mirror of
https://github.com/Steffo99/unisteffo.git
synced 2024-11-28 19:04:18 +00:00
💥 Add / change some things
This commit is contained in:
parent
b61d243ba7
commit
4872e7d187
GPG key ID:
6965406171929D01
5 changed files with 235 additions and 276 deletions
|
|
@ -3,16 +3,24 @@ import PropTypes from "prop-types"
|
|||
import style from "./Todo.module.css"
|
||||
|
||||
|
||||
export default function Todo({ children }) {
|
||||
export default function Todo({ children, block }) {
|
||||
useEffect(() => {
|
||||
console.info("TODO:", { children })
|
||||
}, [])
|
||||
|
||||
if(block) {
|
||||
return (
|
||||
<div className={style.todoblock}>{children}</div>
|
||||
)
|
||||
}
|
||||
else {
|
||||
return (
|
||||
<span className={style.todo}>🚧 {children}</span>
|
||||
)
|
||||
}
|
||||
}
|
||||
|
||||
Todo.propTypes = {
|
||||
children: PropTypes.node,
|
||||
block: PropTypes.bool,
|
||||
}
|
||||
|
|
|
|||
|
|
@ -4,3 +4,9 @@
|
|||
padding: 1px;
|
||||
border-radius: 2px;
|
||||
}
|
||||
|
||||
.todoblock {
|
||||
background-color: #292F33;
|
||||
border: 2px dashed #FFCC4D;
|
||||
color: #FFCC4D;
|
||||
}
|
||||
BIN
src/routes/Gestinfo/img/replacement.png
Normal file
BIN
src/routes/Gestinfo/img/replacement.png
Normal file
Binary file not shown.
|
After Width: | Height: | Size: 10 KiB |
BIN
src/routes/Gestinfo/img/suggestion.png
Normal file
BIN
src/routes/Gestinfo/img/suggestion.png
Normal file
Binary file not shown.
|
After Width: | Height: | Size: 7.7 KiB |
|
|
@ -34,6 +34,8 @@ import Image from "../../components/Image"
|
|||
import ImgDocuments from "./img/documents.png"
|
||||
import ImgResult from "./img/result.png"
|
||||
import ImgQuery from "./img/query.png"
|
||||
import ImgReplacement from "./img/replacement.png"
|
||||
import ImgSuggestion from "./img/suggestion.png"
|
||||
|
||||
|
||||
const r = String.raw
|
||||
|
|
@ -69,6 +71,7 @@ export default function Gestinfo() {
|
|||
<LI><Anchor href={"https://www.wikipedia.org/"}>📰 Wikipedia</Anchor></LI>
|
||||
<LI><Anchor href={"https://gitlab.com/2429571/gestione-informazione"}>🗒️ Appunti open-source di Sharon Guerzoni</Anchor></LI>
|
||||
<LI><Anchor href={"https://www.pearson.com/uk/educators/higher-education-educators/program/Baeza-Yates-Modern-Information-Retrieval-The-Concepts-and-Technology-behind-Search-2nd-Edition/PGM804983.html"}>📘 Libro di testo consigliato</Anchor></LI>
|
||||
<LI><Anchor href={"https://nlp.stanford.edu/IR-book/"}>🌐 Introduction to Information Retrieval</Anchor></LI>
|
||||
</ul>
|
||||
</Box>
|
||||
</Split>
|
||||
|
|
@ -314,26 +317,18 @@ export default function Gestinfo() {
|
|||
Gli algoritmi che realizzano questo passo sono detti rispettivamente <B><I>stemmer</I></B> o <B><I>lemmatizer</I></B>.
|
||||
</P>
|
||||
<Aside>
|
||||
Generalmente sono implementati tramite <Help
|
||||
text={"Dizionari che associano ogni parola alla sua forma base."}
|
||||
>lookup tables</Help>, ma i
|
||||
motori di ricerca più avanzati <Anchor
|
||||
href={"https://en.wikipedia.org/wiki/Stemming#Algorithms"}
|
||||
>possono avere implementazioni anche
|
||||
più complesse</Anchor>.
|
||||
Generalmente sono implementati tramite <Help text={"Dizionari che associano ogni parola alla sua forma base."}>lookup tables</Help>, ma i motori di ricerca più avanzati <Anchor href={"https://en.wikipedia.org/wiki/Stemming#Algorithms"}>possono avere implementazioni anche più complesse</Anchor>.
|
||||
</Aside>
|
||||
</Box>
|
||||
<Box title={"5. Selezione degli index term"}>
|
||||
<P>
|
||||
Il motore di ricerca stabilisce la <B>relativa importanza</B> di ciascun token dell'insieme, in
|
||||
modo da determinare più facilmente in seguito la rilevanza del documento in cui si trovano.
|
||||
Il motore di ricerca stabilisce la <B>relativa importanza</B> di ciascun token dell'insieme, in modo da determinare più facilmente in seguito la rilevanza del documento in cui si trovano.
|
||||
</P>
|
||||
<P>
|
||||
I termini più importanti di un documento sono detti <B><I>index term</I></B>.
|
||||
</P>
|
||||
<Aside>
|
||||
<Token>appunti</Token> <Token>universitari</Token> → <Token indexTerm={true}>appunti</Token>
|
||||
<Token>universitari</Token>
|
||||
<Token>appunti</Token> <Token>universitari</Token> → <Token indexTerm={true}>appunti</Token> <Token>universitari</Token>
|
||||
</Aside>
|
||||
<P>
|
||||
Essi solitamente sono individuati da <B><I>parser</I></B> e <B><I>scanner</I></B>, che
|
||||
|
|
@ -342,11 +337,13 @@ export default function Gestinfo() {
|
|||
</Box>
|
||||
<Box title={"6. Categorizzazione"}>
|
||||
<P>
|
||||
Opzionalmente, l'intero documento può essere inserito in una o più <B>categorie</B> di
|
||||
un <B><I>thesaurus</I></B>, una gerarchia predeterminata di categorie di documenti.
|
||||
Opzionalmente, l'intero documento può essere inserito in una o più <B>categorie</B> di un <B><I>thesaurus</I></B>, una gerarchia predeterminata di categorie di documenti.
|
||||
</P>
|
||||
<Aside>
|
||||
Un esempio di thesaurus per delle sculture:
|
||||
<ul>
|
||||
<LI>
|
||||
[Radice]
|
||||
<ul>
|
||||
<LI>
|
||||
Materiale
|
||||
|
|
@ -373,6 +370,8 @@ export default function Gestinfo() {
|
|||
</ul>
|
||||
</LI>
|
||||
</ul>
|
||||
</LI>
|
||||
</ul>
|
||||
</Aside>
|
||||
<Aside>
|
||||
Un (simil-)thesaurus generale per l'inglese è <Anchor
|
||||
|
|
@ -393,8 +392,7 @@ export default function Gestinfo() {
|
|||
<Token>uccello</Token> e <Token>pennuto</Token> sono molto simili, in quanto sono sinonimi
|
||||
</P>
|
||||
<P>
|
||||
<Token>merlo</Token> e <Token>piccione</Token> sono abbastanza simili, in quanto sono
|
||||
entrambi uccelli, ma non sono sinonimi
|
||||
<Token>merlo</Token> e <Token>piccione</Token> sono abbastanza simili, in quanto sono entrambi uccelli, ma non sono sinonimi
|
||||
</P>
|
||||
<P>
|
||||
<Token>merlo</Token> e <Token>ala</Token> non sono per niente simili
|
||||
|
|
@ -406,20 +404,17 @@ export default function Gestinfo() {
|
|||
</Box>
|
||||
<Box title={"A cosa serve?"}>
|
||||
<P>
|
||||
La <B><I>word sense disambiguation</I></B> sfrutta la <B>similitudine</B> tra l'ononimo e i <B>token
|
||||
circostanti</B> per stabilire il significato corretto.
