1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information...

39
1 Systèmes de Recherche Systèmes de Recherche d’Information d’Information

Transcript of 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information...

Page 1: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

1

Systèmes de Recherche d’InformationSystèmes de Recherche d’Information

Page 2: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

2

Systèmes de recherche d’information (SRI)Systèmes de recherche d’information (SRI)

Information retrieval Systems(IRS) utilisent un modèle plus simple que celui des bases de données

L’information est organisée sous forme de collection de documents

Les documents ne sont pas structurés (pas de schéma)

La recherche d’information consiste à retourner les documents pertinents à la requête de l’utilisateur

La requête peut être sous forme de mots clés (keywords) ou bien des documents de référence

e.g., les documents contenant les mots “bases de données”

Cas particulier: La RI sur le WEB est devenue extrêmement importante

E.g. google, altavista, …

Page 3: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

3

Les SRI (Suite)Les SRI (Suite)

Différences par rapport aux SGBD

Les SRI n’ont pas les problèmes de transactions, concurrence et reprises sur panne

Les SRI s’intéressent à des problèmes non abordés par les SGBD classiques

Recherche approximative par mots clés

Classement des documents retournés par degré de pertinence

Page 4: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

4

Recherche par mot cléRecherche par mot clé

Dans la recherche plein texte, tout mot dans chaque document est considéré comme mot clé (on parle aussi de terme)

Les SRI autorisent l’utilisation des connecteurs logiques (et, ou, non) pour combiner les mots clés de la recherche lors de l’expression des requêtes

Le classement des documents selon leur pertinence est un point critique (voir par exemple le succès de Google) La pertinence est basée sur des facteurs tels que :

Fréquence de termes

– Fréquence d’un terme dans un document Fréquence inverse des documents

– Dans combien de documents le mot clé apparaît-il ?

» Moins de documents plus important sera le mot clé Hyperliens vers le document

– Plus il y a de liens vers le document plus le document sera important …

Page 5: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

5

Classement selon les termesClassement selon les termes

FT-FID (Fréquence de Terme/Fréquence Inverse de Document): Soit n(d) = Le nombre de termes dans le document d

Soit n(d, t) = le nombre d’occurrences de t dans d (FT)

Soit n(t) = le nombre de documents contenant t (1/FID)

La pertinence de d relativement à t est donnée par

On met tout en Log pour réduire l’importance des nombres d’occurrences

La pertinence de d relativement à la requête Q (ensemble de termes) est donnée par

nn((dd))

nn((dd, , tt))1 +1 +rr((dd, , tt) = ) = loglog

rr((dd, , QQ) =) = rr((dd, , tt))nn((tt))ttQQ

Page 6: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

6

Classement selon les termesClassement selon les termes

La plupart des systèmes affinent ce modèle Les mots dans le titre, sous-titres, auteurs, URL sont dotés d’une plus grande

importance

Les mots apparaissant au début sont plus importants que ceux en fin de document

Les mots courants sont supprimés de la requête (de, la, les, un …)

appelés stop words

Proximité: Si les mots apparaissent plus proches les uns des autres dans d que dans d’, alors d est plus pertinent que d’

Les documents sont retournés selon l’ordre décroissant de leur pertinence Généralement, seuls les premiers sont retournés

Page 7: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

7

Pertinence selon les HyperliensPertinence selon les Hyperliens

Si on ne se base que sur les fréquences des mots, le nombre de documents retournés par les moteurs de recherche peut être énorme

L’utilisation de la fréquence seulement rend le « spam » facile

Ex: une agence de voyages peut ajouter artificiellement plusieurs fois les termes « agence » et « voyage » pour s’assurer un bon classement

Pour éviter le spam, il suffit de classer les sites en fonction de leur « popularité »Idée: utiliser la popularité des sites (le nombre d’accès)

pour classer les documents retournésProblème: Impossible de faire ce compte

Page 8: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

8

Pertinence selon les Hyperliens (suite)Pertinence selon les Hyperliens (suite)

Solution: utiliser le nombre d’hyperliens pointant vers le site

Compter un lien à partir de chaque site

Ce n’est pas parce que plusieurs pages du même site pointent vers S que S devient plus prestigieux

Toutes les pages d’un même site ont la même popularité

La popularité d’un site est plus facile à calculer que celle des pages

Raffinements

Quand on calcule la popularité d’un site, donner plus de poids aux liens provenant de sites prestigieux

Définition circulaire

Systèmes linéaires à résoudre simultanément

C’est l’approche utilisée par Google

Page 9: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

9

Le rang des pages Le rang des pages

• Intuition: Résoudre l’équation récursive: “une page est importante s’il y a des pages importantes qui pointent dessus”

• Analogie avec le raisonnement suivant: Tout le monde connaît le président. Si X est connu par le président alors X devient prestigieux même s’il n’est connu que par peu de personnes

Page 10: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

10

Matrice Stochastique du WebMatrice Stochastique du Web

• Énumérer les pages.

