21314

USING CONTEXT DATA IN INFORMATION RETRIEVAL

Научная статья

Информатика, кибернетика и программирование

Proposed approach can be easily included in current search engines. This approach is not a complete alternative to classic methods applied in popular search engines, but it can be treated as an additional improvement that provides more efficient way in positioning on relevant document.

Английский

2015-01-19

21 KB

10 чел.

Ivan Zagidulin

USING CONTEXT DATA IN INFORMATION RETRIEVAL

Department of Informatics and Processes Management, Ural State University, Ekaterinburg, Russia

 1. Introduction

The major issue of current web search engines is to provide the most relevant documents to the users. Statistics show that the vast majority of search requests consists of one or two words. Clearly there cannot be a reliable answer has given to the question that has lack of information about what user need. Words of the shot request can be included in documents of different domains. And the user has to look through a lot of irrelevant documents or send new request with additional words.

So, current interface of web search engines assumes that the user repeatedly will adjust his request. It is supposed that usage of surrounding context of the request can solves this problem. This paper proposes a new interface web search engines different from command line. Base on this interface search engine will be able to receive current browsing context and use it in search results ranking algorithm. Developed context-based techniques allow to define the domain of the request and retrieve documents in which search phrase has certain meaning.

Proposed approach can be easily included in current search engines. This approach is not a complete alternative to classic methods applied in popular search engines, but it can be treated as an additional improvement that provides more efficient way in positioning on relevant document.

 2. Context-based search

An idea of out technique is to provide for the IR-system both search request and context, in which the user encountered the information of interest. IR-system finds the documents containing the request, and the ranking function assigns the highest priority for the text closest to the context. This approach does not depend on the way of context's gathering and measure used for  documents proximity calculation.

In out paper we assume that context is structure, containing user's current working environment data, that obtained without user participation and provided for IR-system along with request. Words «current working environment» in this definition means text, surrounding searched terms. Context may also contain web-browsing history, information about most visited pages, system platform and browser. Notice that this information can be gathered by search client automatically so that the user shouldn't «specify the context» himself (like choosing from given categories or using special query syntax).

Thus, the idea of applying query context in information search may have many implementations and can be embedded as plug-in in existing search engines.

Different disambiguation techniques may be used in our approach but algorithms without supervisor are more appropriate in this case. First, modern IR-systems have huge collections of documents and a lot of routing work is needed to mark them. Second, the structure of inverted search index are suitable for unsupervised methods. In search index each term has a corresponding list of documents, containing it. We only must group this documents in clusters using appropriate metric for implementation of our technique. Variable parameters of such approach are proximity measure, text representation and clustering algorithm. Extending documents corpus new texts may be added to existing clusters or set a new group, depending on value of measure.

System based on clustering of text collection may have following architecture:

  1.  Firstly, the construction of inverted search index from plain text corpus take place. For each new term we find all documents, containing it, and run clustering algorithm. As result each term will have corresponding set of clusters (set of tokens). Thus we construct modified search index (homonym thesaurus) in which a set of tokens corresponds for each term and a set of documents corresponds for each token.
  2.  We can easily find relevant documents using constructed homonym thesaurus. Request to search system in our approach consists of two parts: the query and its context. We will have to find the cluster, nearest to the query context.

 3. Experiments and conclusion

To test our ideas, we implemented experimental prototype of system, building inverse search index from text collection. Each document was represented as a vector of term weights. The nearer term to the requested word, the greater value it obtained. We used hierarchical algorithms for clustering documents. Distance between clusters was equal to the maximum distance between any two vectors from different clusters.

After learning phase clusters was represented by their centroids. This representation requires less of memory and provides fast distance calculation. Distance between context vector and cluster was found as distance to centroid of this cluster.

Experiments show that using our technique documents with close contexts are retrieved on requests, especially in case of collocations, idioms and phrasal verbs. The idea of using context for request disambiguation can be naturally added to existing search engines to bring more effectiveness.