|
||||
La <B><I>word sense disambiguation</I></B> sfrutta la <B>similitudine</B> tra l'ononimo e i <B>token circostanti</B> per stabilire il significato corretto.
|
||||
</P>
|
||||
<P>
|
||||
Talvolta alla similitudine sono aggiunte anche altre informazioni, come la <B>distanza</B> tra i
|
||||
token e dati provenienti da <B>sorgenti esterne</B>.
|
||||
Talvolta alla similitudine sono aggiunte anche altre informazioni, come la <B>distanza</B> tra i token e dati provenienti da <B>sorgenti esterne</B>.
|
||||
</P>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split>
|
||||
<Box title={"Similitudine path-based"}>
|
||||
<P>
|
||||
Un modo di misurare la similitudine tra due token basato sulla loro <B>posizione</B> all'interno
|
||||
del <B>thesaurus</B>.
|
||||
Un modo di misurare la similitudine tra due token basato sulla loro <B>posizione</B> all'interno del <B>thesaurus</B>.
|
||||
</P>
|
||||
<Split>
|
||||
<Box title={"Path-distance"}>
|
||||
|
|
@ -443,14 +438,14 @@ export default function Gestinfo() {
|
|||
</Box>
|
||||
</Split>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split>
|
||||
<Box title={<span>Similitudine <IC/>-based</span>}>
|
||||
<P>
|
||||
L'<IC/> è una misura <B>probabilistica</B> di quanto un token sia inaspettato all'interno di un
|
||||
documento.
|
||||
L'<IC/> è una misura <B>probabilistica</B> di quanto un token sia inaspettato all'interno di un documento.
|
||||
</P>
|
||||
<P>
|
||||
Definendo <LatexMath>{`P(t)`}</LatexMath> come la probabilità che un <B>token scelto a
|
||||
caso</B> sia <LatexMath>{`t`}</LatexMath>, l'<IC/> sarà:
|
||||
Definendo <LatexMath>{`P(t)`}</LatexMath> come la probabilità che un <B>token scelto a caso</B> sia <LatexMath>{`t`}</LatexMath>, l'<IC/> sarà:
|
||||
</P>
|
||||
<B><LatexMath block={true}>{`ic(t) = - \\log \\left( P(t) \\right)`}</LatexMath></B>
|
||||
<P>
|
||||
|
|
@ -511,13 +506,10 @@ export default function Gestinfo() {
|
|||
</Aside>
|
||||
<Box title={"Matrice di distanza"}>
|
||||
<P>
|
||||
Matrice costruita per calcolare la distanza di Levenshtein con un algoritmo
|
||||
greedy:
|
||||
Matrice costruita per calcolare la distanza di Levenshtein con un algoritmo greedy:
|
||||
</P>
|
||||
<Aside>
|
||||
<Anchor
|
||||
href={"https://gist.github.com/Steffo99/ceeb7ed61a7b6a12a783232c0230ce70"}
|
||||
>Guarda
|
||||
<Anchor href={"https://gist.github.com/Steffo99/ceeb7ed61a7b6a12a783232c0230ce70"}>Guarda
|
||||
un esempio documentato in Python qui!</Anchor>
|
||||
</Aside>
|
||||
</Box>
|
||||
|
|
@ -530,82 +522,66 @@ export default function Gestinfo() {
|
|||
<LI><B>Trasposizione</B> di un singolo carattere</LI>
|
||||
</ul>
|
||||
<Aside>
|
||||
La distanza di Damerau-Levenshtein
|
||||
tra <Token>pierta</Token> e <Token>pietra</Token> è 1.
|
||||
La distanza di Damerau-Levenshtein tra <Token>pierta</Token> e <Token>pietra</Token> è 1.
|
||||
</Aside>
|
||||
</Box>
|
||||
<Box title={"Weighted distance"}>
|
||||
<P>
|
||||
Differenzia i costi delle varie operazioni, diffenenziando ad esempio in base al
|
||||
carattere sostituito.
|
||||
Differenzia i costi delle varie operazioni, diffenenziando ad esempio in base al carattere sostituito.
|
||||
</P>
|
||||
<Aside>
|
||||
<code>m</code> ed <code>n</code> sono vicini sulla tastiera e quindi la loro
|
||||
sostituzione "costa" meno, rispetto a <code>q</code> e <code>p</code>.
|
||||
<code>m</code> ed <code>n</code> sono vicini sulla tastiera e quindi la loro sostituzione "costa" meno, rispetto a <code>q</code> e <code>p</code>.
|
||||
</Aside>
|
||||
</Box>
|
||||
</Split>
|
||||
<P>
|
||||
Calcolare l'edit distance <LatexMath>{`E`}</LatexMath> tra due token è un processo
|
||||
computazionalmente <B>molto costoso <LatexMath>{`O(n^2)`}</LatexMath></B>.
|
||||
Calcolare l'edit distance <LatexMath>{`E`}</LatexMath> tra due token è un processo computazionalmente <B>molto costoso <LatexMath>{`O(n^2)`}</LatexMath></B>.
|
||||
</P>
|
||||
<Box title={"Filtraggio"}>
|
||||
<Box title={"Pre-filtraggio"}>
|
||||
<P>
|
||||
È possibile evitare di calcolare l'edit distance per la maggior parte dei termini del
|
||||
vocabolario <I>filtrandoli</I> su <B>criteri più veloci</B>.
|
||||
vocabolario <I>pre-filtrandoli</I> su <B>criteri computazionalmente più veloci</B>.
|
||||
</P>
|
||||
<Split>
|
||||
<Box title={"Lunghezza"}>
|
||||
<Box title={"Differenza di lunghezza"}>
|
||||
<Aside>
|
||||
L'edit distance come minimo è la differenza tra il numero di caratteri dei due
|
||||
token.
|
||||
</Aside>
|
||||
<B><LatexMath block={true}>{r`\left| size(X) - size(Y) \right| \leq k`}</LatexMath></B>
|
||||
<LatexMath block={true}>{r`\Updownarrow`}</LatexMath>
|
||||
<LatexMath block={true}>{r`E \leq k`}</LatexMath>
|
||||
<B><LatexMath block={true}>{r`E \geq \left| size(X) - size(Y) \right|`}</LatexMath></B>
|
||||
</Box>
|
||||
<Box title={"Conteggio"}>
|
||||
<Box title={<span>Differenza di <LatexMath>{r`q`}</LatexMath>-grammi</span>}>
|
||||
<Aside>
|
||||
Meno <LatexMath>{r`q`}</LatexMath>-grammi hanno in comune due token, più sarà
|
||||
alta la loro edit distance.
|
||||
L'edit distance è limitata superiormente dal numero di <LatexMath>{r`q`}</LatexMath>-grammi per cui i due token differiscono.