• Page i correspond à la ligne i et à la colonne i

• M [i,j ] = 1/n si page j pointe sur n pages, page i incluse ; 0 si j ne pointe pas sur i

• M[i,j] désigne en fait la probabilité d’aller vers la page i quand on est à la page j

Page 11: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

11

ExempleExemple

ii

jj

Supposons que page j pointe sur 3 pages, dont i

1/31/3

Page 12: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

12

Marche aléatoire sur le WebMarche aléatoire sur le Web

• Soit v un vecteur où v[i] est la probabilité d’être sur la page i à un certain moment.

• En étant sur i, si l’on suit un lien aléatoirement, alors la distribution de la probabilité est donnée par v*M (ou M*v selon que v est vecteur ligne ou colonne)

Page 13: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

13

Marche aléatoire sur le Web (2)Marche aléatoire sur le Web (2)

• En partant de n’importe quel v, la limite de v(M(M(...))) est la distribution des visites des pages lors d’une marche aléatoire.

• Intuition: L’importance des pages est proportionelle au nombre de fois qu’elle est visitée lors d’une marche aléatoire.

Page 14: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

14

Exemple: Le Web en 1900

Yahoo

M’softAmazon

y 1/2 1/2 0a 1/2 0 1m 0 1/2 0

y a m

La somme sur la colonne j est égale à 1 sauf si de j on ne peut aller nulle part

Page 15: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

15

Simuler une marche aléatoireSimuler une marche aléatoire

• Commencer avec Commencer avec vv = [1,1,…,1] = [1,1,…,1] représentant l’idée qu’au départ les représentant l’idée qu’au départ les pages sont de même importance. Puis pages sont de même importance. Puis répéter l’application de M jusqu’à répéter l’application de M jusqu’à atteindre un point fixe. atteindre un point fixe.

Page 16: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

16

ExempleExemple• Equations v = vtM :

• [y, a, m]=[y, a, m]t*M– y = y /2 + a /2– a = y /2 + m– m = a /2

ya =m

111

13/21/2

5/4 13/4

9/811/81/2

6/56/53/5

. . .

Page 17: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

17

Quelques ProblèmesQuelques Problèmes

Certaines pages sont “sans issue”

Ces pages réduisent à néant l’importance.

D’autres (groupes de) pages absorbent toute l’importance

C’est le cas où tous les liens sont vers des éléments du groupe.

Page 18: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

18

Microsoft est sans issueMicrosoft est sans issue

Yahoo

M’softAmazon

y 1/2 1/2 0a 1/2 0 0m 0 1/2 0

y a m

Page 19: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

19

ExempleExemple

Equations v = vtM:

y = y /2 + a /2

a = y /2

m = a /2

ya =m

111

11/21/2

3/41/21/4

5/83/81/4

000

. . .

Cela signifie qu’intuitivement, on va forcément se retrouver dans une situation où l’on ne peut plus avancer.

Page 20: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

20

Microsoft ‘aspire’ toute l’importanceMicrosoft ‘aspire’ toute l’importance

Yahoo

M’softAmazon

y 1/2 1/2 0a 1/2 0 0m 0 1/2 1

y a m

Page 21: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

21

ExempleExemple Équations v = vM:

y = y /2 + a /2

a = y /2

m = a /2 + m

ya =m

111

11/23/2

3/41/27/4

5/83/82

003

. . .

Intuitivement, ce la signifie que le parcours du web va « certainement » nous mener à la page microsoft.

Page 22: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

22

La solution de GoogleLa solution de Google

“Taxer” chaque page à chaque itération

Ajouter la même constante à toutes les pages

Modéliser une marche aléatoire comme si l’utilisateur ne fait pas que suivre les liens mais peut aussi taper des URL’s pour accéder directement à certaines pages

Page 23: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

23

Le même exemple avec 20% de ‘Taxe’Le même exemple avec 20% de ‘Taxe’

Équations v = 0.8(Mv ) + 0.2:

y = 0.8(y /2 + a/2) + 0.2

a = 0.8(y /2) + 0.2

m = 0.8(a /2 + m) + 0.2

ya =m

111

1.000.601.40

0.840.601.56

0.7760.5361.688

7/11 5/1121/11

. . .

