Sistemi per il recupero delle informazioni SISTEMI PER

Sistemi per il recupero delle informazioni SISTEMI PER IL RECUPERO DELL’INFORMAZIONE 1

Information Retrieval n 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. ¨ le informazioni devono essere rappresentate ed organizzate in modo da fornire all'utente un facile accesso all'informazione cui è interessato. ¨ le richieste di informazione dell'utente vengono tradotte in queries che vengono elaborate da un motore di ricerca o sistema di IR. Nella forma più comune le queries sono espresse come insiemi di parole chiave (keywords o termini indice) che riassumono l'informazione desiderata. n 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. ¨ rispetto alla teoria classica delle basi di dati, l’enfasi non è sulla ricerca di dati ma sulla ricerca di informazioni. 2

Rilevanza n Per essere efficace nel suo intento di soddisfare il bisogno di informazione dell'utente, un sistema di IR deve in qualche modo interpretare il contenuto dei documenti ed ordinarli a seconda del grado di rilevanza rispetto a ciascuna query. n Per ottenere l'interpretazione del contenuto del documento è necessario estrarre l'informazione sintattica e semantica dal testo. La difficoltà non sta solo nella scelta del modo in cui estrarre tali informazioni, ma anche in come utilizzarle per stabilirne la rilevanza. Pertanto la nozione di rilevanza è fondamentale per l'IR. n Lo scopo principale di un sistema di IR è di recuperare tutti i documenti rilevanti per la query dell'utente cercando di recuperare il minor numero possibile di documenti non rilevanti. 3

IRS: descrizione funzionale 4

I vari passi 5

IL PROBLEMA INFORMATIVO n 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. n 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. n 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. 6

IL PROBLEMA INFORMATIVO n 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 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 n Rappresentazione dei documenti in forma sintetica: ¨ indicizzazione: l’idea è quella di associare a ciascun documento un insieme di termini significativi che saranno utilizzati per selezionare il documento. 7

IL PROBLEMA INFORMATIVO n n Possiamo pensare ad un SRI 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 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 8

IL PROBLEMA INFORMATIVO n n 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) 9

Polisemia n n Il fatto che l'informazione all'interno dei documenti e le queries siano rappresentate da espressioni del linguaggio umano costituisce un'ulteriore complicazione del task dell‘ Information Retrieval. Un primo problema è quello della polisemia: a differenza dei linguaggi formali, dove alle parole del linguaggio corrisponde un unico significato, nel caso dei linguaggi naturali le parole possono avere più di un significato (in questo caso si dice che la parola è polisemica), col risultato che l'ambiguità di una singola parola può venire propagata al resto della frase. ¨ per esempio l'aggettivo vecchio può avere sia il significato di vecchio utilizzato per descrivere qualcosa come appartenente ad un periodo od un'epoca precedente, sia quello di vecchio nel senso di usato, logoro; mentre pellicola può essere sia un film che il supporto su cui vengono registrate le immagini in una macchina fotografica. Quindi dicendo una vecchia pellicola ci si può riferire sia ad un film d'annata, sia ad un rullino rovinato. 10

Sinonimia n La sinonimia, ovvero l'esistenza di parole con significato equivalente od identico (ad esempio convegno e riunione), ha per certi versi un effetto contrario: infatti in questo caso, in risposta ad una query che contenga una parola con sinonimi, la probabilità che l'insieme dei documenti ritornati sia incompleto rispetto all'insieme dei documenti rilevanti per la query è sicuramente superiore al caso in cui la query non contenga parole con sinonimi. 11

Polisemia e Sinonimia n Il problema della sinonimia può essere risolto facendo ricorso a risorse lessicali come i thesauri, i quali, data una certa parola, permettono di trovarne i sinonimi. n Invece la risoluzione della polisemia avviene attraverso il processo di disambiguazione semantica (in inglese Word Sense Disambiguation WSD). ¨ La realizzazione di un algoritmo efficiente per la disambiguazione semantica è tuttora un problema aperto nel campo dell'elaborazione del linguaggio naturale. 12

Sistemi per il recupero delle informazioni RECUPERO 13

Processo di ricerca di informazioni 1. 2. 3. 4. 5. 6. L’utente specifica un bisogno informativo. . . che viene analizzato e trasformato utilizzando le stesse operazioni sul testo applicate alla collezione; la query viene eventualmente trasformata … per poi essere eseguita, utilizzando indici precedentemente costruiti, al fine di trovare documenti rilevanti; i documenti trovati vengono ordinati in base alla probabilità che siano rilevanti e ritornati in tale ordine all’utente; l’utente esamina i documenti ritornati ed eventualmente raffina la query, dando il via ad un nuovo ciclo. 14

TECNICA DI RECUPERO All’interno dell’IRS, l’esecuzione di una richiesta utente di una ricerca di documenti avviene confrontando la rappresentazione del contenuto dei documenti (surrogato) con la rappresentazione della richiesta utente (interrogazione). 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. La presenza di documenti non rilevanti come risultato di una richiesta utente e, contemporaneamente, l’assenza di alcuni documenti rilevanti, è da imputare sia al processo di trasformazione dal problema informativo all’interrogazione, sia al processo di trasformazione dal contenuto dei documenti al loro surrogato. DEFINIZIONE Si definisce tecnica di recupero (retrieval technique) di un IRS la tecnica adottata dal sistema per confrontare l’interrogazione utente con il surrogato 15 dei documenti.