|
||||
</Aside>
|
||||
<B><LatexMath
|
||||
block={true}
|
||||
>{r`size(X \cap Y) = \max(size(X),\ size(Y)) + q - 1 - (k \cdot q)`}</LatexMath></B>
|
||||
<LatexMath block={true}>{r`\Updownarrow`}</LatexMath>
|
||||
<LatexMath block={true}>{r`E \leq k`}</LatexMath>
|
||||
<Todo block={true}>
|
||||
<B><LatexMath block={true}>{r`E \geq \frac{\max ( size(X), size(Y) ) - size(X \cap Y) + q - 1}{q}`}</LatexMath></B>
|
||||
</Todo>
|
||||
</Box>
|
||||
</Split>
|
||||
<Box title={"Posizione"}>
|
||||
<Box title={<span>Posizione dei <LatexMath>{r`q`}</LatexMath>-grammi</span>}>
|
||||
<Aside>
|
||||
Token i cui <LatexMath>{`q`}</LatexMath>-grammi si trovano in posizioni diverse
|
||||
avranno edit distance più alte.
|
||||
Token i cui <LatexMath>{`q`}</LatexMath>-grammi si trovano in posizioni diverse avranno edit distance più alte.
|
||||
</Aside>
|
||||
<P>
|
||||
Richiede che venga tenuto traccia delle posizione dei <LatexMath>{`q`}</LatexMath>-grammi,
|
||||
e prevede che i <LatexMath>{`q`}</LatexMath>-grammi a <B>più
|
||||
di <LatexMath>{`k`}</LatexMath> posizioni di distanza</B> non vengano considerati
|
||||
uguali.
|
||||
Richiede che venga tenuto traccia delle posizione dei <LatexMath>{`q`}</LatexMath>-grammi, e prevede che i <LatexMath>{`q`}</LatexMath>-grammi a <B>più di <LatexMath>{`k`}</LatexMath> posizioni di distanza</B> non vengano considerati uguali.
|
||||
</P>
|
||||
</Box>
|
||||
</Split>
|
||||
</Box>
|
||||
</Box>
|
||||
</Box>
|
||||
<Box title={<span>Tramite overlap dei <LatexMath>{`q`}</LatexMath>-grammi</span>}>
|
||||
<P>
|
||||
Dato un token, si <B>ordinano</B> i token del vocabolario in base al numero
|
||||
di <LatexMath>{`q`}</LatexMath>-grammi in comune.
|
||||
Dato un token, si <B>ordinano</B> i token del vocabolario in base al numero di <LatexMath>{`q`}</LatexMath>-grammi in comune.
|
||||
</P>
|
||||
<Box title={"Coefficiente di Jaccard"}>
|
||||
<P>
|
||||
<B>Misura di overlap</B> tra due insiemi
|
||||
di <LatexMath>{`q`}</LatexMath>-grammi <LatexMath>{`X`}</LatexMath> e <LatexMath>{`Y`}</LatexMath>:
|
||||
<B>Misura di overlap</B> tra due insiemi di <LatexMath>{`q`}</LatexMath>-grammi <LatexMath>{`X`}</LatexMath> e <LatexMath>{`Y`}</LatexMath>:
|
||||
</P>
|
||||
<B><LatexMath block={true}>{r`Jaccard = \frac{size(X \cap Y)}{size(X \cup Y)}`}</LatexMath></B>
|
||||
<Aside>
|
||||
<P>
|
||||
Usando trigrammi, il <I>coefficiente di
|
||||
Jaccard</I> tra <Token>novembre</Token> e <Token>dicembre</Token> è:
|
||||
Usando trigrammi, il <I>coefficiente di Jaccard</I> tra <Token>novembre</Token> e <Token>dicembre</Token> è:
|
||||
</P>
|
||||
<ul>
|
||||
<LI>
|
||||
|
|
@ -647,52 +623,66 @@ export default function Gestinfo() {
|
|||
corrispondente <B>pronuncia</B> ed effettuano match sulla base di quest'ultima.
|
||||
</P>
|
||||
<Aside>
|
||||
Un metodo usato per correggere errori tipografici durante confronto di nomi propri è il <Anchor
|
||||
href={"https://en.wikipedia.org/wiki/Soundex"}
|
||||
>Soundex</Anchor>, un algoritmo che converte le
|
||||
parole in codici rappresentanti i loro suoni.
|
||||
Un metodo usato per correggere errori tipografici durante confronto di nomi propri è il <Anchor href={"https://en.wikipedia.org/wiki/Soundex"}>Soundex</Anchor>, un algoritmo che converte le parole in codici rappresentanti i loro suoni.
|
||||
</Aside>
|
||||
</Box>
|
||||
<Box title={"Proposte di correzione"}>
|
||||
<P>
|
||||
Scoperti i token "vicini", si può optare per varie soluzioni:
|
||||
</P>
|
||||
<ul>
|
||||
<LI>
|
||||
<B>Mostrare</B> le possibili correzioni all'utente
|
||||
<Split>
|
||||
<Box title={"Sostituzione"}>
|
||||
<P>
|
||||
<I>Sostituire</I> automaticamente il token originale con il più vicino ad esso.
|
||||
</P>
|
||||
<P>
|
||||
Richiede che le possibili correzioni siano <B>ordinate</B>.
|
||||
</P>
|
||||
<Aside>
|
||||
È poco user-friendly, perchè richiede più interazione.
|
||||
<P>
|
||||
È quello che fa di default Google:
|
||||
</P>
|
||||
<Image src={ImgReplacement} description={"Google ha corretto il token errato per me."}/>
|
||||
</Aside>
|
||||
</LI>
|
||||
<LI>
|
||||
<B>Aggiungere</B> i token vicini alla query
|
||||
</Box>
|
||||
<Box title={"Visualizzazione"}>
|
||||
<P>
|
||||
<i>Visualizzare</i> l'errore all'utente, e permettergli di correggerlo rapidamente.
|
||||
</P>
|
||||
<P>
|
||||
Richiede più <B>interazione</B> da parte dell'utente.
|
||||
</P>
|
||||
<Aside>
|
||||
Rallenta la ricerca, perchè aumentano i token nella query.
|
||||
<P>
|
||||
È quello che fa Google quando non è sicuro della correzione proposta:
|
||||
</P>
|
||||
<Image src={ImgSuggestion} description={"Google suggerisce di correggere il token errato."}/>
|
||||
</Aside>
|
||||
</LI>
|
||||
<LI>
|
||||
<B>Sostituire</B> il token originale con il più vicino ad esso
|
||||
<Aside>
|
||||
Richiede un meccanismo di ranking dei token.
|
||||
</Aside>
|
||||
</LI>
|
||||
</ul>
|
||||
</Box>
|
||||
<Box title={"Aggiunta"}>
|
||||
<P>
|
||||
<i>Aggiungere</i> automaticamente alla query i token corretti.
|
||||
</P>
|
||||
<P>
|
||||
Richiede più <B>tempo di ricerca</B>, perchè nella query saranno presenti più token.
|
||||
</P>
|
||||
</Box>
|
||||
</Split>
|
||||
</Box>
|
||||
</Box>
|
||||
<Box title={"Correzione contestualizzata"}>
|
||||
<P>
|
||||
È possibile confrontare ogni token con il contesto dei termini circostanti per rilevare ulteriori
|
||||
errori.
|
||||
È possibile confrontare ogni token con il contesto dei termini circostanti per rilevare ulteriori errori.
|
||||
</P>
|
||||
<Split>
|
||||
<Box title={"Conteggio dei risultati"}>
|
||||
<P>
|
||||
Un metodo che prevede di <B>enumerare</B> varie alternative aventi contesti concordi e di
|
||||
restituire quella con il <B>maggior numero di risultati</B>.
