A.Kaiser; WU-Wien1 Information Retrieval Systeme Suchverfahren im Web.

A.Kaiser; WU-Wien 1

Information Retrieval Systeme

Suchverfahren im Web

A.Kaiser; WU-Wien 2

Information Retrieval Systeme

Komponenten eines IR-Systems

• Informationserschließung

• Informationswiedergewinnung (Retrieval)

• Informationsaufbereitung

Folie in Anlehnung an Womser-Hacker

Informationsmanagement I 3

Grundmodell: Information Retrieval

Texte

Match

Anfrage

Analyse

Ergebnis

1.Dok.62.Dok.83.Dok. 784.Dok.99

Repräsentationen

term1, term2,term3, term4...

Repräsentation

text text texttext text texttext text texttext text texttext text text

A.Kaiser; WU-Wien 4

Textmodellierung

Die Veranstaltungen aus MIS werden an der Wirtschaftsuni von zwei verschiedenen Abteilungen angeboten. Die Inhalte decken sich nur zu einem kleinen Prozentsatz

Veranstaltung

MIS

Wirtschaftsuni

verschiedene

Abteilungen

anbieten

Inhalte

decken

klein

Prozentsatz

Transfor-mation

Stoppwörter

A.Kaiser; WU-Wien 5

Informationserschließung

Ein Beispiel für eine Methode der Informa-tionserschließung ist der invertierte Index.

Erzeugung einer „Tabelle“, die in der 1.Spalte alle möglichen Suchbegriffe beinhaltet und in der 2.Spalte die Verweise auf diejenigen Dokumente (Adressen, etc.), die diese Suchbegriffe beinhalten.

A.Kaiser; WU-Wien 6

invertierter Index

Datenbank D1,D4,D7,D9

SQL D2,D4,D7,D8

Internet D5,D6,D7,D8,D9

Computer D3,D4,D9

Textverarbeitung D1

Berücksichtigung von Stoppwortlisten, d.s. Listen von Begriffen ohne Informationsgehalt (der, die, ...)

Vorteil: Massive Beschleunigung des Suchprozesses

A.Kaiser; WU-Wien 7

Informationserschließung

Indexierung

• Manuelle Indexierung

• Automatische Indexierung

• Computer-unterstützte Indexierung

Die Dokumente werden “aufbereitet”, um effizient nach Informationen suchen zu können.

Folie in Anlehnung an Womser-Hacker; Management der Informationssysteme

8

Das Matching-Paradigma des klassischen IR

• Klassisches Boolesches Retrieval

• Benutzer drücken ihr Suchproblem in einer exakten Retrievalsprache aus

• Verbindung von Termen und Boolescher Logik

• search (mess? OR pruef?) AND laser

A.Kaiser; WU-Wien 9

Boolesche Logik

Term1

• AND, OR, NOT

Term2

Term3


10

Nachteile der Booleschen Systeme

• Disjunkte Unterteilung in relevant und nicht-relevant

• Erwünschter Umfang schwer kontrollierbar

• Benutzer haben Probleme mit der Booleschen Logik

• Visualisierbarkeit


11

Ranking-Systeme

• Anordnung des Ergebnisses in einer nach Relevanz sortierten Reihenfolge

• notwendige Voraussetzung: gewichtete Indexierung

• cut-off kann vom Benutzer bestimmt werden

A.Kaiser; WU-Wien 12

Grundprinzip Ranking

Einfacher Match Gewichteter MatchAnfrage (1 1 0 1 0 1 1) Anfrage (1 1 0 1 0 1 1)Dok. 1 (1 1 0 1 0 1 0) Dok. 1 (2 3 0 5 0 3 0)

(1 1 0 1 0 1 0)=4 (2 3 0 5 0 3 0)=13

Anfrage (1 1 0 1 0 1 1) Anfrage (1 1 0 1 0 1 1)Dok. 2 (1 0 1 1 0 0 1) Dok. 2 (2 0 4 5 0 0 1)

(1 0 0 1 0 0 1)=3 (2 0 0 5 0 0 1)=8

Anfrage (1 1 0 1 0 1 1) Anfrage (1 1 0 1 0 1 1)Dok. 3 (1 0 0 0 1 0 1) Dok. 3 (2 0 0 0 2 0 1)

(1 0 0 0 0 0 1)=2 (2 0 0 0 0 0 1)=3

human factors in informa-tion retrieval systems(1 1 0 1 0 1 1)

factors information help human operation retrieval systems

Index

Anfrage

human, factors, information, retrieval(1 1 0 1 0 1 0)

human, factors, help, systems(1 0 1 1 0 0 1)