TIPI DI TECNICHE DI RECUPERO 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: q per corrispondenza esatta (exact match) q per similitudine o corrispondenza parziale (partial match) 16

TECNICHE DI RECUPERO ESATTE Le tecniche di recupero per corrispondenza esatta sono quelle basate sull’assunzione che le informazioni specificate nella richiesta siano esattamente contenute nella componente testuale del documento. Presenta tuttavia alcuni svantaggi: Ø 17

TECNICHE DI RECUPERO PER CORRISPONDENZA ESATTA La richiesta è formulata specificando una condizione sui termini che devono essere presenti nel surrogato del testo da recuperare. Una condizione può essere: Ø semplice, cioè riguardare un solo termine Ø 18

TECNICHE DI RECUPERO PER CORRISPONDENZA ESATTA Il recupero per corrispondenza esatta ha due svantaggi. 1. relazione specificata, non sono recuperati e, viceversa, è possibile che siano recuperati documenti contenenti i termini nella relazione specificata ma che in realtà non hanno niente in comune con l’argomento a cui ci si interessa. 2. il recupero basato sulla coincidenza fra quanto espresso nella richiesta e quanto contenuto nella rappresentazione del testo trascura i documenti la cui rappresentazione corrisponde solo parzialmente alla richiesta, ma che trattano ugualmente l’argomento voluto. 19

TECNICHE DI RECUPERO PARZIALI Le tecniche di recupero per corrispondenza parziale sono 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, rispetto alle tecniche per corrispondenza esatta, e sono quelle su cui si concentra, attualmente, il maggiore sforzo di ricerca. 20

TECNICHE DI RECUPERO PER SIMILITUDINE Le richieste vengono di solito formulate elencando alcuni termini che si ritiene descrivano il contenuto dei testi voluti Se il sistema prevede un thesaurus, questo può essere anche usato per sostituire un termine con un suo sinonimo usato per indicizzare i documenti oppure per sostituire termini troppo specialistici, e quindi poco frequenti, con termini più generali, per ridurre il fenomeno del silenzio. Per decidere se un documento debba essere recuperato, il sistema fa una valutazione del grado di similitudine dei documenti presenti con la descrizione di quelli richiesti. 21

TECNICHE DI RECUPERO PER SIMILITUDINE COME VALUTARE IL GRADO DI SIMILITUDINE Modo più semplice: contare i termini della richiesta presenti nel documento. Un altro modo è di sommare il numero delle occorrenze nel documento di ogni termine della richiesta: se Di =(Ti 1, Ti 2, …, Tin) rappresenta il documento e Q = (q 1, q 2, …, qn) la richiesta, in cui qi = 1 se il termine corrispondente è nell’interrogazione, qi = 0 altrimenti, oppure, se si usano termini pesati, qi = “peso del termine” Si calcola la similitudine fra il vettore dell’interrogazione e il vettore di ogni documento come il coseno dell’angolo fra i due vettori e si recuperano tutti i documenti con una similitudine superiore ad una soglia stabilita dall’utente: 22

OSSERVAZIONI q Le tecniche di recupero dei documenti per corrispondenza parziale, basate sul calcolo di un coefficiente di similitudine di un documento rispetto alla richiesta, sono da preferire alle tecniche per corrispondenza esatta. q La migliore strategia di ordinamento dei documenti è risultata quella basata sul calcolo della correlazione del coseno, assegnando ai termini associati ad un documento un peso pari alla loro frequenza nel documento e ai termini nella richiesta un peso pari all’inversa della loro frequenza nella raccolta. 23

Modelli di IR n n n Uno dei problemi principali dei sistemi di IR è quello di predire quali documenti siano rilevanti e quali no; la rilevanza si ottiene a partire da un algoritmo di ranking, il quale tenta di stabilire, sulla base di una misura di similarità, un ordinamento dei documenti recuperati ¨ I documenti in cima alla lista hanno una probabilità maggiore di essere rilevanti. Un tale algoritmo opera secondo dei criteri di rilevanza dei documenti, ossia insiemi di regole che permettono di stabilire quali documenti siano rilevanti e quali no ¨ criteri diversi producono differenti modelli di IR. Il modello definisce la filosofia di fondo di un IRS, ovvero attorno a quali principi generali si è sviluppato il sistema. ¨ L'uso di un modello concettuale influenza o determina il linguaggio di interrogazione, la rappresentazione dei documenti, la struttura dei file ed i criteri di recupero dei documenti. 24

Modelli: sviluppo temporale n n n Modello booleano – anni: 1950 ¨ ancora usato in sistemi industriali e motori di ricerca su documenti Web Modello vettoriale – anni: 1960 ¨ sistemi industriali e era il modello utilizzato inizialmente dai motori di ricerca Web Modello probabilistico – anni: 1970 ¨ sistemi sperimentali e prototipi di ricerca Modello di analisi della semantica latente – fine anni 1980 Modello statistico della lingua – fine anni 1990 Modello basati su reti ipermediali – fine anni 1980/anni 1990 25

Modello booleano n n n 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. n n n AND: i termini sono entrambi presenti OR: almeno uno dei due termini è presente NOT: il termine non è presente 26

Esempio n (film AND amore) ¨ documenti che contengono “film” e “amore” n (dramma OR drammatico) ¨ documenti che contengono “dramma” o “drammatico” n NOT (dramma OR drammatico) ¨ … che non contengono “dramma” o “drammatico” n ((film AND amore) AND NOT (dramma OR drammatico)) 27

