Zoekmachines weten het antwoord

Zoekmachines weten het antwoord

.. geen 10 blauwe links, maar feiten ..

.. de knowledge graph en andere semantiek ..

Eric Sieverts

VVBAD | Gent, 25 juni 2015

@sieverts

Google geeft steeds vaker concrete antwoorden ("direct answers") op onze zoekvragen

"liever een antwoord dan 10 blauwe links"

wat krijgt u liever?

of

dit

dat

eric sieverts, juni 20152

Credits original photo:https://www.flickr.com/photos/celesteh/1660764786/direct answers

uit presentatie op "SMX West" congres (3-5 maart 2015, San Jose):

• Google geeft "direct answer" bij 20% van de zoekvragen

maar:kunnen we op die antwoorden vertrouwen?hoe komen ze aan die antwoorden?


https://www.flickr.com/photos/celesteh/1660764786/

https://www.flickr.com/photos/celesteh/1660764786/

4

vertrouwen we op Google's antwoord? of willen we zelf antwoorden zoeken?

semantisch zoeken

het kunnen geven van concrete antwoorden hangt direct samen met de ontwikkeling van"semantische zoeksystemen"

wat moet computer daarvoor kunnen?1. begrijpen wat de zoeker bedoelt2. a) weten wat het antwoord is ("het staat klaar")

b) begrijpen wat documenten "bedoelen", zodat daaruit antwoorden kunnen worden afgeleid

3. (als "next best") in de tien blauwe links relevante context tonen

deze punten vormen de agenda voor vanmiddag


semantisch zoeken

semantisch zoeken ≡ semantisch web

van het semantisch web zoals dat Tim Berners Lee in 2004 voor ogen stond, zijn alleen pas wat losse bouwstenen gerealiseerd, maar die helpen wel al bij "semantisch zoeken"


semantisch zoeken

semantisch web

entiteiten

ontologieën

metadata….

8

9

10

semantisch zoeken

terug naar de 2 aspecten van semantisch zoeken

1. wat bedoelt de zoeker met zijn zoekvraag?"not strings but things"– wat is betekenis van gebruikte zoekwoorden (dubbelzinnigheden?)– wat is bedoeling/intentie van de zoeker

om concreet antwoord te kunnen geven, in plaats van lijstje met "ten blue links"

2. wat is betekenis van content in webpagina's ten behoeve van die concrete antwoorden om toch ook in de "ten blue links" relevante extra informatie te

kunnen tonen


intentie van de zoeker

1. bepalen van bedoeling / intentie van de zoeker – uit locatie van de zoeker

– globaal: op basis van internetdomein waar gebruiker zit (ip-adres)op google.be krijg je ander antwoord dan op google.nl of google.com

– heel precies: op basis van bekende gps- of gsm-gegevens (mobiel)bijv.: zoekt mobiel in buurt van de Rozengracht naar “pizza”

>> adres van pizzeria in de buurt

– uit gebruikt apparaat– op desktop krijg je (vaak) ander antwoord dan op mobieltje

– uit eerder zoekgedrag van de zoeker– door analyse van de zoekvraag

– ...12 eric sieverts, juni 2015



– uit gebruikt apparaat

– uit eerder zoekgedrag van de zoeker– wat voor zoekvragen stelde gebruiker eerder– naar welke resultaten keek gebruiker dan

bijvoorbeeld al toegepast in Google's personalisatie van relevance ranking;de opgeslagen "web history" is ook al "big data"

– door analyse van de zoekvraag

– ...

13 eric sieverts, juni 2015



– uit gebruikt apparaat

– uit eerder zoekgedrag van de zoeker

– door analyse van de zoekvraag– door herkennen van "entiteiten" in de vraag

bijv.: "Parijs" is een stad (waarover feiten beschikbaar zijn) naam van persoon, bedrijf, product, gebeurtenis, … >> feiten naam van gewoon persoon >> facebook / linked-in gegevens – herkent vaste combinaties van woorden– natuurlijke taal interpretatie – uit algemene statistiek van zoekvragen

bijv.: wie "bach" zoekt bedoelt 95% zeker "Johann Sebastian"


wolfram|alpha

GoogleKnowledge

Graph

~ Google

content van webpagina

2. bepalen van betekenis van content in webpagina's <op enkele punten kom ik later nog terug>– herkennen van entiteiten in de tekst

bijv.: namen van personen, bedrijven, steden, producten, ...– gebruik van metadata/codering volgens ontologieën

bijv.: informatie gecodeerd met begrippen uit schema.org ontologie– uit (variabele) structuur van beschikbare informatie

bijv.: herkennen van tabellen, kenmerk-waarde koppels, ....– uit (vaste) structuur van beschikbare informatie

bijv.: gestructureerd opgeslagen kenmerken in Facebook– automatisch herkennen van betekenis/onderwerp uit hele tekst

bijv.: door "machine learning" getraind op vaste concepten– koppelen aan data uit andere bronnen

bijv.: via linked (open) data – ...