Dok. 2

factors, operation, systems(1 0 0 0 1 0 1)

Dok. 3

Dok. 1


Boolesche Beispielrecherche

• „Intelligentes Information Retrieval im Internet“

• 1.Anfrage Information Retrieval 12.345

• 2.Anfrage IR 20.811

• 3.Anfrage Intelligent 45.123

• 4.Anfrage 1 AND 3 421

• 5.Anfrage 4 AND Internet 61


Suche in Ranking-Systemen

• Anfrage Gewicht D1 D2 D3

• Information Retrieval 5 x x x• Intelligent 5 x• Internet 1 x x

Gewicht 5 11 6

Anordnung: 1. D2 2.D3 3. D1

-


15

Vorteile von Ranking-Verfahren

• Die Rangordnung reiht die relevantesten Dokumente an den Anfang der Folge

• Der Benutzer bestimmt den Abbruch selbst, d.h. keine Mengenprobleme

• Experimente zeigen bessere Retrieval-qualität (bereits für sehr einfache Verfahren) cf. Salton et al. 1983


16

Systemunterschiede

• Indexierungs- und Retrievalmodell

• Behandlung der Dokumente und Anfragen– Indexierungsvokabular– Gewichtung– Dokumentstruktur

• Ähnlichkeitsmaß

• Outputform: Ranking, Relevance Feedback


Einsatz von IR-Systemen

• Literaturrecherche

• Suchmaschinen im Internet

• Suchverfahren im Multimediabereich

• ...


Formatierte DBS vs IR-Systeme

formatierte DBS IR-Systeme

strukturierte, unformatierteformatierte Daten Daten

direkte Suche indirekte Suche

“Erfolg” ist objektiv “Erfolg” ist bestimmbar subjektiv (Nutzen)


Ein konkretes Beispiel

XBIBSUCHE an der Abteilung für Informationswirtschaft:

Inhaltsverzeichnisse der Werke der Bibliotheken der Abteilung

Einscannen, Abspeichern als ASCII-DateiInformationserschließung mit GLIMPSEErzeugung eines invertierten IndexSuche über das WWW in allen Inhaltsverzeichnissen


Xbibsuche

Die Adresse für Xbibsuche

http://wwwai.wu-wien.ac.at/~kaiser/xbibsuche/

http://wwwwwww/


Suchverfahren im WWW


Internet und WWW• Linearer Text - Hypertext - Multimedia

Hypermedia• World Wide Web: weltweit verteiltes

multimediales Informationssystem• HTTP (Hypertext Transfer Protocol)

– Connection - Request - Response - Close

• Caching: Zwischenspeicherung– Hauptspeicher/Platte - Proxy; Archivierung

• Client-Server Prinzip


WWW vs. konventionelle, datenbankbasierte IS

• Verteilte Datenhaltung

• hohe Dynamik bezüglich neuer, entfernter und geänderter Inhalte

• heterogene Datenformate und unheitlich strukturierte Inhalte

• hohe Anzahl von Dokument-Dubletten

• gigantische Menge von Dokumenten

alle Eigenschaften erschweren die Suche und Lokalisierung von Infos im WWW


Suchverfahren im WWW

• Suche in lokalen WWW-Servern

• Katalog- und verzeichnisbasierte Suche

• Roboterbasierte Suche

• Metasuchmaschinen

• Intelligente Agenten


Suche in lokalen WWW-Servernund Datenbanken

• HTML

• Gateways zu Datenbanken– Literaturrecherche in Bibliotheken– ALEPH: österreichweiter Bibliotheksverbund– http://aleph.wu-wien.ac.at:4505/ALEPH– Web-Server (Oracle)

http://aleph.wu-wien.ac.at:4505/ALEPH


Matching - Browsing

• Matching: Vergleich von Begriffen, die das Informationsbedürfnis des Suchenden umschreiben, mit Begriffen, die aus den indexierten Dokumenten gewonnen wurden.

• Browsing: (zielgerichtete) Navigation von einem Hyperlink zum anderen, so dass sich ein zurückgelegter Pfad von besuchten Seiten ergibt.


Matching

• Matching: Vorgehensweise der klassischen Suchmaschine. Zwingt den Suchenden sein

Informationsproblem zu durchdenken und zu strukturieren

Suchender muß über Problemgebiet und Vokabular Bescheid wissen und auch wissen was sein/ihr Problem ist.