Osservazioni n n n Il modello booleano ha il vantaggio di essere efficace in ambienti controllati e con utenti bene addestrati ma per contro vi è poco controllo sul numero dei documenti recuperati. E’ impossibile ¨ l’ordinamento per una qualche misura di similarità ¨ la pesatura dei termini Manifesta limitazioni dovute alla bassa amichevolezza della logica booleana. Richiede agli utenti di sapere precisamente cosa cercano. In tale logica un documento è ritenuto rilevante da IRS e quindi recuperato se i termini indice sono elementi semantici e quindi se il documento ha subito quella mappatura necessaria che porta alla sua evidenza semantica. 28

Il modello vettoriale n Idea: invece di cercare di predire se un documento è rilevante o no, ordiniamo i documenti secondo il loro grado di similarità rispetto alla query n Dobbiamo quindi assegnare uno score (ad esempio compreso tra 0 e 1) ad ogni documento della collezione rispetto alla query formulata n Successivamente ritorneremo un elenco di documenti ordinato in base alla probabilità che siano di interesse per l'utente. 29

Modello vettoriale: documenti n 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 = (t 1, t 2, …, tn) n numero di termini ¨ tk=0 se il termine non è presente altrimenti tk è il peso del termine k-esimo nel documento, una misura di importanza 30

Il modello vettoriale: interrogazione n Interrogazione: un insieme di termini n Rappresentazione dell’interrogazione: ¨ un vettore, simile ai documenti ¨ (con moltissimi 0 e qualche 1 in corrispondenza dei termini specificati dall’utente) ¨ Q(t 1, t 2, … tn) 31

Il modello vettoriale: confronto n Una misura di similitudine tra documenti e richiesta. n Esempio ¨ Di(ti 1, ti 2, ti 3, …, tin) ¨ Q(q 1, q 2, q 3, …, qn) ¨ S(Q, Di) = q 1*ti 1 + q 2*ti 2 +. . . + qn*tin = Σj qj * tij con 0<j <=n 32

Esempio n Due documenti che trattano di Messina, Stretto e Pilone … Vettori: D 1 = [… 0. 1, …, 0. 1, … , 0. 2, …] D 2 = [… 0. 1, …, 0. 9, …] n Interrogazione Q=[… 1, …, 1, …] n Similitudine Sim(D 1, Q)=0, 1+0, 2=0, 4 Sim(D 2, Q)=0, 1+0, 9=1, 9 33

Sistemi per il recupero delle informazioni Cataloghi 34

Cataloghi n n Cataloghi e bibliografie come sistemi IR Catalogo ¨ Elenco ordinato e sistematico di una o più serie di oggetti, con le indicazioni ad essi relative (tra cui, anche, l’indicazione della collocazione di almeno 1 esemplare) Bibliografia ¨ Elenco sistematico di opere, saggi e articoli relativi a un determinato autore o argomento Cataloghi online ¨ accessibili da ogni punto dove sia collocato un terminale ¨ Possono mostrare i dati anche di stato ¨ Ricerca flessibile e “postcoordinata” ¨ Gli utenti “giocano” col catalogo http: //www. laterza. it/bibliotecheinrete/index. htm ¨ http: //www. aib. it/aib/opac/repertorio. htm ¨ n Repertorio OPAC italiani 35

Cataloghi n Online Public Access Catalog (OPAC) ¨ catalogo in rete ad accesso pubblico ¨ è il catalogo informatizzato delle biblioteche ha sostituito i vecchi cataloghi cartacei ¨ a partire dagli anni ’ 80 hanno mano sostituito la maggior parte dei cataloghi a schede ¨ i primi OPAC erano accessibili solo da terminali dedicati oppure via telnet ¨ gli OPAC oggi sono consultabili da tutti tramite Internet all'interno del proprio browser. n Trasferire i cataloghi in banche dati digitali in linea è però un lavoro che richiede molto tempo: in Italia le prime biblioteche hanno cominciato a catalogare in modo automatizzato solo dal 1981 e i volumi acquisiti prima spesso non sono compresi: per cercare queste opere, quindi, l'unica possibilità è recarsi sul posto a consultare i cataloghi a schede. 36

OPAC n La prima generazione dei cataloghi in linea è la traduzione compiuta dalla macchina delle schede catalografiche cartacee ¨ il loro impiego nelle biblioteche non sfrutta la potenzialità dei DB per cui non apportano sostanziali vantaggi rispetto al catalogo cartaceo ¨ il recupero delle informazioni da questi OPAC è possibile solo introducendo nel form l’esatto termine nell’esatta forma di linguaggio comprensibile dalla macchina ¨ non sono disponibili ricerche per parole chiave ¨ non è possibile raffinare la query 37

OPAC n n Lo sviluppo dell’informatica si fa sentire con la seconda generazione di OPAC in quanto tale scienza rende possibile la configurazione di un sistema più sofisticato di recupero dell’informazione S’introduce la ricerca per parola chiave, la ricerca con operatori booleani, la ricerca incrociata con diversi indici (es. autore e titolo) L’aggiornamento informatico della gestione delle banche dati attraverso software di ricerca rende possibile alla seconda generazione di OPAC di arricchire le notizie bibliografiche con sommari, note, links, abstracts. L’interfaccia è resa più immediata dalla presenza di strumenti come l’help on line. 38