|
||||
Un metodo che prevede di <B>enumerare</B> varie alternative aventi contesti concordi e di restituire quella con il <B>maggior numero di risultati</B>.
|
||||
</P>
|
||||
</Box>
|
||||
<Box title={"Conteggio delle ricerche"}>
|
||||
<P>
|
||||
Un metodo che prevede di <B>enumerare</B> varie alternative aventi contesti concordi e di
|
||||
restituire quella che <B>è stata ricercata più volte</B>.
|
||||
Un metodo che prevede di <B>enumerare</B> varie alternative aventi contesti concordi e di restituire quella che <B>è stata ricercata più volte</B>.
|
||||
</P>
|
||||
</Box>
|
||||
</Split>
|
||||
|
|
@ -700,25 +690,21 @@ export default function Gestinfo() {
|
|||
<Split title={"Indici"}>
|
||||
<Box title={"Cosa sono?"}>
|
||||
<P>
|
||||
Gli indici sono <B>strutture dati</B> in cui vengono inseriti i documenti e i loro token dopo
|
||||
essere stati preparati.
|
||||
Gli indici sono <B>strutture dati</B> in cui vengono inseriti i documenti e i loro token dopo essere stati preparati.
|
||||
</P>
|
||||
<P>
|
||||
L'<B><I>indicizzazione</I></B> è la procedura che crea e mantiene aggiornati uno o
|
||||
più <B><I>indici</I></B>.
|
||||
L'<B><I>indicizzazione</I></B> è la procedura che crea e mantiene aggiornati uno o più <B><I>indici</I></B>.
|
||||
</P>
|
||||
</Box>
|
||||
<Box title={"A cosa servono?"}>
|
||||
<P>
|
||||
Sono fondamentali per <B>velocizzare notevolmente</B> le ricerche e per permettere certi tipi di
|
||||
operazioni sulle query.
|
||||
Sono fondamentali per <B>velocizzare notevolmente</B> le ricerche e per permettere certi tipi di operazioni sulle query.
|
||||
</P>
|
||||
</Box>
|
||||
</Split>
|
||||
<Box title={"Matrice di incidenza"}>
|
||||
<P>
|
||||
Un indice basato sulla costruzione di una matrice in cui le righe sono i <B>documenti</B>, le
|
||||
colonne i <B>token</B> e le celle valori booleani che descrivono se il token compare nel documento.
|
||||
Un indice basato sulla costruzione di una matrice in cui le righe sono i <B>documenti</B>, le colonne i <B>token</B> e le celle valori booleani che descrivono se il token compare nel documento.
|
||||
</P>
|
||||
<P>
|
||||
È terribilmente <B>inefficiente</B> in termini di spazio, perchè la matrice è <B>sparsa</B>.
|
||||
|
|
@ -729,8 +715,7 @@ export default function Gestinfo() {
|
|||
</Box>
|
||||
<Box title={"Inverted index"}>
|
||||
<P>
|
||||
L'<B>indice</B> più comune, costituito da tante <B><I>posting list</I></B> raggiungibili attraverso
|
||||
un <B><I>vocabolario</I></B>.
|
||||
L'<B>indice</B> più comune, costituito da tante <B><I>posting list</I></B> raggiungibili attraverso un <B><I>vocabolario</I></B>.
|
||||
</P>
|
||||
<Split>
|
||||
<Box title={"Posting list"}>
|
||||
|
|
@ -741,15 +726,15 @@ export default function Gestinfo() {
|
|||
Può essere realizzata in due modi:
|
||||
</P>
|
||||
<ul>
|
||||
<LI><U>Document-based</U>: lista ordinata di documenti con la <B>frequenza del token</B> in
|
||||
essi</LI>
|
||||
<LI><U>Word-based</U>: lista ordinata di documenti che punta a una lista ordinata
|
||||
delle <B>posizioni</B> del token in essi</LI>
|
||||
<LI>
|
||||
<U>Document-based</U>: lista ordinata di documenti con la <B>frequenza del token</B> in essi
|
||||
</LI>
|
||||
<LI>
|
||||
<U>Word-based</U>: lista ordinata di documenti che punta a una lista ordinata delle <B>posizioni</B> del token in essi
|
||||
</LI>
|
||||
</ul>
|
||||
<P>
|
||||
Essendo le liste <B>ordinate</B>, vi è possibile effettuare operazioni
|
||||
di <B>unione</B> e <B>intersezione</B> in <B>tempo lineare</B> utilizzando
|
||||
dei <B>cursori</B>.
|
||||
Essendo le liste <B>ordinate</B>, vi è possibile effettuare operazioni di <B>unione</B> e <B>intersezione</B> in <B>tempo lineare</B> utilizzando dei <B>cursori</B>.
|
||||
</P>
|
||||
<P>
|
||||
Non è però altrettanto efficiente in operazioni di <B>negazione</B>.
|
||||
|
|
@ -763,21 +748,22 @@ export default function Gestinfo() {
|
|||
Ci sono tanti modi diversi di implementarlo:
|
||||
</P>
|
||||
<ul>
|
||||
<LI><U>Doppia lista ordinata</U>: <B>lista di token</B> che punta a una <B>lista di
|
||||
occorrenze</B></LI>
|
||||
<LI>
|
||||
<U>Trie</U>: <B>albero</B> in cui ogni arco rappresenta una <B>stringa</B> e ogni nodo
|
||||
una <B>concatenazione</B> delle stringhe tra sè e la radice
|
||||
<U>Doppia lista ordinata</U>: <B>lista di token</B> che punta a una <B>lista di occorrenze</B>
|
||||
</LI>
|
||||
<LI>
|
||||
<U>Trie</U>: <B>albero</B> in cui ogni arco rappresenta una <B>stringa</B> e ogni nodo una <B>concatenazione</B> delle stringhe tra sè e la radice
|
||||
<ul>
|
||||
<LI><U>Prefix tree</U>: <B>trie</B> che usa i <B>prefissi</B> dei token</LI>
|
||||
<LI><U>Suffix tree</U>: <B>trie</B> che usa i <B>suffissi</B> dei token</LI>
|
||||
</ul>
|
||||
|
||||
</LI>
|
||||
<LI><U>B+ tree</U>: <B>albero</B> particolarmente ottimizzato, in cui le foglie sono le
|
||||
occorrenze</LI>
|
||||
<LI><U>Dizionario</U>: <B>hashmap</B> che usa come chiave il <B>token</B> stesso, e una
|
||||
lista di occorrenze come <B>valore</B></LI>
|
||||
<LI>
|
||||
<U>B+ tree</U>: <B>albero</B> particolarmente ottimizzato, in cui le foglie sono le occorrenze
|
||||
</LI>
|
||||
<LI>
|
||||
<U>Dizionario</U>: <B>hashmap</B> che usa come chiave il <B>token</B> stesso, e una lista di occorrenze come <B>valore</B>
|
||||
</LI>
|
||||
</ul>
|
||||
<P>
|
||||
Generalmente, occupano <B>spazio logaritmico</B> rispetto al numero di token.
|
||||
|
|
@ -788,33 +774,25 @@ export default function Gestinfo() {
|
|||
<Split title={"Query languages"}>
|
||||
<Box title={"Cosa sono?"}>
|
||||
<P>
|
||||
Ogni motore di ricerca implementa un diverso <B><I>query language</I></B>,
|
||||
un'<B>interfaccia</B> per l'utente che gli permette di effettuare ricerche in base alla sua
|
||||
necessità di informazioni <I><UIN/></I>.
