retrieval en ontsluiting taaltechnologische aanpak voor zoekproblemen

1. retrieval en ontsluitingtaaltechnologische aanpak voor zoekproblemen eric sieverts Opleiding Media, Informatie & Communicatie Hogeschool van Amsterdam Universiteitsbibliotheek Utrecht sector Innovatie & Ontwikkeling

2. waarin uiten zoekstrategische problemen zich? in variabele mate in uiteenlopende soorten systemen: catalogi, bibliografische databases, full-text bestanden, enterprise search, het web, …. • onvoldoende recall  met zoekvraag mis je te veel relevante informatie • onvoldoende precisie  zoekvraag levert (te) veel niet-relevante informatie

3. oorzaken voor lage recall (de recall-killers) inherent aan free-text zoeken in documenten: • variatie in spelling en woordvorm van gebruikte woorden • in tekst staan synoniemen, impliciete aanduidingen, woorden in andere taal, … • variëteit aan mogelijke (specifiekere) woorden voor generieke begrippen • term-armoede van documenten (catalogus) schuld van de zoeker: • verkeerde zoekterm (ongebruikelijk, spelling) • te weinig varianten met OR gecombineerd • te veel zoek-elementen met AND gecombineerd

4. oorzaken voor lage precisie (de precisie-killers) inherent aan free-text zoeken in documenten : • in tekst is geen of onbedoeld verband tussen met AND gecombineerde termen • zoekwoorden komen in tekst in andere betekenis voor (homografen, acroniemen, andere taal) • term-rijkdom van full-text documenten (laag term-gewicht) schuld van de zoeker : • verkeerde zoekterm (te algemeen, betekenis) • te weinig zoek-elementen met AND gecombineerd

5. klassieke oplossing : gebruik van: classificatie / taxonomie thesaurus waarom kan dit een oplossing bieden? • formaliseert betekenis (homograaf-probleem) • kan verwijzen naar gebruikelijke(r) term (vervangend zoeken) • kan term-rijkdom uniformeren (dus gelijk term-gewicht; o.a. door diepte-indexering) • legt inhoudelijke relaties tussen onderwerpen/termen (generiek zoeken) • kan verband leggen tussen facetten van onderwerp (precoordinatie)

6. nadelen van klassieke oplossing • gebrek aan flexibiliteit (schrik van de vak-specialist) • gebruik van kunstmatige informatietaal (schrik van de ergonoom) • duur omdat mensen termen moeten toekennen (schrik van de manager)

7. (taal)technologische alternatieven • best-match zoeken met relevantie-ordening • truncatie, wordstemming, fuzzy search • semantische kennis toevoegen • suggereren van betere zoektermen • suggereren van aanvullende zoektermen • zoekresultaat clusteren in "domeinen/contexten” • terugkoppeling van zoekersoordeel

8. relevance ranking factoren 1. meer van de gevraagde termen in een document 2. gevraagde termen op belangrijke plek in document (titel, koppen, eerste paar regels, ….) 3. gevraagde termenkomen in document herhaald voor 4. gevraagde termen staan in document dicht bij elkaar 5. termen in document staan in zelfde volgorde als in vraag 6. zeldzame termenkrijgen zwaarder gewicht dan algemene 7. hoeveel hyperlinks naar document verwijzen • hoe vaak een document / site wordt "bezocht" • of site/pagina/bericht tot je sociale netwerk hoort • … werkt goed op het web, maar ook op een intranet?