OPAC n n n Gli OPAC di terza generazione aggiungono la possibilità di compiere interrogazioni con linguaggio naturale A partire dagli anni ottanta si sviluppano le WIMP (windows, icons, mouse and pointers) interfaces (GUI) che semplificano e rendono la ricerca molto più veloce (quarta generazione) Con queste interfacce l’utente ha la possibilità di accedere all’informazione bibliografica da punti diversi dell’interfaccia ognuno dei quali attiva una diversa funzione. Questi sistemi aumentano l’accesso per parola chiave Le possibilità di ricerca sono di gran lunga superiori rispetto alle vecchie generazioni. Viene introdotta la funzione ipertesto in base alla quale l’utente digitando il termine accede ai richiami correlati trovati all’interno del DB. In questo modo l’utente può navigare per la base dati e raggiungere nuove informazioni. 39

OPAC n L'OPAC offre molte opportunità in più rispetto ai vecchi cataloghi a schede: ¨ fra i criteri di ricerca di solito ci sono l'autore, il titolo, il soggetto, la classificazione, l'ISBN, l'editore, l'abstract, la lingua, l'anno di pubblicazione e la parole chiave (campo ricerca libera); ¨ si può filtrare la ricerca con vari criteri o sottocataloghi (ad esempio: Libro moderno, Libro antico, Audio-Video-PC, Grafica, Materiale sonoro e musicale); ¨ si possono ricercare libri anche da casa. 40

OPAC n Compilando uno o più campi di ricerca, l'utente ottiene l'elenco delle notizie corrispondenti ai parametri di ricerca inseriti: da qui è possibile raffinare la ricerca inserendo ulteriori filtri, oppure esaminare le informazioni recuperate e restituite in un formato sintetico (spesso una lista comprendente pochi campi principali, quali titolo, autore e anno). n L'esame analitico dei record permette all'utente di esaminare l'intera descrizione bibliografica della notizia, e da qui navigare, attraverso i link interni, fra i vari campi della descrizione. 41

OPAC n n n L'Opac consente, a partire dalla notizia recuperata, di visualizzare le sue localizzazioni, ossia le informazioni relative alla biblioteca che possiede quel documento e ai dati gestionali che ne permettono la richiesta (numero d'inventario, collocazione) oltre ad altre informazioni di servizio quali le condizioni di circolazione dell'opera (disponibile per il prestito, attualmente in prestito, ecc. ). Molti Opac consentono servizi aggiuntivi quali la prenotazione dei documenti attualmente in prestito, la richiesta di prenotazione, il salvataggio delle ricerche effettuate su spazi personali accessibili con login. Sono sempre più frequenti le integrazioni degli Opac con altri strumenti di recupero dell'informazione, quali il collegamento con altri motori di ricerca, siti di e-commerce, risorse elettroniche on-line, servizi di accesso all full-text attraverso il protocollo Open-URL. 42

Sistemi per il recupero delle informazioni Information Retrieval su web 43

Information Retrieval su Web n L’Information Retrieval è nata per gestire collezioni statiche e ben conosciute: testi di legge, enciclopedie ecc. n Quando la collezione di riferimento diventa il Web, le cose cambiano completamente. Per IR su Web si intende la ricerca di pagine Web ¨ la collezione che si considera è la parte pubblica del web. Operazione base: un client (browser) invia a un WEB server una richiesta di una pagina web tramite il protocollo HTTP: 44

Information Retrieval su Web n n n Per IR su Web si intende la ricerca di pagine Web L’IR su Web considera come collezione di documenti la parte del Web che è pubblicamente indicizzabile ¨ esclude le pagine che richiedono autorizzazioni, (es. intranets) e le pagine dinamiche ecc. ¨ Tassonomie o direttori ¨ Yahoo (+ di 1000 nodi) About. com, Open Directory project DMOZ Nel 2000 Google fu il primo Search Engine (SE) su Web a indicizzare più di 1 miliardo di Pagine Web 45

Information Retrieval su Web n Le principali differenze tra Information Retrieval classico e Web Information Retrieval possono essere riassunte nei seguenti punti: ¨ dinamicità n ¨ dimensioni n ¨ Internet contiene un'ampia varietà di tipi di documenti: immagini, file audio, testuali, etc. ; linguaggi n ¨ la dimensione del Web era di 4 miliardi di pagine ad Aprile 2001 eterogeneità n ¨ la dimensione del Web non è costante, a differenza delle collezioni testuali; sul Web è possibile incontrare quasi ogni linguaggio parlato sulla superficie del pianeta, mentre le collezioni utilizzate nell'Information Retrieval tradizionale sono spesso scritte in una sola lingua; ridondanza n si stima che sul Web il 30% delle pagine siano duplicate; 46

Information Retrieval su Web n Le principali differenze tra Information Retrieval classico e Web Information Retrieval possono essere riassunte nei seguenti punti: ¨ ipertesto n ¨ query formulation n ¨ le query sul Web sono in genere più corte e non particolarmente strutturate; varietà degli utenti n ¨ i documenti nel Web sono collegati tra loro: si stima che una pagina Web abbia in media più di 8 links ad altre pagine; gli utenti del Web variano sensibilmente in conoscenze, necessità ed aspettative, mentre, ad esempio, un utente di una biblioteca digitale avrà bisogni ed aspettative costanti; pigrizia degli utenti n si stima che l'85% degli utenti del Web si fermano alla prima schermata di risultati ritornati dal motore di ricerca. Il 78% non riformula la query iniziale. 47