Wie op “Bach” zoekt, vindt vermoedelijk liever gegevens over hem dan websites over hem.Google's Knowledge Graph kent >500 miljoen objecten met >3,5 miljard kenmerken

16

gegevens o.a. afkomstig uit: Freebase (crowdsourced kennisbank), Wikipedia (dbpedia), CIA World factbook, Wikidata, analyse van gegevens op web

https://www.freebase.com/

https://www.wikipedia.org/

http://wiki.dbpedia.org/Datasets

https://www.cia.gov/library/publications/the-world-factbook/



https://www.wikidata.org/wiki/Wikidata:Main_Page

wat is in dit verband een "graph"? een netwerk van al die concepten met

hun onderlinge relaties en kenmerken

17

tripels

al die informatie wordt in feite opgeslagen als "tripels" (later meer)

L. Da Vinci schilderde Mona Lisa

J.S. Bach geboren op 31-03-1685

J.S. Bach geboren in Eisenach

Eisenach ligt in Duitsland

C.P.E. Bach kind van J.S. Bach


knowledge cards

• dit soort gegevens die bij een persoon/object/entiteit horen, worden gecombineerd in "knowledge cards"

• die knowledge cards verschijnen - zoals bij het eerdere voorbeeld van Bach - rechts naast het gewone zoekresultaat


maar niets overde diefstal ….



generieke vragen leveren

"carousel"




25






soms verschijnt ookfeitelijk antwoord(eveneens een "tripel")boven de gewonezoekresultaten

31


33

34

https://www.google.com/search?num=50&site=&source=hp&q=unemployment+rates+netherlands&oq=unemployment+rates&gs_l=hp.3.0.35i39j0i67l7j0l2.8444.14414.0.16688.21.20.1.0.0.0.135.1688.16j4.20.0....0...1c.1.64.hp..1.20.1553.0.3oSU6Hq2Sjk


daarbij wordt ook d.m.v. natuurlijke taal technieken herkend wat er gevraagd / bedoeld wordt


in werkelijkheid varieert die afstand dus tussenongeveer 356.000 en 407.000 km[bron: NASA - via Wikipedia]dus dat cijfer op 4 decimalen nauwkeurig iseigenlijk onzin (hoewel dat ook uit de Wikipedia komt)

maar:



ook wordt (soms) herkend als je dingen wilt vergelijken en worden relevante gegevens in een tabel gezet


antwoord isgeen feit uit Knowl. Graph, maar tekst uit web-pagina

40

??



Oeps ....

42

43

soms extra informatiebij specifiekeresultaten

knowledge vault

• inhoud van "knowledge graph" komt uit gecontroleerde gestructureerde bronnen als wikipedia/dbpedia, freebase, …

• in "knowledge vault" wordt dat uitgebreid met gegevens die uit allerlei webpagina's worden onttrokken (ook als tripels)


This paper [http://www.cs.cmu.edu/~nlao/publication/2014.kdd.pdf] published by Google goes into more detail about the concepts behind the Knowledge Vault, citing three major components:

Extractors: These systems extract triples from a huge number of Web sources. Each extractor assigns a confidence score to an extracted triple, representing uncertainty about the identity of the relation and its corresponding arguments.

Graph-based priors: These systems learn the probability of each possible triple, based on triples scored in an existing KB (knowledge base).

Knowledge fusion: This system computes the probability of a triple being true, based on agreement between different extractors and priors

45

http://www.cs.cmu.edu/~nlao/publication/2014.kdd.pdf

Google tableszoeken naar/in tabellen https://research.google.com/tables

zie ook:"Applying WebTables in Practice"http://www.cidrdb.org/cidr2015/ Papers/CIDR15_Paper3.pdf

google heeft een speciaal tool voor herkennen van tabellen en om daaraan gegevens te ontlenen - ook publiekelijk beschikbaar

46

https://research.google.com/tables





http://www.cidrdb.org/cidr2015/Papers/CIDR15_Paper3.pdf

http://www.cidrdb.org/cidr2015/Papers/CIDR15_Paper3.pdf

voorbeelden:huis

Pittsburg

oppervlak

# inwoners

4849 sqft

334.563

uit w

ikip

edia


Bing heeft zijn "Entity Engine" (Snapshots)maar die reageert vaak nog wat minderslim op combinaties van woorden

48

... en alleen bij landeninstelling"Verenigde Staten"

49

en nog meer …

er zijn nog meer (semantische) zoeksystemen die proberen concrete antwoorden te geven

een paar voorbeelden:• wolfram|alpha

• kngine

• cluuz

• sensebot

• …..



hoe doen reguliere zoekmachines engespecialiseerde semantische systemenhet bij inhoudelijke vragen

"how many people live in Paris ?"