Browsing• Browsing wird erst möglich mit dem Vorhanden-sein

von Hyperlinks. Ist das Suchverfahren in Katalogen– gerichtetes Browsing

– ungerichtetes Browsing

– assoziatives Browsing sukzessive Eingrenzung des Problembereichs, keine

exakte Beschreibung des Problembereichs notwendig weniger zielorientiert, oft aufwendig,

Risiko(? ) der Ablenkung


Katalog- und verzeichnisbasierte Suche

• (manuell) aufgebaute Linksammlungen

• Navigation in hierarchisch aufgebauten Sachgebieten

• Eignen sich dann, wenn man zu einem bestimmten Gebiet einen (guten) Einstieg finden will.

• Yahoo, Dino, ...


Kataloge

• Aufbau durch Betreiber (oftmals manuell)

• Anmelden eigener Webseiten durch Benutzer (Begutachtung und/oder Klassifikation durch Betreiber)

• Beispiel: VU (virtuelle Universität)

• http://vu.wu-wien.ac.at

http://vu.wu-wien.ac.at/


Kataloge

• Weitere Beispiele für Kataloge– Yahoo: http://yahoo.com– Dino: http://www.dino-online.de/– Euroseek:

http://www.euroseek.com/page?ilang=de– WWW Virtual Library:

http://vlib.org/Overview.html

http://yahoo.com/

http://www.dino-online.de/

http://www.euroseek.com/page?ilang=de

ttp://vlib.org/Overview.html


Portale vs. Kataloge

• Portale: Einstiegspunkt für den vereinfachten Zugang zu einer großen Menge an Informationen. Sie verwenden Informationsquellen und Suchwerkzeuge, den den wirtschaftlichen Interessen der Portal-Anbieter entsprechen (Suchmaschinen, Kataloge, Spezialsuchdienste, ...)

• Oftmals Möglichkeiten der Personalisierung = persönliche Anpassung der Seiten des Portals an Interessen und Präferenzen


Portale

• Beispiele für Portale:– EXCITE: http://www.excite.de– NETSCAPE: http://my.netscape.de

http://www.excite.de/

http://my.netscape.de/


Roboterbasierte Suche / Suchmaschinen

• Roboter, Spider, Wanderer, Worm• rekursive Inhaltserschließung (über

Referenzen des gerade bearbeiteten Dokuments)

• Erschließung weiterer Dokumentformate (PDF, Word, Postscript, ...)

• Aufbau einer Indexdatenbank • “klassisches IR”


Reichweite von Suchmaschinen

http://www.searchenginewatch.com

http://www.searchenginewatch.com/reports/sizes.html

Google (1,346,966.000 URLs),Alta Vista (350 Mio URLs), Excite (250 Mio URLs), HotBot (110 Mio URLs), Lycos (340 Mio URLs), WebCrawler (2 Mio URLs)

http://www.searchenginewatch.com/




Systemaufbau von Suchmaschinen


Systemaufbau von Suchmaschinen


Aufbau der Datenbank von Suchmaschinen

• bekannte WWW-Seiten (Startpunkt Kataloge, etc.)

• rekursive Erschließung

• explizit durch Benutzer


Probleme beim Aufbau der DB

• WWW-Seiten mit Frames• Link-Bilder über CGI-Schnittstelle• Aktualisierung (neu erstellte / aktualisierte

Dokumente)• Nicht-verlinkte Dokumente• Zugriffsgeschützte Dokumente• Dynamische Dokumente• Geschützte Seiten nach dem Roboter-Exclusion-

Standard


Indexierung von Dokumenten

• Oftmals unklar, Kernkompetenz der Anbieter

• Methoden des klassischen Information Retrievals– Wortextraktion mit mehrsprachigen Stoppwortlisten

– Position der Wörter

– Berechnung der Dokumentähnlichkeiten

– Funktion der Wörter (URL, Titel, Überschrift, Link, etc.)