Caratteristiche del Web n Può essere visto come una collezione non-strutturata e distribuita molto grande ¨ +3 milioni di servers interconnessi su internet (gestiti da circa 1, 5 milioni di istituzioni diverse) ¨ 800 milioni di pagine pubbliche (Lawrence and Giles, Nature, 1999) ¨ Tasso di crescita biennale pari al 100% per il Web. n Contiene diversi tipi di dati (testi, immagini, suoni, video) ¨ molte pagine non sono accessibili ai motori di ricerca n Una pagina Web corrisponde a un documento nell’IR tradizionale 48

DATI Web n Pagine Web ¨ struttura delle singole pagine (Intra-page) n disomogenea per genere, struttura, tipo, formato, lingua, qualità, veridicità/affidabilità contenuto n Struttura del Web (Inter-page) ¨ numero medio di in-link e out-link a una pagina è tra 8 e 15, ¨ i link non sono distribuiti in modo casuale, n Dati sull’Utilizzo delle pagine (#accessi) Dati supplementari ¨ User Profile, Informazioni di Registrazione, Cookies n 49

RICERCHE SU WEB n Problematiche relative ai dati: ¨ grandi quantità (miliardi di pagine ) n ¨ ¨ ¨ i dati sono distribuiti n affidabilità/appropriatezza delle sorgenti e delle connessioni volatilità dei dati ( Garcia e Molina 2002 hanno stimato che il 40% delle pagine nei domini. com e il 23% in media cambia giornalmente) n aggiornamento dei dati e degli indirizzi ridondanza dei dati (circa il 40% dei dati è duplicato) e ridondanza semantica n eliminazione duplicati qualità dei dati (dati non validi, obsoleti, con errori) n stima dell’affidabilità (trust) eterogeneità dei dati (media, formati, strutture, lingue, alfabeti diversi) n n scalabilità Le pagine Web differiscono in: dimensione, struttura, tipo (testo, grafici, suoni, immagini, video), formato (HTML, GIF, JPEG, ASCII, PDF, ecc), lingua, alfabeto, genere Problematiche relative all’interazione con utente: n Utenti non esperti (query media 2 – 3 termini) n come specificare le richieste? n Come presentare grandi quantità di documenti reperiti? 50

RICERCHE SU WEB n Esistono varie modalità di ricerca: ¨ ricerca diretta dato URL o navigazione (browsing) percorrendo la struttura definita dai link ¨ Sistemi di filtering ¨ utilizzo di servizi WEB per la ricerca: n motori di ricerca che indicizzano una porzione di pagine Web e permettono all’utente di formulare query e reperire indirizzi di pagine web pertinenti (Altavista, Google) portali Web (directory) che oltre a mettere a disposizione un motore di ricerca, classificano per argomento le pagine Web di qualità e forniscono un’interfaccia per la navigazione del catalogo delle pagine (Yahoo, infoseek, Virgilio) ¨ Meta-motori di ricerca utilizzano diversi motori di ricerca per valutare la query e fondono le liste (Meta. Crawler, Mamma, Dogpile) ¨ 51

52

Motore di Ricerca per il Web n ATTIVITA’ ¨ Raccolta dei Documenti: (copertura di circa il 20 % del web) n ¨ Indicizzazione dei Documenti n n ¨ statica e periodica dinamica: vengono mantenuti 2 indici (completo + ridotto per valutare FAQ) + dati ausiliari (data di raccolta, URL, titoli, autore) Ricerca n ¨ Durante la visita le pagine sono arricchite di vari tag con meta- informazioni processo di retrieval (algoritmi di ricerca e ranking di pagine web) Gestione di Documenti e di query n n visualizzazione dei risultati gestione della collezione virtuale (i documenti vengono eliminati dopo essere stati indicizzati) vs. collezione reale (i documenti vengono mantenuti dopo l’indicizzazione) 53

Motore di Ricerca per il Web n Le componenti basilari di un motore di ricerca sono tre ¨ un indicizzatore n ¨ un crawler n ¨ processa i documenti recuperati dal crawler e li rappresenta in una struttura dati efficiente programma che naviga nel Web alla ricerca di pagine da collezionare. un server per le query n accetta le query dell'utente e ritorna i risultati attraverso l'esame delle strutture dati. Le prestazioni del query server sono critiche dal momento che un grande numero di utenti può essere collegato contemporaneamente e i tempi di attesa lunghi allontanano gli utenti dal sistema. 54

Raccolta dei Documenti n Esistono due modalità: ¨ Le pagine Web vengono fornite (spedite) direttamente al motore di ricerca dai proprietari (funzione di upload URL) ¨ Il motore di ricerca è dotato di un un agente software (information agent) detto crawler, (alias spider o robot) che attraversa il web per spedire pagine nuove o aggiornate a un server che le indicizza. n Il crawler naviga su web usando come punti di partenza URL note per essere punti di accesso interessanti (es. Open Directory Project www. dmoz. org), e successivamente visita altre pagine web percorrendo i link che vanno da una pagina all’altra 55

Problemi del Crawling n Correttezza (non sovraccaricare di richieste un web server o visitare pagine riservate) Efficienza: la banda e la latenza della connessione del server remoto può variare Si deve decidere quanto in profondità nella gerarchia di un web server ci si deve spingere Ci possono essere siti mirror e pagine duplicate Pagine di SPAM Trappole per i crawler incluse le pagine generate dinamicamente n E’ un processo che richiede l’applicazione di tecniche distribuite n n n 56

