile a seconda delle categorie.
Thesaurus
Un thesaurus è un insieme di termini, e di relazioni fra di essi, che costituiscono il lessico specialistico da usare per descrivere il contenuto dei documenti pubblicati in un ambito disciplinare.
Il thesaurus ha quindi un ruolo analogo a quello di un vocabolario di una lingua con la differenza che per i termini, oltre alla eventuale definizione, vengono indicate le relazioni che esistono fra di essi.
Le relazioni possono essere di tre tipi:
equivalenza
gerarchia
associativa(affinità semantica)
Thesaurus
E’ una rete semantica di concetti e collega le parole a sinonimi, omonimi, antonimi, termini allargati o ristretti e termini correlati.
Prendono la forma di un DB online strettamente integrato con l’interfaccia utente di un sito o di una intranet
L’obiettivo più importante è la gestione dei termini, la mappatura di molti sinonimi o varianti di un termine o concetto preferito in modo che l’ambiguità del linguaggio non impedisca alle persone di trovare ciò che cercano
E’ un vocabolario controllato in cui vengono identificate relazioni di equivalenza, gerarchiche ed associative allo scopo di migliorare il recupero dei dati
Gergo tecnico
PT (preferred term): termine preferito, è il termine abilitato a descrivere quel determinato concetto. Tutte le relazioni sono definite rispetto al PT
VT (variant term): termine non preferito, viene definito come punto di accesso che rinvia al termine preferito ma non può essere assegnato ai documenti per esprimerne il contenuto concettuale
RT (related term): in una relazione associativa reciproca RT è connesso a PT e ammette un certo grado di discrezionalità. La relazione è spesso sottintesa dall’uso della forma “Vedi anche”.
U (Use): per la relazione di equivalenza il rinvio dal VT al PT viene indicata dal simbolo USE. La forma vedi è sicuramente più conosciuta
Thesaurus in azione
Non è semplice trovare buoni esempi di siti pubblici che usano i thesauri
la situazione cambierà negli anni a venire in quanto i thesauri diventano uno strumento chiave per affrontare la crescente crescita e importanza dei siti e delle intranet
Spesso non è ovvio quando un sito usa un thesaurus
quando è ben integrato ad un occhio non allenato non è visibile
quanti utenti si accorgono quando un sito corregge gli errori ortografici?
Un buon esempio è PubMed un servizio della National Library of Medicine
fornisce l’accesso ad oltre 18 milioni di citazioni da MEDLINE ed altre riviste scientifiche
Thesaurus in azione
Tipi di thesauri
Thesaurus classico
viene utilizzato nell’indicizzazione della ricerca. Gli indicizzatori utilizzano il thesaurus per mappare termini varianti a termini preferiti quando effettuano indicizzazioni di un singolo documento
i ricercatori usano il thesaurus per il recupero delle informazioni siano o meno consapevoli del ruolo che esso gioca nella loro ricerca
i termini delle query vengono confrontati con il ricco vocabolario del thesaurus consentendo la gestione dei sinonimi la navigazione gerarchica ed i collegamenti associativi
tipo più completo di thesaurus
Tipi di thesauri
Thesaurus di indicizzazione
sviluppare un vocabolario controllato ed indicizzare i documenti senza implementare la funzionalità di gestione dei sinonimi nella fase di ricerca
struttura il processo di indicizzazione promuovendo coerenza ed efficienza
consente di costruire degli indici navigabili dei termini preferiti consentendo agli utenti di trovare tutti i documenti relativi ad un particolare argomento attraverso un singolo punto di accesso
una tale coerenza può fornire un reale valore ai sistemi di informazione nell’ambito di utenze chiuse
Tipi di thesauri
Thesaurus di ricerca
usa un vocabolario controllato durante la ricerca ma non al momento dell’indicizzazione
quando un utente digita un termine in un motore di ricerca un thesaurus di ricerca può mappare quel termine nel vocabolario controllato prima di eseguire la query sull’indice di tutto il testo
offre una maggiore flessibilità di navigazione consentendo agli utenti di sfogliare il thesaurus navigando attraverso relazioni di equivalenza gerarchiche e associative
Thesaurus: tipi di relazioni
La relazione di equivalenza è usata per collegare termini preferiti e loro varianti.
si usano per rimandi da termini non accettati a termini accettati e viceversa.