52

53

hoe doen reguliere zoekmachines en gespecialiseerde semantische systemen het bij inhoudelijke vragen?

"how many plays wrote Shakespeare ?"

54


55


56

"who won the 1992 Nobel Peace Prize ?"

hoe doen reguliere zoekmachines en gespecialiseerde semantische systemen het bij inhoudelijke vragen?


??

57


resource description framework

RDF = resource description frameworkRDF is standaard voor het beschrijven van de relatie tussen een resource (of een object) en zijn metadata

• eigenschappen (metadata) worden vastgelegd in zogenaamde tripels: subject <predicaat> object (wat je ook zou mogen noemen : ding <eigenschap> waarde )

• waarbij – te beschrijven ding een webadres (URI) heeft– eigenschap van dat ding liefst ook een URI heeft– "waarde" van die eigenschap liefst ook een URI heeft

• voorbeeld:– boek (heeft een webadres: URI)– heeft auteur (betekenis van eigenschap ergens beschreven: URI)– persoon (gegevens van persoon ergens op web te vinden: URI)

58

intermezzo RDF-tripels


rdf tripels grafisch weergegeven

subject <predicaat> object doc1 <heeft auteur> auth1auth1 <heeft naam> john smithauth1 <heeft affiliatie> home inc.auth1 <heeft email> [email protected]

grafische representatie vansimpel netwerk van 4 RDF-tripels

59



rdf tripels

60

naar idee vanLucas Koster / IP

"Uit Berlijn"

boek

Uit Berlijn

"Armando"

Schuldiglandschap

http://www.worldcat.org/oclc/10098995

is een

http://www.w3.org/1999/02/22-rdf-syntax-ns#type

naam

http://xmlns.com/foaf/spec/#term_name

http://viaf.org/viaf/9885610/

http://hdl.handle.net/10934/RM0001.COLLECT.496040

is geschreven door

is schilder van

http://purl.org/dc/terms/creator


http://schema.org/Booktit

le

Armando

http://purl.org/dc/terms/title



http://www.worldcat.org/oclc/10098995

http://www.w3.org/1999/02/22-rdf-syntax-ns#type

http://xmlns.com/foaf/spec/#term_name

http://viaf.org/viaf/9885610/

http://hdl.handle.net/10934/RM0001.COLLECT.496040



http://schema.org/Book

http://purl.org/dc/terms/title

rdf tripels

• RDF is bedoeld om bestaande semantische systemen te (her)gebruiken en te combineren

• RDF wordt meestal in XML- of JSON-notatie weergegeven • RDFa = “RDF in attributes” , verwerkt metadata in de inhoud van

(X)HTML webpagina’s (als attributen van HTML-codes)

• RDF-tripels worden ook gebruikt in "linked data"

• ze worden opgeslagen in zogenaamde triple-stores

61



nog even terug …

2. bepalen van betekenis van content in webpagina's– herkennen van entiteiten in de tekst

– gebruik van metadata/codering volgens ontologieën"betekenis vooraf gekarakteriseerd"

bijv.: informatie gecodeerd met begrippen uit schema.org ontologie

– uit (variabele) structuur van beschikbare informatie "betekenis achteraf afgeleid / geraden"

bijv.: herkennen van tabellen, kenmerk-waarde koppels, ....

– uit (vaste) structuur van beschikbare informatiebijv.: gestructureerd opgeslagen kenmerken in Facebook

– automatisch herkennen van betekenis/onderwerp uit hele tekst

– koppelen aan data uit andere bronnen

– ...62 eric sieverts, juni 2015

semantische codering

gestandaardiseerde markering van kenmerken in webpagina's - "semantic markup"

voorbeeld van zulke "embedded metadata":– recipe search bij Google en Yahoo

daarbij gebruikte standaarden:– rich snippet markup / schema.org

(Google, Yahoo, Bing, Yandex)

onder andere voor: recepten, recencies, personen, producten, organisaties, gebeurtenissen, muziek

– RDFa / microdata /Json


64

in huidig Google-interface

niet meer zo aangeboden;

wel nog bij Yahoo!

https://www.google.com/#q=speculaas&source=lnms&tbm=rcp&fp=39ff486467fd864d

http://recipes.search.yahoo.com/search;_ylt=A0oG7hI2nrRRhEEAr2tXNyoA?p=speculaas&fr=sfp&fr2=piv-web

http://www.google.com/#q=speculaas


schema.org

65

standaard (metadata/ontologie?) voor karakteriseren van content in webpagina

66

+ nu ook Yandex

67

https://schema.org/docs/full.html


voorbeeld van codering met restaurant metadata(zoals gebruikt door o.a. IENS)

zoals in HTML gecodeerd volgens microdata standaard

https://schema.org/Restaurant

gevolg voor Google zoekresultaat

69

schema.org recept-metadata volgens microdata standaard in HTML gecodeerd

70

wat heeft zoeker eraan?