Crawling 57

58

Indicizzazione di pagine Web n Per Indicizzazione si intende l'inserimento di un sito web nel database di un motore di ricerca, mediante l'uso di apposite parole-chiave. ¨ generalmente è un procedimento che le aziende di web hosting forniscono a pagamento, ma che si può svolgere anche in proprio. ¨ gli algoritmi di indicizzazione di pagine web sono brevettati n Si usano le stesse tecniche dell’IR testuale full-text, ma ogni SE ha un suo algoritmo. ¨ alcuni SE non indicizzano in full text le pagine, ma solo parte di esse (prime 3 -4 migliaia di parole) Il parser scarta tutti i comandi HTML Alcuni motori di ricerca eliminano le stopwords per ridurre la dimensione dell’indice. Possono venir applicate operazioni di normalizzazione. Alcuni SE calcolano pesi per i termini n n n 59

60

61

62

Classificazione dei siti n n n Dopo aver scansionato la rete e quindicizzato (nel senso di raggruppato) una grandissima mole di pagine web, il motore di ricerca passa alla seconda fase: classificarle e posizionarle in base a delle parole chiave che rispecchino il più possibile il sito. In questo modo i motori di ricerca, tramite particolari algoritmi, assicurano ai loro utenti contenuti validi e aggiornati. Ogni motore utilizza algoritmi particolari, come il Page. Rank di Google, che attribuisce ad una pagina un'importanza che dipende dal numero di collegamenti che puntano a tale pagina dagli altri siti internet. I tempi di indicizzazione di un sito internet possono variare da poche settimane ai tre mesi. Nel caso si utilizzi il servizio pay per inclusion l'indicizzazione avviene dopo pochi giorni, versando una somma per ogni pagina che si intende far indicizzare. Con questo metodo l'inserimento della pagina è garantito. 63

64

Raffinazione della ricerca n n La possibilità di raffinazione della ricerca varia da motore, ma la maggior parte permette di utilizzare operatori booleani ¨ ad esempio è possibile cercare "Ganimede AND satellite NOT coppiere" per cercare informazioni su Ganimede inteso come pianeta e non come figura mitologica. Su Google e sui motori più moderni è possibile raffinare la ricerca a seconda della lingua del documento, delle parole o frasi presenti o assenti, del formato dei file (Microsoft Word, PDF, Post. Script, ecc. ), a seconda della data di ultimo aggiornamento, e altro ancora. È anche possibile cercare contenuti presenti in un determinato sito, ad esempio "Ganimede site: nasa. gov" cercherà le informazioni su Ganimede presenti sul sito della NASA. 65

66

Posizionamento n n n Con il termine posizionamento s'intende l'acquisizione di visibilità tra i risultati dei motori di ricerca. E’ l'operazione attraverso la quale il sito viene ottimizzato per comparire nei risultati in una posizione il più possibile favorevole e rilevante. Le pagine di risposta di una ricerca online ospitano sia risultati veri e propri sia inserzioni a pagamento. Quindi il posizionamento può essere di due tipi: ¨ posizionamento puro o naturale che si ottiene mediante azioni di ottimizzazione del sito ¨ nel caso delle inserzioni a pagamento, il posizionamento è influenzato dalle leggi del marketing sui motori di ricerca dove la visibilità è direttamente proporzionale alla spesa sostenuta. 67

Prospettive di sviluppo n n Le più recenti innovazioni nella produzione di algoritmi e di sistemi di Information Retrieval si basano sull'analisi semantica dei termini e sulla conseguente creazione di reti semantiche. Lo stesso Google ha adottato sistemi per la prevenzione dell'errore e la contestualizzazione dei risultati. È lecito prevedere che nel giro di alcuni anni i motori di ricerca baseranno le proprie tecnologie sia sull'analisi quantitativa dei contenuti (le parole in sé), sia soprattutto su quella qualitativa (il senso delle parole). ¨ i motori di ricerca saranno, ad esempio, in grado di distinguere il senso della parola "pesca" a seconda di quale sia il contesto in cui la parola è contenuta (capire se sia il frutto, la disciplina sportiva, o altro). 68

Google n n Google è un motore di ricerca per Internet che non si limita a catalogare il World Wide Web, ma si occupa anche di immagini, foto, newsgroup, notizie, mappe, video, oltre a mantenere una copia cache di tutte le pagine che conosce. Con un indice che comprende più di otto miliardi di pagine Web, è riconosciuto come il più grande e affidabile tra i motori di ricerca, occupandosi attraverso il suo sito di oltre il 70% di tutte le ricerche effettuate su internet. 69

Query in Google n n n Per cercare testi dove compaiono in sequenza due o più parole chiave occorre separarle col segno "+“ ¨ es. l'istruzione "wikipedia+google" fa comparire le pagine in cui compare la parola wikipedia subito seguita da google. Nelle posizioni più basse (con minore ranking) si trovano le pagine che risultano anche da una ricerca senza l'operatore "+" ¨ L’operatore + non è l'operatore booleano "AND", in quanto oltre a cercare entrambi i termini nel testo, li cerca uno di seguito all'altro. Per cercare invece solo i risultati che contengono le due parole in sequenza si usano le virgolette ("), si scrive quindi la frase desiderata tra virgolette, e google troverà solo i risultati che contengono l'intera frase. In maniera complementare, l'operatore "-" esclude i testi che contengono una certa parola chiave, e funziona da filtro ¨ es. "wikipedia -google" ricerca alcune pagine di Wikipedia, in ciascuna delle quali non compare la parola "google". 70

