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 attributiNome, Indirizzo, Codice, AnnoAssunzione, e Stipendio; per conoscere ilnome 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 ImpiegatiWHERE AnnoAssunzione >= 1970 AND Stipendio > 2000

In risposta si ottengono i dati che soddisfano esattamente la condizione specificata e quindi certamente rilevanti.

ESEMPIO DI RILEVANZASi 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 DBMSSELECT 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 guidaper 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.

Classificazione a “faccette” Ranganathan sosteneva che è necessario realizzare molte tassonomie pure utilizzando un

principio di divisione alla volta. Suggerì cinque sfaccettature universali da utilizzare per organizzare ogni cosa personalità materia energia spazio tempo

Tale approccio ha un grande valore ma non usiamo le definizione di Ranganathan. Le definizioni nel mondo degli affari sono: argomento prodotto tipo di documento utente geografia prezzo

Pregi e futuro della classificazione sfaccettata

Dalla parte dei progettisti: grande potenza e flessibilità nella presentazione di scelte di

navigazione e ricerca.

Dalla parte degli utenti: possibilità di formulare interrogazioni simulando il linguaggio

naturale

E’ un approccio destinato ad imporsi sulle soluzioni a tassonomia unica.

Metadati, vocabolari controllati e thesauri saranno i mattoni fondamentali dei futuri siti web sempre più flessibili e sfaccettati.