|
||||
Ogni motore di ricerca implementa un diverso <B><I>query language</I></B>, un'<B>interfaccia</B> per l'utente che gli permette di effettuare ricerche in base alla sua necessità di informazioni <I><UIN/></I>.
|
||||
</P>
|
||||
<Aside>
|
||||
Su Google puoi scrivere la tua domanda in linguaggio naturale e ricevere una risposta, ma ci
|
||||
puoi anche aggiungere qualche operatore come <code>site:stackoverflow.com</code> per restringere
|
||||
la ricerca!
|
||||
Su Google puoi scrivere la tua domanda in linguaggio naturale e ricevere una risposta, ma ci puoi anche aggiungere qualche operatore come <code>site:stackoverflow.com</code> per restringere la ricerca!
|
||||
</Aside>
|
||||
<P>
|
||||
Ogni query language può poi implementare diverse <B>funzionalità</B> in base al tipo di
|
||||
documento indicizzato.
|
||||
Ogni query language può poi implementare diverse <B>funzionalità</B> in base al tipo di documento indicizzato.
|
||||
</P>
|
||||
</Box>
|
||||
<Box title={"A cosa servono?"}>
|
||||
<P>
|
||||
Essendo una <B>via di mezzo</B> tra linguaggio naturale e linguaggio di programmazione,
|
||||
permettono a un <B>utente qualunque</B> di fruire del motore di ricerca, senza bisogno di
|
||||
conoscenze approfondite sul suo funzionamento.
|
||||
Essendo una <B>via di mezzo</B> tra linguaggio naturale e linguaggio di programmazione, permettono a un <B>utente qualunque</B> di fruire del motore di ricerca, senza bisogno di conoscenze approfondite sul suo funzionamento.
|
||||
</P>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split>
|
||||
<Box title={"Keywords semplici"}>
|
||||
<P>
|
||||
All'interno della query vengono inserite <B>una o più keywords</B> da ricercare all'interno dei
|
||||
documenti.
|
||||
All'interno della query vengono inserite <B>una o più keywords</B> da ricercare all'interno dei documenti.
|
||||
</P>
|
||||
<Aside>
|
||||
<P>
|
||||
|
|
@ -833,25 +811,21 @@ export default function Gestinfo() {
|
|||
<P>
|
||||
Solitamente è possibile specificarlo circondando di virgolette le keyword in questione.
|
||||
</P>
|
||||
<Code language={"text"}>
|
||||
<Code language={"python"}>
|
||||
"Nel mezzo del cammin di nostra vita"
|
||||
</Code>
|
||||
</Aside>
|
||||
</Box>
|
||||
<Box title={"Keyword distanziate"}>
|
||||
<P>
|
||||
Prevedono la possibilità di richiedere che due o più keyword siano a una
|
||||
certa <B><I>distanza</I></B> una dall'altra.
|
||||
Prevedono la possibilità di richiedere che due o più keyword siano a una certa <B><I>distanza</I></B> una dall'altra.
|
||||
</P>
|
||||
<Aside>
|
||||
<P>
|
||||
È molto raro al giorno d'oggi che un motore di ricerca permetta di ricercare la distanza tra
|
||||
le keyword.
|
||||
È molto raro al giorno d'oggi che un motore di ricerca permetta di ricercare la distanza tra le keyword.
|
||||
</P>
|
||||
<P>
|
||||
Uno dei pochi motori di ricerca che lo permette ancora è <Anchor
|
||||
href={"https://en.wikipedia.org/wiki/Westlaw"}
|
||||
>Westlaw</Anchor>.
|
||||
Uno dei pochi motori di ricerca che lo permette ancora è <Anchor href={"https://en.wikipedia.org/wiki/Westlaw"}>Westlaw</Anchor>.
|
||||
</P>
|
||||
<Code language={"text"}>
|
||||
Dante /3 Beatrice
|
||||
|
|
@ -862,8 +836,7 @@ export default function Gestinfo() {
|
|||
<Split>
|
||||
<Box title={"Patterns"}>
|
||||
<P>
|
||||
Prevedono la possibilità di
|
||||
cercare <B>prefissi</B>, <B>suffissi</B>, <B>sottostringhe</B> e <B>intervalli</B> di keyword.
|
||||
Prevedono la possibilità di cercare <B>prefissi</B>, <B>suffissi</B>, <B>sottostringhe</B> e <B>intervalli</B> di keyword.
|
||||
</P>
|
||||
<Aside>
|
||||
<P>
|
||||
|
|
@ -879,15 +852,11 @@ export default function Gestinfo() {
|
|||
</Box>
|
||||
<Box title={"Concetti"}>
|
||||
<P>
|
||||
Prevedono la possibilità di usare tag provenienti da un <B>thesaurus limitato</B> di cui
|
||||
è <B>garantita</B> la precisione.
|
||||
Prevedono la possibilità di usare tag provenienti da un <B>thesaurus limitato</B> di cui è <B>garantita</B> la precisione.
|
||||
</P>
|
||||
<Aside>
|
||||
<P>
|
||||
Il più famoso motore di ricerca a concetti è <Anchor
|
||||
href={"https://pubmed.ncbi.nlm.nih.gov/"}
|
||||
>PubMed</Anchor>, e i concetti ricercabili possono
|
||||
essere trovati su <Anchor href={"https://www.ncbi.nlm.nih.gov/mesh/"}>MeSH</Anchor>.
|
||||
Il più famoso motore di ricerca a concetti è <Anchor href={"https://pubmed.ncbi.nlm.nih.gov/"}>PubMed</Anchor>, e i concetti ricercabili possono essere trovati su <Anchor href={"https://www.ncbi.nlm.nih.gov/mesh/"}>MeSH</Anchor>.
|
||||
</P>
|
||||
<Code language={"text"}>
|
||||
"Plague"[Mesh]
|
||||
|
|
@ -902,9 +871,7 @@ export default function Gestinfo() {
|
|||
</P>
|
||||
<Aside>
|
||||
<P>
|
||||
Un esempio di query strutturali è <Anchor
|
||||
href={"https://books.google.it/advanced_book_search?hl=it"}
|
||||
>Google Books</Anchor>.
|
||||
Un esempio di query strutturali è <Anchor href={"https://books.google.it/advanced_book_search?hl=it"}>Google Books</Anchor>.
|
||||
</P>
|
||||
<Code language={"text"}>
|
||||
inauthor:Dante inauthor:Alighieri
|
||||
|
|
@ -913,15 +880,11 @@ export default function Gestinfo() {
|
|||
</Box>
|
||||
<Box title={"Operatori booleani"}>
|
||||
<P>
|
||||
Prevedono la possibilità di effettuare più query e applicare le operazioni
|
||||
di <B>intersezione</B>, <B>unione</B> e <B>negazione</B> sui risultati.
|
||||
Prevedono la possibilità di effettuare più query e applicare le operazioni di <B>intersezione</B>, <B>unione</B> e <B>negazione</B> sui risultati.
|
||||
</P>
|
||||
<Aside>
|
||||
<P>
|
||||
Moltissimi motori di ricerca permettono boolean query, inclusa la <Anchor
|
||||
href={"https://www.postgresql.org/docs/current/textsearch.html"}
|
||||
>Full Text Search di
|
||||
PostgreSQL</Anchor>.