– HTML-Elemente

– Verweisstrukturen


Indexierung von Dokumenten

• Volltext-Indexierung– die gesamte HTML-Seite wird unter

Berücksichtigung von mehrsprachigen Stoppwortlisten indexiert

• Teilindex– nur ein Teil der Seite (meist URL, Titel,

Überschriften) werden indexiert

• Spezielle inhaltsbeschreibende Bereiche– META-Tags in HTML


Anfragebearbeitung

• Verschiedene Suchmodi (einfache / erweiterte Suche)

• Formularbasierte Suchmasken mit diversen Einstellmöglichkeiten

• Voreinstellungen werden tw. Über Buttons, Menüs und Listen ausgewählt

• Java-basierte Suchmasken (selten)


Relevanzberechnung

• Anzahl gefundener Suchbegriffe• Position der gefundenen Begriffe• Statistische Häufigkeit des Begriffs innerhalb eines

Dokuments• Nähe der Suchbegriffe untereinander innerhalb des Textes• Gesamtanzahl eines Suchbegriffs in der Datenbank• Popularität eines Dokuments• Anzahl und Qualität von Hyperlinks, die auf ein

Dokument verweisen und von einem Dokument ausgehen.


Suchmaschinen

Beispiele für Suchmaschinen

• Google: http://www.google.com

• Altavista: http://www.altavista.com

http://www.google.com/

http://www.altavista.com/


Metasuchmaschinen

• Gleichzeitige Suche bei mehreren Suchmaschinen über ein einziges Suchformular

• Die verschiedenen Suchdienste werden vorgegeben, tw. auch Auswahlmöglichkeiten für Benutzer

• Funktionalität und Operatoren der verschiedenen Suchdienste werden verwendet. Anpassung der Anfrage an die Metamaschine auf die einzelnen Suchdienste wird vorgenommen.

• Die spezifischen Eigenschaften der einzelnen Suchdienste bleiben dem Benutzer verborgen


Metasuchmaschinen• Metasuchmaschinen die Duplikate eliminieren und eine fusionierte

Relevanzbeurteilung vornehmen– entweder Weiterführen des Rankings im Ursprungssuchdienst oder

komplette Neubeurteilung der Relevanz basierend auf den Worthäufigkeiten der Suchbegriffe in Angaben wie Titel, URL, Kurzbeschreibung)

• Metasuchmaschinen die Duplikate eliminieren, aber keine fusionierte Relevanzbeurteilung vornehmen

• Problem: Ranking der gemischten Treffermenge• Treffermenge meist nach Suchdiensten gruppiert• Duplikateliminierung lediglich über URL-Vergleich


Metasuchmaschinen

• Sequentielle Suche in mehreren Suchdiensten– Ausgabe erst nach der Befragung des letzten

Suchdienstes

• Parallele Suche in mehreren Suchdiensten– Ausgabe, sobald einer der befragten

Suchdienste die Anfrage abgearbeitet hat


Metasuchmaschinen

Erspart das Laden der Homepages einzelner Suchdienste

Guter Überblick über unterschiedliche DiensteZeitersparnis und größerer DokumentenraumBeschränkung bei der Formulierung der Suchanfrage,

weil Syntax der einzelnen Maschinen unterschiedlich (vgl. Informationsbedürfnis und Informationsnachfrage)


Metasuchmaschinen

Beispiele für Metasuchmaschinen• MetaGer

http://meta.rrzn.uni-hannover.de/• Highway 61

http://www.highway61.com/• Metacrawler

http://www.metacrawler.com/index.html

http://meta.rrzn.uni-hannover.de/

http://meta.rrzn.uni-hannover.de/

http://www.highway61.com/

http://www.metacrawler.com/index.html


Eigene Webseiten und Suchmaschinen

• Wichtiger Text im oberen Bereich• Schlüsselbegriffe im TITLE-Element und

Überschrift (ev.auch in der Adresse)• Keine Frames bzw. alternative Seiten zu

Frames• Regelmäßige Überprüfung der eigenen Seiten• Verwendung von Metatags in HTML


Eigene Webseiten und Suchmaschinen

Hilfswerkzeuge

• Webmasterplan.comhttp://de.webmasterplan.com/

• Makemetophttp://makemetop.com/

• Searchenginecheck.comhttp://searchenginecheck.com/

http://de.webmasterplan.com/

http://makemetop.com/

http://searchenginecheck.com/


Vorgehensweise bei der Suche

1) „Klärung“ des Informationsbedarfs

2) Auswahl der „richtigen“ Suchbegriffe

3) Auswahl geeigneter Suchverfahren

4) Durchführung der Recherche


Klärung des Informationsbedarfs

• Gesamtüberblick über ein Thema?– Wahrscheinlich geringe Vorinformationen– Ziel: hohe Anzahl gefundener Web-Seiten

• Detailinformationen – wahrscheinlich gewisse Vorkenntnisse

vorhanden– Ziel: hohe Anzahl relevanter Web-Seiten


Auswahl der Suchbegriffe

• Sprache der Suchbegriffe (eine oder mehrere)

