{{Stub}}
{{TOC float}}
{{Sources|''Velkou část otázky pokrývá předmět [[Dokumentografické informační systémy]] [[Michala Kopeckého]] -- [[User:Rajjo|rajjo]] 17:37, 29 Aug 2010 (CEST)''
* slidy k předmětu [http://www.ms.mff.cuni.cz/~kopecky/vyuka/dis/ Dokumentografické informační systémy]
* [[wen:Information_retrieval]]
}}
== Informační systémy ==
* Faktografické vs. dokumentografické
* Zpřístupnění vs. dodání dokumentu
* Indexace nutná -- termy
** řízená, neřízená
** tezaury
* Kritérium predikce + maxima
* Precision, recall
== Vyhledávání v textu ==
* Triviální algoritmus
* Knuth-Morris-Pratt
* Aho-Corrasicková
== Boolské informační systémy ==
* Dokument reprezentován množinou termů, které ho vystihují
* Dotazy: AND, OR, NOT, wildcards, víceslovné, proximitní omezení, tezaurus, lemmatizace
* Invertovaný indexový soubor (org. po termech)
* Uspořádání výsledků (DNF, počet splněných konjunkcí)
* Zpětná vazba
== Vektorové informační systémy ==
* Každý z <math>n</math> dokument reprezentování <math>m</math>-složkovým vektorem vah důležitostí termů (<math>\in [0,1]</math>)
* Indexový soubor je matice vah <math>m\times n</math>
* Dotaz je taky vektor, vyhodnocení a řazení pomocí:
** základní <math>Sim(\vec{w}_i,\vec{q}) = \sum_{k=1}^n w_{i,k}q_k</math>
** vylepšení na délku vektorů (počet nenulových <math>w_k</math>) -- dělení <math>\sum w_i + \sum q</math>, <maht>\sum w_i + \sum q - 2 \sum wq</math> nebo <math>\sqrt{\sum w_i^2 \cdot \sum q^2}</math>
** jiné -- normalizace na jednotkovou délku vektorů
* Nerozlišuje se disjunkce a konjunkce
* Negace = přidání záporných vah do dotazů
* Indexace podle ''term frequency'' -- <math>TF_{i,j} = \frac{t_j}{\sum_{i=1}^m t_i}</math> (podíl počtu výskytů daného termu v dokumentu z celk. počtu termů v něm)
** Normalizovaná <math>NTF = \frac{1}{2} + \frac{TF}{2 \max(TF)}</math> (do <math>\{0\} \cup [1/2,1]</math>).
** Inverzní <math>ITF_j = \log(n/k)</math>, pokud se term <math>j</math> vyskytuje v <math>k</math> dokumentech z <math>n</math>.
* Výpočet vah <math>w = \frac{NTF\cdot ITF}{Z}</math> (<math>Z</math> je normalizace)
* Matice podobnosti termů -- závislost a zastupitelnost termů
== Induktivní systémy ==
* Dvouvrstvá neuronová síť se zpětnou aplikací vah (1. vrstva - termy, 2. - dokumenty)
* Laterální inhibice -- zabránění nárůstu vah
== Signaturové systémy ==
* Uložení na pomalých médiích -- předstupeň k lepší metodě
* Každý dokument i search term má signaturu, která funguje jako maska (pokud je bitový and signatury dokumentu a termu nenulový, je dokument možná relevantní a použije se k detailnímu hledání)
* Přiřazení signatury -- každý term: jedna jednička na nějakém místě / hashovací funkce
** Zabránění příliš mnoha jedničkám v signaturách dokumentů -- rozdělení na bloky (pevné délky nebo pevného počtu jedniček v signatuře)
* Wildcardy obecně nejsou možné, jen s monotónními signaturami
== Rozšířená boolská logika ==
----
{{Statnice I3}}