|
||||
Moltissimi motori di ricerca permettono boolean query, inclusa la <Anchor href={"https://www.postgresql.org/docs/current/textsearch.html"}>Full Text Search di PostgreSQL</Anchor>.
|
||||
</P>
|
||||
<Code language={"python"}>
|
||||
"Dante" and "Vergil" and ("Devil May Cry" or "DMC") and not "Divina Commedia"
|
||||
|
|
@ -963,12 +926,10 @@ export default function Gestinfo() {
|
|||
<Box title={"Tramite permuterm tree"}>
|
||||
<Box title={"Permuterm tree"}>
|
||||
<P>
|
||||
Un particolare vocabolario in cui vengono inserite tutte le possibili permutazioni di
|
||||
wildcard per ogni token:
|
||||
Un particolare <B>prefix tree</B> in cui vengono inserite tutte le possibili permutazioni di ogni token, con in aggiunta un marcatore per la fine della parola (░):
|
||||
</P>
|
||||
<Aside>
|
||||
<Token>ciao</Token> → <Token>ciao␣</Token> <Token>iao␣c</Token> <Token>ao␣ci</Token>
|
||||
<Token>iao␣c</Token>
|
||||
<Token>ciao</Token> → <Token>ciao░</Token> <Token>iao░c</Token> <Token>ao░ci</Token> <Token>iao░c</Token>
|
||||
</Aside>
|
||||
</Box>
|
||||
<P>
|
||||
|
|
@ -980,19 +941,19 @@ export default function Gestinfo() {
|
|||
<LI>
|
||||
Ricerca semplice:
|
||||
<Aside>
|
||||
<Token>ciao</Token> → <Token>ciao␣</Token>
|
||||
<Token>ciao</Token> → <Token>ciao░</Token>
|
||||
</Aside>
|
||||
</LI>
|
||||
<LI>
|
||||
Ricerca di prefisso:
|
||||
<Aside>
|
||||
<Token>ci*</Token> → <Token>␣ci*</Token>
|
||||
<Token>ci*</Token> → <Token>░ci*</Token>
|
||||
</Aside>
|
||||
</LI>
|
||||
<LI>
|
||||
Ricerca di suffisso:
|
||||
<Aside>
|
||||
<Token>*ao</Token> → <Token>ao␣*</Token>
|
||||
<Token>*ao</Token> → <Token>ao░*</Token>
|
||||
</Aside>
|
||||
</LI>
|
||||
<LI>
|
||||
|
|
@ -1004,25 +965,22 @@ export default function Gestinfo() {
|
|||
<LI>
|
||||
Ricerca di intervallo:
|
||||
<Aside>
|
||||
<Token>c*o</Token> → <Token>o␣c*</Token>
|
||||
<Token>c*o</Token> → <Token>o░c*</Token>
|
||||
</Aside>
|
||||
</LI>
|
||||
</ul>
|
||||
</Aside>
|
||||
<P>
|
||||
È costoso in termini di spazio: ogni termine va salvato molte volte nel vocabolario (<I>permuterm
|
||||
problem</I>).
|
||||
È costoso in termini di spazio: ogni termine va salvato molte volte nel vocabolario (<I>permuterm problem</I>).
|
||||
</P>
|
||||
<Aside>
|
||||
In inglese, questo porta a una quadruplicazione <LatexMath>{r`\times 4`}</LatexMath> dello
|
||||
spazio usato.
|
||||
In inglese, in cui i token sono lunghi in media <LatexMath>4</LatexMath>, questo porta a una quadruplicazione <LatexMath>{r`\times 4`}</LatexMath> dello spazio usato.
|
||||
</Aside>
|
||||
</Box>
|
||||
<Box title={<span>Tramite <LatexMath>{`q`}</LatexMath>-gram indexes</span>}>
|
||||
<Box title={<span><LatexMath>{`q`}</LatexMath>-gram index</span>}>
|
||||
<P>
|
||||
<B>Vocabolario aggiuntivo</B> che associa <LatexMath>{`q`}</LatexMath>-grammi ai token
|
||||
corrispondenti del vocabolario principale.
|
||||
<B>Vocabolario aggiuntivo</B> che associa <LatexMath>{`q`}</LatexMath>-grammi ai token corrispondenti del vocabolario principale.
|
||||
</P>
|
||||
<Aside>
|
||||
<Token>␣ci</Token> → <Token>ciao</Token> <Token>cibo</Token> <Token>cinefilo</Token>
|
||||
|
|
@ -1036,27 +994,23 @@ export default function Gestinfo() {
|
|||
Utilizzando dei bigrammi:
|
||||
</P>
|
||||
<Aside>
|
||||
<Token>lun*</Token> → <Token>␣l</Token> <code>AND</code> <Token>lu</Token> <code>AND</code>
|
||||
<Token>un</Token>
|
||||
<Token>lun*</Token> → <Token>␣l</Token> <code>AND</code> <Token>lu</Token> <code>AND</code> <Token>un</Token>
|
||||
</Aside>
|
||||
</Aside>
|
||||
<P>
|
||||
I risultati della ricerca andranno <B>post-filtrati</B>, in quanto ci potrebbero essere dei <B>falsi
|
||||
positivi</B>:
|
||||
I risultati della ricerca andranno <B>post-filtrati</B>, in quanto ci potrebbero essere dei <B>falsi positivi</B>:
|
||||
</P>
|
||||
<Aside>
|
||||
<P>
|
||||
Utilizzando dei bigrammi:
|
||||
</P>
|
||||
<Aside>
|
||||
<Token>mon*</Token> → <Token>␣m</Token> <code>AND</code> <Token>mo</Token> <code>AND</code>
|
||||
<Token>on</Token> → <Token stopword={true}>moon</Token> <Token>monday</Token>
|
||||
<Token>mon*</Token> → <Token>␣m</Token> <code>AND</code> <Token>mo</Token> <code>AND</code> <Token>on</Token> → <Token stopword={true}>moon</Token> <Token>monday</Token>
|
||||
</Aside>
|
||||
</Aside>
|
||||
<Aside>
|
||||
<P>
|
||||
È un'ottima via di mezzo tra prefix-suffix tree e permuterm tree sia per il tempo impiegato
|
||||
sia per lo spazio richiesto.
|
||||
È un'ottima via di mezzo tra prefix-suffix tree e permuterm tree sia per il tempo impiegato sia per lo spazio richiesto.
|
||||
</P>
|
||||
</Aside>
|
||||
</Box>
|
||||
|
|
@ -1064,35 +1018,30 @@ export default function Gestinfo() {
|
|||
<Split title={<span>Modelli di <IR/></span>}>
|
||||
<Box title={"Cosa sono?"}>
|
||||
<P>
|
||||
Sono <B>modelli matematici</B> in grado di <B>selezionare</B> e <B>ordinare</B> i documenti in
|
||||
base alla loro <B>rilevanza</B> rispetto alla query.
|
||||
Sono <B>modelli matematici</B> in grado di <B>selezionare</B> e <B>ordinare</B> i documenti in base alla loro <B>rilevanza</B> rispetto alla query.
|
||||
</P>
|
||||
</Box>
|
||||
<Box title={"A cosa servono?"}>
|
||||
<P>
|
||||
Stabiliscono i <B>risultati richiamati</B> dal motore di ricerca e l'<B>ordine con cui vengono
|
||||
visualizzati</B>.
|
||||
Stabiliscono i <B>risultati richiamati</B> dal motore di ricerca e l'<B>ordine con cui vengono visualizzati</B>.