• spezielle und allgemeinere Suchbegriffe verwenden

• Synonyme zu den Suchbegriffen überlegen


Auswahl der Suchverfahren

Informationsbedürfnis

Allgemeines Interesse

Überblick über Thema

Detailinformationenüber ein Thema(man kennt die

Suchbegriffe)

Suchverfahren

Surfen,spezielle Seiten mit aktuellen

und interessanten Links

Kataloge

Suchmaschinen, Datenbanken


Intelligente Agenten

• Programme, die Aufträge eines Benutzers oder eines anderen Programmes ausführen und dabei Wissen über die Ziele und Wünsche des Benutzers anwenden

• vgl. Intelligentes IR, Letizia, etc.


Intelligentes Information Retrieval


Konventionelles vs intelligentes IR

Konventionelles IR

• Informationsbedürfnis kann vor Recherche klar definiert werden

• Benutzer weiß was er/sie will

• Informationsbedürfnis ändert sich nicht im Dialog mit dem IR-System

Intelligentes IR• Benutzer weiß nicht

genau nach welchen Informationen er/sie sucht

• Benutzer lernt im Dialog mit dem IR-System über Informationsbedürfnis dazu



• vergleiche Vorgehensweise beim Erstellen einer Diagnose beim Arzt

• Weg um in Kooperation mit dem IR-System („=Arzt“), das wahre Informationsbedürfnis zu eruieren und die relevanten Informationen zu finden („=Therapie“)

• „Es sind (oft) nicht die Antworten die erhellen, sondern die Fragen



• Ziel: Angleich bzw. Annäherung Informationsbedürfnis und Informationsbedarf

• unterschiedliche Ansätze um dieses Ziel zu erreichen– Computerunterstütztes Indexieren mit Relevance

Feedback– Fallbasiertes Schließen– Intelligente Agenten– ...


Dynamischer Dokumentenraum - Ziele

– Eliminierung von falschen Deskriptoren– Dokumente, die als relevant eingestuft wurden,

sollen der Suchanfrage ähnlicher gemacht werden– Dokumente, die als nicht relevant eingestuft

wurden, sollen der Suchanfrage unähnlicher gemacht werden

– Anpassung des Dokumentenraums an die Sprachentwicklung

– Anpassung des Dokumentenraums an die Benutzer


Prototypen

• Guided Information Exploration

• Letizia


Guided Information Exploration

• System als Assistent der dem Anwender „über die Schultern schaut“, was er tut, welche Informationen er verarbeitet und welche Informationen er übergeht.

• Basierend auf diesen Informationen stellt das System Hypothesen über das Informationsbedürfnis des Anwenders auf.

• Retrieval von relevanten Informationen basierend auf den aufgestellten Hypothesen

• Kein explizites Relevance-Feedback sondern implizites Ableiten dieser wichtigen Informationen durch Interpretation der Anwender-Aktionen


Guided Information Exploration

• Das System schätzt die Relevanz jedes Dokuments in Bezug auf die aufgestellten Hypothesen

• iterativer und dynamischer Aspekt von GIE

• Präsentation der durch GIE ''gefundenen'' Dokumente sollte ''unaufdringlich'' sein.

• Der Anwender soll nicht unnötig in seinem Suchprozeß unterbrochen werden. Trotzdem sollte es das Interface dem Benutzer erlauben sich die angebotenen Dokumente schnell durchzusehen um deren Relevanz beurteilen zu können.

• Implementation mit neuronalen Netzen


Letizia

• Software-Agent der einen Anwender beim Browsing assistiert

• verfolgt die Gewohnheiten des Benutzers und versucht basierend auf den gewonnenen Erfahrungen jeweils ausgehend von der aktuellen Position des Benutzers, weitere passende Links selbständig zu finden.

• Suche nach Information ist cooperatives Unternehmen zwischen dem Anwender und einem intelligenten Software-Agenten


Letizia

• Schnelleres Erkunden möglicher relevanter Informationsknoten.

• Orientierung an den ''Bewegungen'' des Anwenders• einfache Heuristiken• Verknüpfung von Konzepten des Information Retrievals• und des Information Filterings• Nutzung der Idle-Time• Anwendung dann, wenn sich der Anwender unsicher ist,

welchen Schritt er als nächstes setzen soll.


Letizia

• http://lieber.www.media.mit.edu/people/ lieber/Lieberary/Letizia/Letizia.html

A.Kaiser; WU-Wien1 Information Retrieval Systeme Suchverfahren im Web.

Documents