9. relevance ranking factoren 1. meer termen 2. termen in titel/kop/begin 3. termen herhaald 4. termen dicht bij elkaar 5. termen in volgorde 6. zeldzame termenzwaarder 7. hyperlinks naar document • bezoek aan document • in sociale netwerk • meer concepten ge-AND • hoger term-gewicht • hoger term-gewicht • juiste verband • juiste verband • belang specifieke term • (kwaliteit) [alleen als er links zijn] • (kwaliteit) • (context) [alleen op open web]

10. relevance ranking factoren 1. meer van de gevraagde termen in een document • gevraagde termen op belangrijke plek in document (titel, koppen, eerste paar regels, …) 3. gevraagde termenkomen in document herhaald voor 4. gevraagde termen staan in document dicht bij elkaar 5. termen in document staan in zelfde volgorde als in vraag 6. zeldzame termenkrijgen zwaarder gewicht dan algemene 7. hoeveel hyperlinks naar document verwijzen • hoe vaak een document / site wordt "bezocht" • of site/pagina/bericht tot je sociale netwerk hoort allemaal gericht op hogere relevantie voor "de eerste tien", dus op precisie

11. truncatie / word-stemming / fuzzy • truncerencomputer computeronderwijs • stemmingcomputer  computing, computation, computed, computers communism community, communication ?? sieverts sievert ?? • fuzzyduivendak  duijvendak, duyvendak serajevo  sarajevo, serajewo medvedev medvediev, medwedew, … kok  kop, kak, ...??

12. truncatie / stemming / fuzzy • truncerencomputer computeronderwijs • stemmingcomputer  computing, computation, computed, computers communism community, communication ?? sieverts sievert ?? • fuzzyduivendak  duijvendak, duyvendak serajevo  sarajevo, serajewo medvedev  medvediev, medwedew, … kok  kop, kak, ...?? compenseert variatie in woordvorm & spelling  betere recall maar pas op voor ongewenste effecten !!

13. semantische kennis in semantisch netwerk worden betekenissen van woorden vastgelegd (hele woordenboek) & worden betekenisrelaties gelegd tussen inhoudelijk verwante woorden (in één of meer talen) • door omgeving van woord in het netwerk kan betekenis worden onderscheiden (in document en in query) • omgeving van woord in het netwerk kan termen leveren om query mee te expanderen (woorden binnen bepaalde "semantische afstand" van zoekwoord) • voorbeeld: retrievalware van convera • twenty-one van irion

14. visualisatie van “wordnet”

15. bepaalde gewenste betekenissen van zoekterm geselecteerd

18. semantische kennis in semantisch netwerk worden betekenissen van woorden vastgelegd (hele woordenboek) & worden betekenisrelaties gelegd tussen inhoudelijk verwante woorden (in één of meer talen) • door omgeving van woord in het netwerk kan betekenis worden onderscheiden (in document en in query) • omgeving van woord in het netwerk kan termen leveren om query mee te expanderen (woorden binnen bepaalde "semantische afstand" van zoekwoord) verbeteren van precisie verbeteren van recall maar semantisch netwerk voor specialistisch domein moet je zelf nog bouwen/aanvullen

19. termen verbeteren computer suggereert iets afwijkende term • door fuzzy-search in woordenboek • door fuzzy search in eigen index >> term die (veel) meer oplevert • door generieke kennis van vaak gemaakte tikfouten bijv.: Google (did you mean …)

21. termen verbeteren computer suggereert iets afwijkende term • door fuzzy-search in woordenboek • door fuzzy search in eigen index naar term die (veel) meer oplevert • door generieke kennis van vaak gemaakte tikfouten bijv.: Google (did you mean …) verbetert recall

22. aanvullende termen extraheren computer haalt karakteristieke (andere) woorden/begrippen uit eerste N documenten van zoekresultaat (statistiek - tfidf) • gebruiker kiest daaruit termen om zoekactie in te perken (soms ook termen uit te sluiten, of juist resultaat met OR uit te breiden) bijv.: Quintura (frontend voor Yahoo) Scirus database van Elsevier Aquabrowser (o.a. bij bibliotheek.nl)

28. AND

29. zelf in OR te veranderen !