|
||||
</P>
|
||||
</Box>
|
||||
</Split>
|
||||
<Box title={"Modelli classici"}>
|
||||
<P>
|
||||
Rappresentano la query come un <B>insieme di index term</B>, e assegnano le rilevanze confrontando
|
||||
l'insieme con gli index term dei documenti.
|
||||
Rappresentano la query come un <B>insieme di index term</B>, e assegnano le rilevanze confrontando l'insieme con gli index term dei documenti.
|
||||
</P>
|
||||
<Aside>
|
||||
Sono usati solitamente dai motori di ricerca web.
|
||||
</Aside>
|
||||
<P>
|
||||
Ad ogni index term del documento viene <B>indipendentemente</B> assegnato un <B><I>peso</I></B> in
|
||||
base alla sua rilevanza nella query.
|
||||
Ad ogni index term del documento viene <B>indipendentemente</B> assegnato un <B><I>peso</I></B> in base alla sua rilevanza nella query.
|
||||
</P>
|
||||
</Box>
|
||||
<Split>
|
||||
<Box title={"Modello booleano"}>
|
||||
<P>
|
||||
<B>Modello classico</B> che rappresenta la query come un <B><Predicato/> <I>booleano</I></B>, e
|
||||
genera la rilevanza valutandolo su ogni documento:
|
||||
<B>Modello classico</B> che rappresenta la query come un <B><Predicato/> <I>booleano</I></B>, e genera la rilevanza valutandolo su ogni documento:
|
||||
</P>
|
||||
<ul>
|
||||
<LI><B><code>1</code></B> se il <Predicato/> è <B>vero</B></LI>
|
||||
|
|
@ -1122,31 +1071,24 @@ export default function Gestinfo() {
|
|||
<Split>
|
||||
<Box title={"Modello vettoriale"}>
|
||||
<P>
|
||||
Modello classico che rappresenta il vocabolario come uno <B>spazio vettoriale</B>, in cui ogni
|
||||
dimensione rappresenta un token.
|
||||
Modello classico che rappresenta il vocabolario come uno <B>spazio vettoriale</B>, in cui ogni dimensione rappresenta un token.
|
||||
</P>
|
||||
<P>
|
||||
Ogni documento viene rappresentato come un <B>vettore <LatexMath>{`d`}</LatexMath></B>, i cui
|
||||
valori sono <B>pesi <LatexMath>{`d_i`}</LatexMath></B> assegnati in base a quanto il token è
|
||||
signficativo all'interno del documento.
|
||||
Ogni documento viene rappresentato come un <B>vettore <LatexMath>{`d`}</LatexMath></B>, i cui valori sono <B>pesi <LatexMath>{`d_i`}</LatexMath></B> assegnati in base a quanto il token è signficativo all'interno del documento.
|
||||
</P>
|
||||
<Aside>
|
||||
Il metodo più comunemente usato per assegnare i pesi è il <TFIDF/>, descritto successivamente.
|
||||
</Aside>
|
||||
<Aside>
|
||||
La matrice della collezione <LatexMath>{`\\mathbf{D}`}</LatexMath> è estremamente sparsa: viene
|
||||
implementata <B>per colonne</B> attraverso un <B>inverted index</B>.
|
||||
La matrice della collezione <LatexMath>{`\\mathbf{D}`}</LatexMath> è estremamente sparsa: viene implementata <B>per colonne</B> attraverso un <B>inverted index</B>.
|
||||
</Aside>
|
||||
<P>
|
||||
Le query vengono anch'esse trasformate in <B>vettori <LatexMath>{`q`}</LatexMath></B>, e le
|
||||
rilevanze vengono ottenute dalla <B>similitudine vettoriale</B> tra i vettore query e i vettori
|
||||
documenti.
|
||||
Le query vengono anch'esse trasformate in <B>vettori <LatexMath>{`q`}</LatexMath></B>, e le rilevanze vengono ottenute dalla <B>similitudine vettoriale</B> tra i vettore query e i vettori documenti.
|
||||
</P>
|
||||
<Split>
|
||||
<Box title={<span>Peso <TFIDF/></span>}>
|
||||
<P>
|
||||
Un metodo di assegnamento peso che si basa sul <B>prodotto</B> dei
|
||||
fattori <B><TF/></B> e <B><IDF/></B>:
|
||||
Un metodo di assegnamento peso che si basa sul <B>prodotto</B> dei fattori <B><TF/></B> e <B><IDF/></B>:
|
||||
</P>
|
||||
<B><LatexMath block={true}>{`d_i = tf_{norm}(i) \\cdot idf_{log}(i)`}</LatexMath></B>
|
||||
<Box title={<span><TF/>: Term frequency</span>}>
|
||||
|
|
@ -1157,8 +1099,7 @@ export default function Gestinfo() {
|
|||
block={true}
|
||||
>{`tf(i) = \\frac{occorrenze}{totale\\ token}`}</LatexMath></B>
|
||||
<P>
|
||||
Nella formula principale, viene <B>normalizzato</B> dividendolo per il <TF/> più
|
||||
alto del documento, limitandolo così a valori tra 0 e 1:
|
||||
Nella formula principale, viene <B>normalizzato</B> dividendolo per il <TF/> più alto del documento, limitandolo così a valori tra 0 e 1:
|
||||
</P>
|
||||
<B><LatexMath
|
||||
block={true}
|
||||
|
|
@ -1172,21 +1113,18 @@ export default function Gestinfo() {
|
|||
block={true}
|
||||
>{`idf(i) = \\frac{totale\\ documenti}{documenti\\ con\\ occ.}`}</LatexMath></B>
|
||||
<P>
|
||||
Nella formula principale, viene <B>logaritmizzato</B>, al fine di ridurre
|
||||
significativamente il suo impatto:
|
||||
Nella formula principale, viene <B>logaritmizzato</B>, al fine di ridurre significativamente il suo impatto:
|
||||
</P>
|
||||
<B><LatexMath block={true}>{`idf_{log}(i) = \\log(idf(i))`}</LatexMath></B>
|
||||
</Box>
|
||||
</Box>
|
||||
<Box title={"Similitudine vettoriale"}>
|
||||
<P>
|
||||
Un modo di misurare la similitudine tra <B>insiemi di token</B> rappresentati come <B>dimensioni
|
||||
vettoriali</B>.
|
||||
Un modo di misurare la similitudine tra <B>insiemi di token</B> rappresentati come <B>dimensioni vettoriali</B>.