 

А также другие работы, которые могут Вас заинтересовать

41302. Вивчення структури мультиплетів в атомних спектрах 420.5 KB
  Результати та обробка результатів Калібровка Зелена область Синя область Фіолетова область мм мм мм 545561 05 435155 096 407174 306 544692 109 432576 269 406798 382 543453 195 430932 445 40636 45 Для зеленої області Синя область Фіолетова область Зелена обдасть Синя область Фіолетова область Практично 546311 436221 404407 Таблично 546074 435835 404656 Похибка 0.
41303. Спектир випромінювання атомарного водню 370 KB
  Робоча формула : зведена маса або просто маса електрона. Друга частина Оскільки маса ядра не нескінченна і маса електрона не дорівнює нулю тоді система ядро електрон обертаються навколо спільного центра мас. І в формулі зведена маса примітка маса протона приблизно дорівнює масі нейтрона Ізотоп водню буде причиною появи дуплетів.
41304. Численные методы и компьютерные технологии решения дифференциальных уравнений 1-го порядка 456.91 KB
  Изучение численных методов и компьютерных технологий решения обыкновенных дифференциальных уравнений 1-го порядка, приобретение практических навыков составления алгоритмов, программ и работы на ЭВМ.
41305. Численные методы и компьютерные технологии решения систем дифференциальных уравнений и дифференциальных уравнений n-го порядка 778.94 KB
  Изучение численных методов и компьютерных технологий решения систем дифференциальных уравнений 1-го порядка и дифференциальных уравнений n-го порядка, приобретение практических навыков составления алгоритмов, программ и работы на ЭВМ.
41306. Построение сетевого графика разработки стандарта предприятия; построение, содержание и изложение стандарта предприятия 1.15 MB
  Целью данной работы является: построение сетевого графика разработки стандарта предприятия; построение, содержание и изложение стандарта предприятия; расчёт годового экономического эффекта от внедрения стандарта предприятия; описание функционирования служб стандартизации на предприятии и структурная схема; проведение нормаконтроля сборочного чертежа «привод электромагнита».
41307. Метод конечных разностей для решения дифференциальных уравнений в частных производных, способы построения трехмерных графиков в среде УМС Mathcad 591.35 KB
  Графики функции.Предусмотреть счетчик числа уточнений итераций значений функции. Значения функции выводить в виде матрицы. Построить график функции fxy.
41308. Изучение методов интерполяции графических или табличных функций 1.09 MB
  Изучение методов интерполяции графических или табличных функций. Задание Изучить методы интерполяции функции. Составить алгоритм и программу линейной интерполяции кривой намагничивания магнитного материала а также табуляции интерполирующей функции. Точки при этом называются узлами интерполяции.
41309. Численные методы и компьютерные технологии решения нелинейных уравнений 471 KB
  За приближенное значение корня принимается точка пересечения хорды АВ с осью абсцисс. Координата этой точки находится из уравнения этой хорды АВ рис. В точке пересечения хорды АВ с осью абсцисс . К уравнению хорды Далее сравниваются значения функции на левой границе и в точке пересечения хорды АВ с осью абсцисс по знаку.
41310. Численные методы и компьютерные технологии вычисления определенных интегралов 337.09 KB
  Вычисление определенного интеграла методом трапеций Текст программы progrm lb6; uses crt; vr bhyffbjj1xe:rel; in:integer; begin clrscr; writeln' = пи 6'; :=pi 6; writeln'b = Пи 3'; b:=pi 3; writeln'Введите n'; redn; h:=b n; y:=0; x:=h; for i:=1 to n1 do begin y:=ysqrsinx cosXsqrcosx sinx;x:=xh; end; f:=sqrsin cossqrcos sin; fb:=sqrsinb cosbsqrcosb sinb ; y:=yffb 2; J:=yh; writeln'J='J:5:2; writeln'Метод НьютонаЛейбница'; j1:= sinb cosbcosb...