Esse sono USA o VEDI e USATO PER.
l’equivalenza è un termine più importante di sinonimo
si raggruppano termini definiti come equivalenti per scopi di recupero dati;
possono essere compresi sinomini, quasi-sinonimi, acronimi, abbreviazioni, varianti lessicali ed errori lessicali frequenti
in base alla specificità desiderata del vocabolario controllato si possono includere termini più generali e più specifici nella relazione di equivalenza per evitare livelli gerarchici
Termine preferito: Palm Termini Varianti (equivalenti) palm, palm pilot, pocket pc
Ad esempio: Elaboratore VEDI Calcolatore; Calcolatore USATO PER Elaboratore, Calcolatrice, Stazione di lavoro.
Thesaurus: tipi di relazioni
Le relazioni gerarchiche dividono lo spazio informativo in categorie e sottocategorie correlando i concetti di più largo e più stretto attraverso le relazioni di tipo genitore-figlio
mettono in evidenza il rapporto specificità-generalità tra due termini; esse sono: termine più generale (broader term- BT) e termine più specifico (narrower term - NT).
Generica: relazione classe-specie che prendiamo dalle tassanomie biologiche;
la specie B è un membro della classe A ed eredita le caratteristiche del suo genitore
ad es. Felini NT Gatti Leoni Tigri; Gatti BT Felini.
Padre-Tutto: nella relazione partitiva B è una parte di A
ad es. Piede NT Alluce
Esemplificativa: B è un’istanza di A; questa relazione include i nomi proprio
ad es: Mari NT Mar Mediterraneo
Thesaurus: tipi di relazioni
Le relazioni di affinità semantica si usano per collegare termini con significato affine o che esprimono concetti correlati; esse sono:
termine correlato (related term (RT)) e sinonimi (synonymous term (ST)).
Ad esempio, In corrispondenza del termine “geometria” si potrebbe trovare: BT matematica, NT geometria piana, geometria solida, geometria analitica, RT algebra lineare
Esempio
92
Linee guida
per la costruzione/gestione di Thesauri
Ci sono vari standard nazionali e internazionali che offrono linee guida per la costruzione di thesauri, fra cui il più diffuso è lo standard ANSI/NISO Z39.19 (USA,1994)
tale standard è intitolato “Giudelines for the construction, format and management of monolingual thesauri”
linee guida per chi compila il thesaurus
offre una valida cornice concettuale ed in alcuni casi regole specifiche ma non elimina la necessità del pensiero critico della creatività
Buoni motivi per attenersi alle linee guida dello standard USA :
i problemi generali della classificazione sono affrontati sistematicamente
gran parte del software per la gestione dei thesauri è progettato per aderire allo standard
compatibilità e integrazione tecnologica ne risultano avvantaggiate
Termini preferiti
La terminologia è un punto critico
Forma del termine
Problemi generali della classificazione
Arbitrarietà nella scelta delle relazioni semantiche, in particolare la relazione associativa. Lo standard ANSI/NISO ne propone molte, fra cui:
causa-effetto; processo-agenti; concetto-proprietà; azione- prodotto,ecc.
Arbitrarietà nella scelta dei termini preferiti. ANSI/NISO fornisce indicazioni lessicali (per es. frequenza del termine, specificità) e formali (categoria grammaticale; ortografia; plurale/singolare;
abbreviazioni, ecc.)
Trattamento e rappresentazione (nell’interfaccia) delle poligerarchie, cioè di gerarchie dove un termine è sottordinato di più termini. Es.
Poligerarchia
In una gerarchia stretta ciascun termine appare in uno ed un solo posto come previsto nel piano originario della tassanomia biologica:
ciascuna specie doveva inserirsi esattamente in un ramo dell’albero della vita
Con grandi sistemi d’informazione la poligerarchia è inevitabile
Classificazione a “faccette”
Altri sistemi hanno adottato la classificazione a “faccette”, o punti di vista.
Non ci si preoccupa di collocare un oggetto in una gerarchia, ma di descriverlo in termini di sue proprietà o caratteristiche mutuamente esclusive.
Non una singola grande tassonomia, ma tante piccole tassonomie che rispecchiano altrettanti diversi punti di vista.
La classificazione a faccette è stata proposta negli anni ’30 dal bibliotecario indiano Ranganathann che costruì il suo sistema sulla nozione che documenti ed oggetti hanno molteplici dimensioni o faccette
Oggi è adottata da molti siti, soprattutto di ambiente commerciale.