Zpracov n informac a znalost automatick indexov n
This presentation is the property of its rightful owner.
Sponsored Links
1 / 11

Zpracování informací a znalostí Automatické indexování PowerPoint PPT Presentation


  • 102 Views
  • Uploaded on
  • Presentation posted in: General

Zpracování informací a znalostí Automatické indexování. Doc. RNDr. Jan Rauch, CSc. Katedra informačního a znalostního inženýrství. Automatická charakteristika obsahu dokumentů. Literatura: Rauch, J.: Metody zpracování informací II, kapitola 5

Download Presentation

Zpracování informací a znalostí Automatické indexování

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Zpracov n informac a znalost automatick indexov n

Zpracování informací a znalostíAutomatické indexování

Doc. RNDr. Jan Rauch, CSc.

Katedra informačního a znalostního inženýrství


Automatick charakteristika obsahu dokument

Automatická charakteristika obsahu dokumentů

Literatura:

  • Rauch, J.: Metody zpracování informací II, kapitola 5

  • SALTON, G. - McGILL, M.: Introduction to Modern Information Retrieval. Tokyo, McGraw-Hill Book Company Japan 1983, 448 s.

  • KOWALSKI, J.G. – MAYBURY, M.T.: Information Storage and Retrieval Systems. Theory and Implementation. Kluwer Academic Publishers 2000, 318 s.


Automatick charakteristika obsahu dokument1

Automatická charakteristika obsahu dokumentů

  • důvody automatické charakteristiky obsahu

    • vyloučení subjektivity

    • rostoucí počet dokumentů

  • jednoduchá indexovací metoda

  • poznámky - problém specializovaného fondu

  • modifikace jednoduché indexovací metody

  • další poznámky


Jednoduch indexovac metoda

Jednoduchá indexovací metoda

Princip:

Jestliže se slovo vyskytuje v dokumentu s dostatečnou

frekvencí, pak se dokument týká pojmu odpovídajícímu

tomuto slovu

Vstup:

N dokumentů D1,…, DN

Výstup:

Klíčová slova pro každý dokument


Jednoduch indexovac metoda postup

Jednoduchá indexovací metoda - postup

1) Vynechej stop slova.

2) Spočti frekvence zbývajících slov S1, …, SK.

Fi,j – frekvence slova Sj v dokumentu Di

3) Zvol prahovou hodnotu P.

Sj je klíčové slovo pro Di právě když Fi,j> P


Jednoduch indexovac metoda p klad

S1

S2

S3

S4

S5

S6

počítač

informace

vyhledávání

historie

systém

firma

D1

12

15

9

1

5

0

D2

11

4

1

13

5

1

D10 000

5

13

8

1

3

15

Jednoduchá indexovací metoda - příklad

Dokumenty:D1 Novák: Vyhledávání informací pomocí počítačů.D2 Kadlec: Historie počítačů. ...D10 000 Kovář: Informace o firmách prahová hodnota P = 6


Jednoduch indexovac metoda pozn mky

Jednoduchá indexovací metoda - poznámky

  • Častý výskyt slova znamená, že dokument se týká tématu odpovídajícího tomuto slovu.

  • Jestliže se dokument týká tématu odpovídajícího nějakému slovu, pak se toto slovo v dokumentu vyskytuje s velkou frekvencí.

  • Slova s vysokou frekvencí nemusí rozlišit dokumenty na relevantní a irelevantní. („Počítač" ve fondu informatické literatury).


Modifikace jednoduch indexovac metody

Modifikace jednoduché indexovací metody

Cíl: Klíčová slova

  • charakterizující obsah

  • oddělující dokumenty

    Princip:

  • vyjádříme stupeň kterým slovo Sj charakterizuje obsah dokumentu Di :

    Fi,j - frekvence slova Sj v dokumentu Di

  • vyjádříme stupeň kterým slovo Sj odděluje dokumenty: log (N/DFj )

    DFj – počet dokumentů obsahujících Sj

  • použijeme váhu Wi,j = Fi,j * log (N/DFj ) místo frekvence Fi,j


  • Modifikovan jednoduch indexovac metoda postup

    Modifikovaná jednoduchá indexovací metoda – postup

    1) Vynechej stop slova.

    2) Spočti váhy Wi,j frekvence zbývajících slov S1, …, SK.

    Wi,j – frekvence slova Sj v dokumentu Di

    3) Zvol prahovou hodnotu P.

    Sj je klíčové slovo pro Di právě když Wi,j> P


    Zpracov n informac a znalost automatick indexov n

    Slovo Sj

    DFj

    %

    N/DFj

    log(N/DFj )

    Fi,j

    Wi,j

    Databáze

    10

    0.1

    1 000

    3

    1

    3

    2

    6

    5

    15

    Uživatel

    30

    0.3

    333.3

    2.52

    1

    2.5

    3

    7.6

    5

    12.6

    Tiskárna

    100

    1.0

    100

    2

    1

    2

    3

    6

    5

    10

    Metoda

    500

    5.0

    20

    1.3

    1

    1.3

    5

    6.5

    Počítač

    2000

    20

    5

    0.7

    1

    0.7

    9

    6.3

    Informace

    9000

    90

    1.1

    0.15

    1

    0,1

    42

    6,1

    Váhy slov – příklad

    N = 10 000, DFj = počet dokumentů se slovem Sj

    Fi,j = frekvence slova Sj pro dokument Di , Wi,j = Fi,j * log(N/ DFj), práh P = 6


    Automatick charakteristika obsahu dal pozn mky

    Automatická charakteristika obsahu - další poznámky

    • Vzít v úvahu délku dokumentu – uvažovat celkový počet slov

    • Výrazy vyskytující se v mnoha dokumentech nahradit výrazy s užším významem: informace  obchodní informace

    • Výrazy vyskytující se v málo dokumentech nahradit výrazy s širším významem: algebra  matematika

    • Nechat u výrazu jeho váhu, umožnit vyjádřit váhu výrazu v dotazu a vzít obě váhy v úvahu při posuzování relevance dokumentu k dotazu

    • … viz literaturu


  • Login