• zoeker kan gerichter zoeken en filteren (zoals in Google's receptenzoeker)

• zoeker krijgt duidelijker informatie over gevonden items in zijn 10 blue links(zoals Google's rich snippets)

waarom en hoe?

• toepassing van deze technieken is vaak "SEO-driven" ( >> betere vindbaarheid; hogere ranking)

• zie bijvoorbeeld blogposts van Barbara Starr op SearchEngineLand:

http://searchengineland.com/see-entities-web-page-tools-help-194710

http://searchengineland.com/5-ways-optimize-markup-knowledge-graph-semantic-search-186755

http://searchengineland.com/how-to-use-rich-snippets-semantic-markup-to-send-rich-signals-139886


http://searchengineland.com/author/barbara-starr









metadata tools

er zijn handige tools die analyse maken van in webpagina aanwezige metadata volgens microdata of RDFa standaard


• Extensions voor Chrome browser:https://chrome.google.com/webstore/category/extensions

• Google's "webmaster structured data testing tool":https://developers.google.com/structured-data/testing-tool/




https://chrome.google.com/webstore/category/extensions

https://developers.google.com/structured-data/testing-tool/

https://developers.google.com/structured-data/testing-tool/

74

wat biedt schema.org voor bibliotheken

• voor bibliotheken als organisatie alleen generieke zaken (adressen, openingstijden, rating, ...)

kan in rich snippets en in “knowledge card” terechtkomen


maar Google kan/moet ook op andere

manieren aan deze informatie komen,

want de UB Utrecht maakt nog helemaal

geen gebruik van Schema.org .... :-/

https://www.google.com/search?num=50&q=utrecht+universiteitsbibliotheek&oq=utrecht+universiteitsbibliotheek&gs_l=serp.3..0i7i30j0j0i30l4j0i5i30j0i8i30l3.1207687.1209693.0.1210119.8.8.0.0.0.0.209.852.6j1j1.8.0....0...1c.1.64.serp..0.8.847.zGPPQbKrN_A

• wordt nog weinig toegepast• alleen generiekere kenmerken


• van bibliotheken die ik uitprobeerde bleek alleen de British Library beperkt gebruik te maken van organisatiegegevens



• voor materiaal van bibliotheken wel al veel mogelijkheden

• OCLC gebruikt schema.org om metadata uit WorldCat als Linked Data beschikbaar te stellen

zie ook OCLC Webinar "Library Linked Data in the Cloud" n.a.v. hun boek hierover

afhankelijk van zoekmachine-policy welke gegevens ze op enig moment als rich-snippets in resultaatpagina's (SERP) tonen


https://www.youtube.com/watch?t=57&v=mj0CVMzM7dQ

https://www.youtube.com/watch?t=57&v=mj0CVMzM7dQ

materiaalsoorten voor bibliotheken vind jeonder "creative works"

81

• sommige wel al veel toegepast

schema.org (e.a.) als linked data in worldcat

eric sieverts, mei 201483

http://www.worldcat.org/title/organiseer-je-informatie-aan-de-slag-met-thesauri-taxonomieen-tags-en-topics/oclc/669754928&referer=brief_results

uit presentatie van

Richard Wallis (OCLC)

13 juni 2014

84

http://www.slideshare.net/rjw/why-schemaorg-for-libraries

twee conclusies

1. ook al geven zoekmachines concrete antwoorden, informatievaardigheid blijft van belang- voor het beoordelen van de kwaliteit van die antwoorden

(en van de daarvoor gebruikte bronnen)

- om daartoe ook nog steeds de beste "10 blue links" te vinden (en liefst ook meer dan 10)

2. semantisch coderen in webpagina's (met bijv. schema.org) wordt ook voor bibliotheken van belang- voor makkelijker herkenning van relevante gegevens in de "SERP"

- omdat het een rol speelt bij ranking / SEO (dus voor vindbaarheid)

- maar haak aan bij / laat over aan grote spelers die het toch al doen


any questions ?

Zoekmachines weten het antwoord

Documents