Page 24: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

24

Pertinence selon les Hyperliens (suite)Pertinence selon les Hyperliens (suite)

Un échangeur (hub en anglais) est une page qui contient des liens vers plusieurs pages

Une autorité est une page qui contient de l’information sur un sujet particulier (plusieurs pages pointent vers elle)

Chaque page lui est associé un degré de « prestige d’échangeur » basé sur le prestige des autorités sur lesquelles elle pointe

Chaque page lui est associé un degré de « prestige d’autorité » basé sur le prestige des échangeurs qui pointent sur elle

Utiliser le « prestige d’autorité » pour classer les résultats

Page 25: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

25

Matrice de transition Matrice de transition AA A A [[ii,,j j ] = 1 si page ] = 1 si page ii pointe sur page pointe sur page jj, 0 sinon, 0 sinon

ExempleExemple

Yahoo

M’softAmazon

y 1 1 1a 1 0 1m 0 1 0

y a m

A =

Page 26: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

26

Utilisation de Utilisation de AA

Soient h et a des vecteurs mesurant respectivement le degrés d’échangeur (‘hubbiness’) et d’autorité de chaque page

Équations: h = Aa; a = AT h.

Degrés d’échangeur de p = somme des degrés d’autorité des pages sur lesquelles p pointe

Degrés d’autorité de p = somme des degrés d’échangeur des pages pointant sur p

Page 27: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

27

ConséquencesConséquences

De h = Aa et a = AT h on voit que:

h = AAT h

a = ATA a

Ce sont donc des équations de point fixe qu’on peut résoudre par itération comme dans le cas précédent.

On suppose d’abord que chaque page a un degré égal à 1

Page 28: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

28

ExempleExemple

1 1 1A = 1 0 1 0 1 0

1 1 0AT = 1 0 1 1 1 0

3 2 1AAT= 2 2 0 1 0 1

2 1 2ATA= 1 2 1 2 1 2

a(yahoo)a(amazon)a(m’soft)

===

111

545

241824

114 84114

. . .

. . .

. . .

h(yahoo) = 1h(amazon) = 1h(m’soft) = 1

642

132 96 36

. . .

. . .

. . .

2820 8

y 1 1 1a 1 0 1m 0 1 0

y a m

A =

Yahoo

M’softAmazon

Page 29: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

29

SolutionSolution

Les systèmes ne convergeant pas, on utilise plutôt les équations suivantes:

h = λAa; a = μAT h (λ et μ sont des nombres fractionnaires)

D’où h = λμAAT h et a = λμATA a.

Chaque équation du type y = λμ (3y +2a +m) nous permet d’exprimer λμ en fonction de y, a et m

Faire l’égalité entre ces différentes expressions

Pour l’exemple et pour h on a:

y = λμ (3y +2a +m)

a = λμ (2y +2a )

m = λμ (y +m)

Ainsi λμ = y/(3y +2a +m) = a / (2y +2a ) = m / (y +m)

Page 30: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

30

Solution (suite)Solution (suite)

Supposer y = 1.

λμ = 1/(3 +2a +m) = a / (2 +2a ) = m / (1+m)

Des deux derniers termes on a:

a +am = 2m +2am d’où a = 2m /(1-m ) (i)

Du premier et du troisième termes on a:

1+m = 3m + 2am +m 2 d’où a =(1-2m -m 2)/2m (ii)

De (I) et (ii) on a:

1 - 2m - m 2 - m + 2m 2 + m 3 = 4m 2 1-3m-3m2+m3=0

Ainsi m = 0.268 et a = 0.735

On peut ensuite calculer l’autorité

a(yahoo)a(amazon)a(m’soft)

=1+3=2=1+3

h(yahoo) = 1h(amazon) = 0.735h(m’soft) = 0.268 1

Page 31: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

31

Recherche basée sur la similaritéRecherche basée sur la similarité

Récupérer les documents qui ressemblent à un document d

La Similarité peut être mesurée sur la base des mots communs

Ex. Trouver k termes dans d maximisant r(d, t) puis utiliser ces termes comme une requête

La Similarité peut être utilisée pour affiner l’ensemble des résultats retourné par une recherche avec mots clés :

L’utilisateur sélectionne un petit nombre de documents puis demande au système de ne garder que ceux qui leur ressemblent le plus

Page 32: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

32

Synonymes et HomonymesSynonymes et Homonymes

Synonymes Ex. document: “moto réparation”, requête: “moto maintenance”

Le système doit savoir que “maintenance” et “réparation” sont synonymes

Le système alors pourra transformer la requête en “moto et (réparation ou maintenance)”

Homonymes Ex. “fenêtre” a différents sens (construction ou écran)

Des travaux en langage naturel permettent de lever les ambiguïtés à partir du contexte (reste très difficile)

Problème: Ajouter des synonymes introduit le problèmes des homonymes Faire appel à l’utilisateur pour lever les ambiguïtés

Page 33: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

33

Indexation des DocumentsIndexation des Documents

Un index inverse associe à chaque terme Ti l’ensemble des documents

qui le contiennent Les documents sont identifiés par un identificateur (URL dans le cas du

WEB)

L’index peut aussi stocker

L’emplacement de Ti dans le document (pour pouvoir utiliser la proximité)

Le nombre d’occurrences de Ti (pour calculer FT)

Opération et : Trouver les documents qui contiennent T1, T2, ..., Tn.