30. ook “faceted” zoeken, waarbij zoekresultaat al wordt opgedeeld aan de hand van daarin aanwezige "geformaliseerde metadata" wolk van termen in Aquabrowser: die termen kunnen uit statistische analyse, woordenlijst, thesaurus, semantisch netwerk o.i.d. komen

31. ook “faceted” zoeken, waarbij zoekresultaat wordt opgedeeld aan de hand van daarin aanwezige "geformaliseerde metadata"

33. aanvullende termen extraheren computer haalt karakteristieke (andere) woorden/begrippen uit eerste N documenten van zoekresultaat (statistiek - tfidf) • gebruiker kiest daaruit termen om zoekactie in te perken (soms ook termen uit te sluiten, of juist resultaat met OR uit te breiden) bijv.: Quintura (frontend voor Yahoo) Scirus database van Elsevier aquabrowser (o.a. bij bibliotheek.nl) inperken op juiste betekenis of context  betere precisie uitbreiden met meer “synoniemen”  verbetert recall

34. automatisch clusteren/classificeren • op grond van kennisregels (en bestaande “taxonomie”) in feite toepassing automatische classificatie, waarbij klassen als verdelingscriterium dienen • op grond van statistiek of patronen • Clusty/Yippy, Polymeta, …. • Autonomy

35. custom search folders

36. toekenning document aan taxonomy-term gebaseerd op rules base, zoals bijvoorbeeld bij product van Verity

39. automatisch clusteren/classificeren • op grond van kennisregels (en bestaande “taxonomie”) in feite toepassing automatische classificatie, waarbij klassen als verdelingscriterium dienen • op grond van statistiek of patronen • Clusty/Yippy, Collarity • Autonomy kiezen van juiste betekenis of context  betere precisie werkt niet gegarandeerd altijd goed

40. terugkoppeling gebruiker klikt bij relevante hit op “more like this” • computer zoekt op grond van daarin aanwezige termen of patronen naar daarop lijkende documenten bijv.: Scirus, Google SimilarPages (Firefox Add-on) Autonomy gebruiker markeert relevante hits • zoektermen of patronen die in die documenten voorkomen krijgen hoger gewicht • bij toekomstige zoekacties krijgen documenten met die termen of patronen een hogere berekende relevantie bijv.: Autonomy en ook personal Google?

41. max havelaar keurmerk product max havelaar - het boek

43. gelijkenis-“patronen” bij Google site 1 site 2 site 3 site 4 site 5 site 6 site 7 site 8 site 9 hyperlinks goede site similar site similar site similar site similar site similar site similar site similar site

44. "similar pages" add-on gebruikt combinatie van content en link-structuur maar: "similar pages" blijkt dus geen "pages" maar "sites" te vergelijken

46. terugkoppeling gebruiker klikt bij relevante hit op “more like this” • computer zoekt op grond van daarin aanwezige termen of patronen naar daarop lijkende documenten bijv.: Scirus, Google Similar_Pages (Firefox Add-on) Autonomy gebruiker markeert relevante hits • zoektermen of patronen die in die documenten voorkomen krijgen hoger gewicht • bij toekomstige zoekacties krijgen documenten met die termen of patronen een hogere berekende relevantie bijv.: Autonomy en ook personal Google? kiezen van juiste betekenis of context (door gelijkenis of door personalisatie van relevance ranking)  betere precisie

47. precisie-verbeterend relevance ranking automatisch onderscheiden van context/betekenis statistiek (clusty, quintura, scirus) automatisch kennisregels + mens-gedefinieerde categorieën (northernlight, verity) half-automatisch woordrelaties in semantisch netwerk half-automatisch “more-like-this” vanuit document in goede context (scirus, google) automatisch

48. recall-verbeterend meenemen van woordvarianten word-stemming (pas op: taalafhankelijk) automatisch fuzzy search automatisch did-you-mean automatisch toevoegen van andere termen statistiek (scirus) automatisch semantisch netwerk half-automatisch synoniemenlijst half-automatisch