Query in Google n n Se il testo è racchiuso fra doppie virgolette, Google ricerca le pagine Web che contengono esattamente la sequenza di caratteri digitata, senza altri spazi o caratteri intermedi. ¨ Esempio: "enciclopedia wikipedia" fornirà tutte le pagine che contengono di seguito le due parole digitate. Il carattere jolly è il simbolo di asterisco. Esempio: "enciclopedia * wikipedia" fornirà tutte le pagine che contengono le due parole digitate di seguito e con un ulteriore stringa di caratteri intermedia. ¨ Fornirà quindi anche "enciclopedia multilingue wikipedia", "enciclopedia, wikipedia", ma non "enciclopedia libera e multilingue wikipedia", che contiene più di un termine fra le due parole separate da asterisco 71

Query in Google n Per effettuare una ricerca di parole chiave all'interno di un sito occorre digitare l'istruzione: ¨ site: nomesito. com uno spazio bianco e le parole chiave. n Per cercare la definizione di un termine o il significato di un acronimo basta digitare nel campo di ricerca di Google "define: termine" dove "termine" indica la parola da cercare. Ad esempio "define: TCP" darà come risultato la definizione della sigla. ¨ I risultati di Google-define spesso sono di Wikipedia. n Digitando "1€ to USD" google convertirà il valore di un euro in dollari americani. Funziona con tutte le valute e con le unità di misura di tutto il mondo. Per indicizzare una pagina occorre scrivere nella barra degli indirizzi www. google. it/addurl. html e nella pagina aperta digitare URL della pagina web e parole chiave. Se Google indicizza la pagina, digitando le parole chiave scelte essa comparirà fra i risultati. n 72

Page rank n n n Il Page. Rank è un voto su una scala da 0 a 10 che Google attribuisce a una pagina web in base al suo grado di pertinenza e ai suoi contenuti. Il Page. Rank è calcolato sulla base di diversi criteri: visite giornaliere, collegamenti alla pagina da altre pagine web, l'estensione del dominio, il Page. Rank dell'homepage, e altro. Il pagerank è facilmente riconducibile al concetto di popolarità tipico delle relazioni sociali umane, ed indica, o si ripromette di indicare, le pagine o i siti di maggiore rilevanza in relazione ai termini ricercati. Gli algoritmi che rendono possibile l'indicizzazione del materiale presente in rete utilizzano anche il grado di popolarità di una pagina web per definirne la posizione nei risultati di ricerca. 73

Page rank n n Questo metodo può esser descritto come analogo ad una elezione nella quale ha diritto al voto chi può pubblicare di una pagina web, e il voto viene espresso attraverso i collegamenti in essa presenti. I voti non hanno tutti lo stesso peso: le pagine web più popolari esprimeranno, coi propri link, voti di valore maggiore. L'interpretazione e la definizione della popolarità di un sito non sono però legate soltanto a queste votazioni, ma tengono conto anche della pertinenza del contenuto di una pagina, nonché delle pagine correlate, con i termini ed i criteri della ricerca effettuata. Altro importante elemento che lega un sito alla sua popolarità è relativo alla diffusione, alla popolarità dell'argomento trattato in esso. Per argomenti poco richiesti i siti raggiungono facilmente le prime posizioni nelle ricerche, ma altrettanto verosimilmente posseggono e mantengono un page rank che potrebbe essere bassissimo. Tutto questo permette, o perlomeno ha lo scopo, di attuare un controllo incrociato che garantisca la validità dei risultati di ricerca. 74

Sistemi per il recupero delle informazioni MULTIMEDIA INFORMATION RETRIEVAL 75

Stato dell’arte n Stato dell'arte del multimedia information retrieval ¨ processo di rivoluzione dei sistemi di trattamento dell'informazione digitale, necessitata dalla già avvenuta rivoluzione dei documenti digitali e dei processi informativi e comunicativi. n Fino a non molto tempo fa l'information retrieval si è prospettato come un dominio privilegiato dei bibliotecari, dei documentalisti e degli specialisti dell'informazione Negli ultimi anni l'IR si è notevolmente evoluto, parallelamente alle sfide poste dall'espansione del Web e dallo sviluppo delle tecnologie dell'informazione e della comunicazione. ¨ il delinearsi di nuove modalità di comunicazione e condivisione delle informazioni ha dato luogo a quella che è stata definita la «convergenza al digitale» . n 76

Stato dell’arte n n La centralità dei documenti multimediali nell'odierna società dell'informazione e gli strumenti offerti dalle tecnologie digitali hanno favorito la creazione di basi di dati multimediali, di ben altro livello di complessità rispetto alle basi di dati tradizionali, sviluppando pienamente le premesse del concetto di digital library. Le multimedia digital library sono caratterizzate da una gestione e un accesso integrati per documenti eterogenei, attraverso l'impiego di specifici sistemi per l'indicizzazione, la ricerca e l'estrazione automatica di dati rappresentativi del complesso contenuto dei documenti multimediali (immagini, video, audio), che si vanno ad affiancare ai tradizionali sistemi manuali di analisi e indicizzazione terminologica dei documenti testuali o audiovisivi. 77