Intersection S1 S2 ..... Sn

Opération ou : Trouver les documents qui contiennent un des termes T1, T2, …, Tn

union, S1 S2 ..... Sn,.

Chaque Si est triée pour ensuite faciliter la fusion

“non” peut être implémenté en fusionnant des listes triées

Page 34: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

34

Mesurer l’efficience d’un SRIMesurer l’efficience d’un SRI Les RI ne peuvent pas être exhaustifs sinon l’espace requis pour

stocker les index serait trop grand.

Les RI utilisent des structures de données et des méthodes de compression qui permettent seulement de la recherche approximative. Ceci implique faux négatifs : quelques documents pertinents peuvent ne pas être

retournés

faux positifs : quelques documents non pertinents peuvent être retournés

Dans beaucoup d’application, ce sont les faux négatifs qui posent un problème

Mesure de l’efficience : Précision – quel est la proportion de documents pertinents retournés

pour une requête (parmi ceux retournés)

Rappel - quel est la pourcentage de documents pertinents retournés parmi tous les documents pertinents

Page 35: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

35

Mesurer l’efficience d’un SRI (suite)Mesurer l’efficience d’un SRI (suite) Le classement des résultats peut induire de faux positifs/négatifs

Faire la balance entre Rappel et précision :

On peut augmenter le rappel en augmentant les documents retournés (i.e en baissant le degré de pertinence) ce qui provoque la baisse de la précision

Mesures en fonction des documents réellement accédés

L’une est fonction de l’autre

– Ex. “précision de 75% pour un rappel de 50%, et 60% pour un rappel 75%”

Problème: Comment définir les documents qui sont réellement pertinents ? En général: jugement humain

Les systèmes sont mesurés en utilisant des corpus (benchmark)

TREC (Text REtrieval Conference) Benchmark

Page 36: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

36

Web CrawlingWeb Crawling

Web crawlers : ce sont des programmes qui localisent et assemblent les documents du WEB

Récursivement suivent les hyperliens présents dans des documents déjà connus

Quand un document est récupéré

Il est analysé puis indexé

Peut ensuite être libéré ou gardé comme une copie dans le cache

Balayer tout le WEB peut prendre beaucoup de temps (Google annonce 6 semaines avant de ré-analyser un document déjà dans l’index)

Les moteurs de recherche ne parcourent qu’une partie du WEB

celui accessible à partir des pages déjà analysées

Google ré-analyse les pages qui ont été accédées

Un parcours de tout le WEB prendrait des mois

Page 37: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

37

Web Crawling (suite)Web Crawling (suite)

Le balayage (crawling) est effectué par plusieurs processus sur plusieurs machines en parallèleL’ensemble des liens à parcourir se trouve dans une BDLes nouveaux liens rencontrés sont ajoutés pour être

balayés ultérieurement Le processus d’indexation est lui aussi effectué sur plusieurs

machinesCréation d’un nouvel indexL’ancien est utilisé pour les requêtesUne fois le balayage terminé, le nouveau remplace l’ancien

Plusieurs machines sont utilisées pour répondre aux requêtesLes index résident en mémoire centrale

Page 38: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

38

NavigationNavigation

Même si les moteurs de recherche sont de plus en plus efficaces et pertinents, il est toujours difficile de se retrouver dans la très longue liste de documents retournésUtiliser des répertoires pour naviguer dans le résultat

Les répertoires peuvent être construits off-line et le moteur d’indexation affecte un ou plusieurs nœuds à chaque document récupéréLes utilisateurs peuvent alors non seulement voir les

documents qui les intéressent mais même les autres qui leur sont proches

On parle alors d’une hiérarchie de classification Cette hiérarchie forme un graphe acyclique orienté (ou DAG) WEB directories (yahoo, open web directory)

Page 39: 1 Systèmes de Recherche dInformation. 2 Systèmes de recherche dinformation (SRI) Information retrieval Systems(IRS) utilisent un modèle plus simple que.

39

Exemple de hiérarchie pour une bibliothèqueExemple de hiérarchie pour une bibliothèque