|
||||
</P>
|
||||
<Box title={"Coseno di similitudine"}>
|
||||
<P>
|
||||
Si basa sulla <B>norma a 2</B>, e corrisponde a cercare l'angolo centrato
|
||||
all'origine tra i due vettori:
|
||||
Si basa sulla <B>norma a 2</B>, e corrisponde a cercare l'angolo centrato all'origine tra i due vettori:
|
||||
</P>
|
||||
<B><LatexMath block={true}>{`
|
||||
sim_{\\cos} (d, q) =
|
||||
|
|
@ -1210,35 +1148,21 @@ export default function Gestinfo() {
|
|||
Altre misure comuni di similitudine vettoriale sono:
|
||||
</P>
|
||||
<ul>
|
||||
<LI>La <Anchor href={"https://it.wikipedia.org/wiki/Distanza_euclidea"}>distanza
|
||||
euclidea</Anchor></LI>
|
||||
<LI>Il <Anchor
|
||||
href={"https://en.wikipedia.org/wiki/S%C3%B8rensen%E2%80%93Dice_coefficient"}
|
||||
>Sørensen–Dice
|
||||
coefficient</Anchor></LI>
|
||||
<LI>Il <Anchor href={"https://en.wikipedia.org/wiki/Jaccard_index"}>Jaccard
|
||||
Index</Anchor></LI>
|
||||
<LI>La <Anchor href={"https://it.wikipedia.org/wiki/Distanza_di_Minkowski"}>distanza
|
||||
di Minkowski</Anchor></LI>
|
||||
<LI>La <Anchor href={"https://it.wikipedia.org/wiki/Distanza_euclidea"}>distanza euclidea</Anchor></LI>
|
||||
<LI>Il <Anchor href={"https://en.wikipedia.org/wiki/S%C3%B8rensen%E2%80%93Dice_coefficient"}>Sørensen–Dice coefficient</Anchor></LI>
|
||||
<LI>Il <Anchor href={"https://en.wikipedia.org/wiki/Jaccard_index"}>Jaccard Index</Anchor></LI>
|
||||
<LI>La <Anchor href={"https://it.wikipedia.org/wiki/Distanza_di_Minkowski"}>distanza di Minkowski</Anchor></LI>
|
||||
</ul>
|
||||
</Aside>
|
||||
</Box>
|
||||
</Split>
|
||||
</Box>
|
||||
</Split>
|
||||
<Box title={"Modello probabilistico"}>
|
||||
<P>
|
||||
Modello classico che ordina i documenti <LatexMath>{`d`}</LatexMath> in base
|
||||
alla <B>probabilità</B> che siano <B>rilevanti <LatexMath>{`R`}</LatexMath></B> per la
|
||||
query <LatexMath>{`q`}</LatexMath>:
|
||||
Implementazione del modello vettoriale che ordina i documenti <LatexMath>{`d`}</LatexMath> in base alla <B>probabilità <LatexMath>{`R`}</LatexMath></B> che siano <B>rilevanti</B> per la query <LatexMath>{`q`}</LatexMath>:
|
||||
</P>
|
||||
<B><LatexMath
|
||||
block={true}
|
||||
>{`sim_{prob} = \\frac{P(R\\ |\\ d, q)}{P(\\overline{R}\\ |\\ d, q)}`}</LatexMath></B>
|
||||
<B><LatexMath block={true}>{`sim_{prob} = \\frac{P(R\\ |\\ d, q)}{P(\\overline{R}\\ |\\ d, q)}`}</LatexMath></B>
|
||||
<P>
|
||||
<Todo>Si dimostra che</Todo> è possibile capire quanto la presenza di un dato
|
||||
token <LatexMath>{`k_i`}</LatexMath> in un documento <LatexMath>{r`d`}</LatexMath> ne <B>contribuisca
|
||||
alla rilevanza</B> per la query <LatexMath>{r`\vec{q}`}</LatexMath>:
|
||||
Si dimostra che è possibile determinare quanto la presenza di un dato token <LatexMath>{`k_i`}</LatexMath> in un documento <LatexMath>{r`d`}</LatexMath> ne <B>contribuisca alla rilevanza</B> per la query <LatexMath>{r`\vec{q}`}</LatexMath>:
|
||||
</P>
|
||||
<B><LatexMath block={true}>{`
|
||||
c_i =
|
||||
|
|
@ -1246,11 +1170,34 @@ export default function Gestinfo() {
|
|||
+
|
||||
\\log \\frac{1 - P(k_i\\ |\\ \\overline{R}, \\vec{q})}{P(k_i\\ |\\ \\overline{R}, \\vec{q})}
|
||||
`}</LatexMath></B>
|
||||
<Todo>Continuo a non aver capito gran che.</Todo>
|
||||
<Split>
|
||||
<Color builtin={"lime"}>
|
||||
<Aside>
|
||||
<B><LatexMath block={true}>{`
|
||||
\\log \\frac{P(k_i\\ |\\ R, \\vec{q})}{1 - P(k_i\\ |\\ R, \\vec{q})}
|
||||
`}</LatexMath></B>
|
||||
<P>
|
||||
Il contributo <LatexMath>{r`c_i`}</LatexMath> viene poi usato come peso
|
||||
Il valore del primo "blocco" dipende dalla presenza del token <LatexMath>{`k_i`}</LatexMath> nei documenti <B>rilevanti</B>: più il token vi appare, più il valore sarà <B>alto</B>.
|
||||
</P>
|
||||
</Aside>
|
||||
</Color>
|
||||
<Color builtin={"red"}>
|
||||
<Aside>
|
||||
<B><LatexMath block={true}>{`
|
||||
\\log \\frac{1 - P(k_i\\ |\\ \\overline{R}, \\vec{q})}{P(k_i\\ |\\ \\overline{R}, \\vec{q})}
|
||||
`}</LatexMath></B>
|
||||
<P>
|
||||
Il valore del primo "blocco" dipende dalla presenza del token <LatexMath>{`k_i`}</LatexMath> nei documenti <B>non rilevanti</B>: più il token vi appare, più il valore sarà <B>basso</B>.
|
||||
</P>
|
||||
</Aside>
|
||||
</Color>
|
||||
</Split>
|
||||
<Aside>
|
||||
In generale, <LatexMath>{`c_i`}</LatexMath> avrà un valore <Color builtin={"lime"}>positivo</Color> se è più probabile che il termine appaia in documenti rilevanti e non in quelli irrilevanti; in caso contrario, esso avrà valore <Color builtin={"red"}>negativo</Color>.
|
||||
</Aside>
|
||||
</Box>
|
||||
</Box>
|
||||
</Split>
|
||||
<Box title={"Modello Okapi BM25"}>
|
||||
<P>
|
||||
Modello classico che ordina i documenti in base a un <B>punteggio <RSV/></B> ad essi assegnato.
|
||||
|
|
@ -1262,15 +1209,13 @@ export default function Gestinfo() {
|
|||
<Split>
|
||||
<Box title={<span>Fattore <LatexMath>{`x`}</LatexMath></span>}>
|
||||
<P>
|
||||
Deriva dal <B>peso <IDF/></B> dei termini della query presenti nel documento:
|
||||
Deriva dalla <B>somma del peso <IDF/></B> dei termini della query presenti nel documento:
|
||||
</P>
|
||||
<B><LatexMath block={true}>{`x = \\sum_{t \\in q} ( idf_{\\log} )`}</LatexMath></B>
|
||||
</Box>
|
||||
<Box title={<span>Fattore <LatexMath>{`y`}</LatexMath></span>}>
|
||||
<P>
|
||||
Deriva dal <B>peso <TF/></B>, dalla <B>lunghezza media dei
|
||||
documenti <LatexMath>{`L_{avg}`}</LatexMath></B>, la <B>lunghezza del documento
|
||||
specifico <LatexMath>{`L_d`}</LatexMath></B> e da due parametri di
|
||||
Deriva dal <B>peso <TF/></B>, dalla <B>lunghezza media dei documenti <LatexMath>{`L_{avg}`}</LatexMath></B>, la <B>lunghezza del documento specifico <LatexMath>{`L_d`}</LatexMath></B> e da due parametri di
|
||||
configurazione <LatexMath>{`k_1`}</LatexMath> e <LatexMath>{`b`}</LatexMath>:
|
||||
</P>
|
||||
<B><LatexMath
|
||||
|
|
|
|||
Loading…
Reference in a new issue