Stato dell’arte n n Poiché la qualità del recupero delle informazioni è largamente influenzata dall'interazione dell'utente con il sistema, anche nei confronti dell'utente molto deve cambiare, e il sistema di approccio ai database multimediali deve essere riformulato sulla base delle più complesse esigenze di definire la query con dati visivi e sonori e non soltanto con dati terminologici. Alle tradizionali interfacce dei database testuali, che consentono la ricerca in un indice composto esclusivamente di termini estratti dai documenti, si devono quindi sostituire interfacce che permettano di formulare le query in diverse dimensioni, non solo tramite i termini ma anche attraverso le immagini e i suoni ¨ la ricerca sarà così effettuata in indici composti da testi estratti dalle didascalie o dal parlato, da immagini chiave di una sequenza, da semplici figure, da melodie, da forme, colori e suoni 78

Multimedia IR n n n Il crescente utilizzo dell'IR in ambito commerciale e scientifico ha stimolato un preciso interesse da parte della computer science, che a differenza della biblioteconomia e della documentazione ha affrontato tali tematiche con una prospettiva focalizzata sugli algoritmi e sulle tecniche di elaborazione dei dati. In tale ottica il problema consiste nella costruzione di indici efficienti, nell'elaborazione di query con un alto livello di performance e nello sviluppo di algoritmi di ranking che migliorino la qualità della risposta. Le ricerche si sono perciò estese alla modellizzazione dei dati, alla categorizzazione dei documenti, alle architetture di sistema, alle interfacce interattive, ai processi di filtering e alle multimedial query. 79

Multimedia IR n Il distacco principale tra i sistemi di archiviazione e recupero di documenti testuali e quelli di documenti multimediali si focalizza nel sistema di analisi ed estrazione degli elementi indicatori del contenuto del documento e dei descrittori specifici delle sue caratteristiche. n Se i sistemi di indicizzazione e ricerca tradizionali sono basati sui termini, sulla logica delle parole chiave i sistemi di recupero più innovativi richiedono invece una riflessione più avanzata sulle caratteristiche intrinseche dei file digitali, sulla semantica e sulla strutturazione degli elementi che compongono un documento, sulle modalità di interazione e restituzione dei risultati delle query all'utente. 80

Multimedia IR n n sistemi di information retrieval term-based, basati su informazioni testuali (termini estratti dal linguaggio naturale, schemi di classificazione e soggettazione, thesauri), per la ricerca di documenti testuali (e finora spesso anche di documenti audiovisivi); sistemi di information retrieval content-based o multimedia information retrieval: ¨ sistemi di visual retrieval n ¨ sistemi di video retrieval n ¨ in cui i file d'immagine 2 D e 3 D sono cercati e recuperati tramite dati visivi interni al file, quali ad esempio colore, texture e pattern, forma, orientamento e distribuzione spaziale, ecc. ; dove per il recupero di documenti audiovisivi si utilizza il linguaggio audiovisivo, cioè elementi di ricerca ricavati dalle immagini del filmato, dal movimento degli oggetti nelle inquadrature, dall'analisi degli stacchi di montaggio o della traccia sonora; sistemi di audio retrieval n nei quali l'informazione sonora è ricercata in misure di suoni, ricavando quindi i dati di query dall'analisi dei volumi, delle sonorità, dei ritmi o delle melodie. 81

Multimedia IR n n Per raggiungere un buon livello di precisione nel recupero dei documenti da una base di dati multimediale, sembra comunque auspicabile la compresenza dei sistemi di information retrieval termbased e content-based: l'interrogazione term-based può costituire un ottimo metodo preliminare per selezionare una parte della grande quantità di documenti di un archivio, e per centrare la ricerca in base a dati quali gli ambiti d'appartenenza, le tipologie, le classi, i titoli, gli autori; successivamente può essere un sistema di ripulitura finale dall'inevitabile rumore specifico di un'interrogazione content-based. In tutto ciò i due procedimenti possono operare sempre in armonia e in interazione costante, in un'unica interfaccia utente. 82

Multimedia IR n Negli ultimi anni il multimedia information retrieval è stato oggetto di un numero crescente di ricerche e applicazioni a livello internazionale, attestando l'interesse di varie comunità d'uso che si occupano della gestione di documenti multimediali per le nuove possibilità di valorizzazione di archivi e attività professionali: dalle applicazioni biochimiche (ad esempio per l'indicizzazione delle molecole) all'architettura e all'archeologia (per la ricerca di costruzioni, siti e piante in base alle similarità nei particolari), dagli archivi di film e di video al giornalismo (dove vengono notevolmente potenziate le ricerche di personaggi e situazioni dispersi in migliaia di minuti di girato), dai beni culturali al design, dalla didattica all'e-commerce e al settore dello spettacolo, dai GIS ai sistemi di remote sensing, dal settore medico (giacchéle diagnosi vengono spesso effettuate servendosi di ricognizioni audiovisuali di condizioni anormali) ai sistemi di identificazione e di sorveglianza. 83

Nuove frontiere: Structured IR n Abbiamo presentato (e studieremo) l’Information Retrieval come una scienza che ha a che fare con dati non strutturati. n Tuttavia, negli ultimi anni sta emergendo la necessità di applicare tecniche di IR anche a dati semistrutturati, in particolare a documenti XML; si parla allora di Structured Information Retrieval (SIR). n Molte cose cambiano. Ad es. in IR la risposta ad una query è un elenco di documenti; in SIR, la risposta è un elenco di… ? Documenti XML? O frammenti di documenti XML? O singoli elementi? 84