1 / 33

StopList dan Stemming yasmi afrizal yasmi_afrizal@yahoo.co.id

Pertemuan ke- 3. StopList dan Stemming yasmi afrizal yasmi_afrizal@yahoo.co.id. Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester G anjil 20 10 /201 1. Pertemuan ke- 3. Hukum Zipf.

india
Download Presentation

StopList dan Stemming yasmi afrizal yasmi_afrizal@yahoo.co.id

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Pertemuan ke-3 StopList dan Stemmingyasmi afrizal yasmi_afrizal@yahoo.co.id Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  2. Pertemuan ke-3 Hukum Zipf • Jika kata-kata di dalam suatu koleksi diranking, r, berdasarkan frekuensinya, f, maka memenuhi relasi: r × (f/n) = c dimana n adalah jumlah kemunculan katadi dalam koleksi, 19 juta dalam contoh. • Koleksi berbeda mempunyai konstanta c berbeda. • Dalam teks bahasa Inggris, c sekitar 0.1. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  3. Pertemuan ke-3 MetodeHukumZipf • Stop lists: Abaikan kata-kata yang sangatsering (upper cut-off). Digunakan oleh hampir semua sistem. • Significant words: Abaikan kata yang paling sering dan paling sedikit (upper and lower cut- off). Jarang digunakan. • Term weighting: Berikan bobot berbeda untukterm-term berdasarkan pada frekuensinya, kata- kata yang paling sering dibobot kurang. Digunakan oleh hampir semuametode perankingan. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  4. Pertemuan ke-3 PandanganLogik Dokumen • Representasi dokumen dipandang sebagai suatu continuum (rangkaian kesatuan). Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  5. Pertemuan ke-3 Arsitektur Sistem IR Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  6. Pertemuan ke-3 Arsitektur IR: Contoh Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  7. Pertemuan ke-3 KomponenSistemIR • Operasi Teks membentuk kata-kata indeks(token) – Tokenization (pemisahan kata) – Penghapusan Stopword (seperti ‘the’, ‘of’, …) – Stemming (mengubah kata-kata berbeda ke bentuk akarnya) • Indexing membangun suatu inverted index dari kata ke penunjuk dokumen. – Pemetaan dari kata kunci ke Id dokumen. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  8. Pertemuan ke-3 ...Komponen Sistem IR • Searching meretrieve dokumen-dokumen yang mengandung token query yang diberikan dari inverted index. • Ranking memberikan score kepada semua dokumen yang diretrieve sesuai dengan relevance metric. • User Interface menangani interaksi dengan pengguna: – Input query dan output dokumen. – Feedback relevansi – Visualisasi hasil. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  9. Pertemuan ke-3 ...Komponen Sistem IR • Operasi Query mentransformasi query untuk meningkatkan retrieval: – Query expansion menggunakan thesaurus. – Query transformation menggunakan feedbackrelevansi. – Optimisasi query untuk meningkatkan kinerja. (kurang penting daripada dalam sistem data retrieval) • Pertanyaan: bagaimana menambahkan suatukomponen personalisasi ke sistem IR? Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  10. Pertemuan ke-3 Pencarian Web • Aplikasi IR terhadap dokumen pada WWW • Perbedaan: – Ukuran – lebih dari 25 milyar dokumen diindeks padaGoogle, terus bertambah – Perubahan dokumen tidak dapat dikendalikan. – Harus menghimpun corpus dokumen dengan menjaring (spidering) web. – Dapat mengeksploitasi informasi layout struktural dalam HTML (XML). – Dapat mengeksploitasi struktur link dari web Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  11. Pertemuan ke-3 Sistem Pencarian Web Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  12. Pertemuan ke-3 AreaTerkait • Manajemen Basis Data • Ilmu Perpustakaan dan Informasi • Kecerdasan Buatan • Pemrosesan bahasa alamai • Pembelajaran Mesin Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  13. Pertemuan ke-2 Relevansi • Relevansi merupakan suatu judgment (keputusan) subyektif dan dapat didasarkan pada: – topik yang tepat. – waktu (informasi terbaru). – otoritatif (dari suatu sumber terpercaya). – kebutuhan informasi dari pengguna. • Kriteria relevansi utama: suatu sistem IR sebaiknya (harus) memenuhi kebutuhan informasi pengguna. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  14. Pertemuan ke-2 Pencarian Keyword • Ide paling sederhana dari relevansi: apakah string query ada di dalam dokumen (kata demi kata, verbatim)? • Ide yang lebih fleksibel: Berapa seringkata-kata di dalam query muncul di dalam dokumen, tanpa melihat urutannya (bagof words)? Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  15. Pertemuan ke-2 Masalah dengan Keyword • Mungkin tidak meretrieve dokumen relevan yang menyertakan synonymous terms. – “restaurant” vs. “café” – “NDHU” vs. “National Dong Hwa University” • Mungkin meretrieve dokumen tak-relevan yang menyertakan ambiguous terms. – “bat” (baseball vs. mamalia) – “Apple” (perusahaan vs. buah-buahan) – “bit” (unit data vs. perilaku menggigit) Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  16. Pertemuan ke-2 Bukan SekedarKeyword • Kita akan mendiskusikan dasar-dasar IRberbasis keyword, tetapi… – Fokus pada perluasan dan pengembangan terakhir untuk mendapatkan hasil terbaik. • Kita akan membahas dasar-dasar pembangunan sistem IR yang efisien, tetapi… – Fokus pada algoritma dan kemampuan dasar, bukan masalah sistem yang memungkinkan pengembangan ke database ukuran industri. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  17. Pertemuan ke-2 IR Cerdas • Memanfaatkan pengertian atau makna dari kata yang digunakan. • Melibatkan urutan kata di dalam query. • Beradaptasi dengan pengguna berdasarkanpada feedback, langsung atau tidak langsung. • Memperluas pencarian dengan term terkait. • Mengerjakan pemeriksaan ejaaan/perbaikan tanda pengenal otomatis. • Memanfaatkan Otoritas dari sumber informasi. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  18. Pertemuan ke-2 Indeks • Sistem IR jarang mencari koleksi dokumensecara langsung. Berdasarkan pada koleksi dokumen, dibangun sebuah index. Pengguna mencari index tersebut. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  19. Pertemuan ke-2 Indexing Otomatis • Tujuan dari automatic indexing adalah membangun index dan meretrieve informasi tanpa intervensi manusia. • Ketika informasi yang dicari adalah teks,metode automatic indexing akan sangat efektif. • Penelitian automatic indexing fundamental dimulai oleh Gerald Salton, Professor of Computer Science di Cornell & mahasiswa Pasca-Sarjananya (Sistem SMART). Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  20. Pertemuan ke-2 IR dari Koleksi Besar • Information retrieval dari koleksi sangat besar bersandar pada: – Jumlah computer power yang besar untuk mengerjakan algoritma sederhana terhadap jumlah data yang sangat banyak. • komputasi kinerja-tinggi – Pemahaman pengguna terhadap informasi dan kemampuan dari sistem. • Interaksi manusia - komputer • Machine-learning banyak digunakan untuk mendapatkan kinerja terbaik. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  21. Pertemuan ke-2 Searching & Browsing •Orang dalam perulangan Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  22. Pertemuan ke-2 IRdari Koleksi DokumenTeks • Kategori utama dari metode: – Ranking kemiripan terhadap query (vector space model). – Pencocokan exact (Boolean). – Ranking berdasarkan tingkat kepentingan dokumen(PageRank) – Kombinasi beberapa metode • Contoh: Web search engine, seperti Google & Yahoo, menggunakan metode kombinasi, berdasarkan pada pendekatan pertama dan ketiga, dengan kombinasi exact dipilih menggunakan machine learning Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  23. Pertemuan ke-2 IstilahPenting • Information retrieval: sub-bidang ilmukomputer yang berurusan dengan penemuan kembali dokumen (khususnya teks) terotomatis berdasarkan pada content dan contextnya. • Searching: Pencarian informasi spesifik di dalam badan informasi. Hasilnya adalah sehimpunan hit. • Browsing: Eksplorasi tak-terstruktur dari badan informasi. • Linking: Berpindah dari satu item ke item lain mengikuti link (sambungan) seperti rujukan (referensi). Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  24. Pertemuan ke-2 ...Istilah • Query: Suatu string teks, menggambarkaninformasi yang sedang dicari pengguna.Setiap kata dari query dinamakan search term. • Query dapat berupa search term tunggal, string dari term, frase atau ekspresi tertentu menggunakansimbol khusus, misalnya regular expression. • Pencarian Full text: Metode yang membandingkan query dengan setiap kata di dalam teks, tanpa membedakan fungsi dari berbagai kata. • Pencarian Bidang : Metode pencarian pada bidang struktural atau bibliografis spesifik, seperti penulisatau judul. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  25. Pertemuan ke-2 ...Istilah • Corpus: Koleksi dokumen yang diindeks dan dijadikan target pencarian. • Daftar kata: Himpunan semua term yang digunakan dalam indeks untuk suatu corpus (dikenal sebagai vocabulary file). • Pada pencarian full text, word list adalah semuaterm di dalam corpus, stop words dihapus. Term- term terkait dikombinasi dengan stemming. • Controlled vocabulary: Metode indexing dimana word list bersifat tetap. Term-term dari vocabulary tersebutdipilih untuk mendeskripsikan setiap dokumen. • Keyword: Nama untuk term-term dalam word list,terutama dengan controlled vocabulary Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  26. Pertemuan ke-2 Mengurutan& RankingHit • Ketika pengguna men-submit suatu query kesistem IR, sistem mengembalikan sehimpunan hit. Pada koleksi dokumen besar, himpunan hit akansangat besar. • Nilai untuk pengguna sering tergantung pada urutan hit ditampilkan. • Tiga metode utama: – Mengurutkan hit, misal berdasarkan tanggal – Meranking hit berdasarkan kemiripan antara query dan dokumen – Meranking hit berdasarkan kepentingan dari dokumen Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  27. Pertemuan ke-2 IR Berbasis Teks • Sebagian besar metode ranking didasarkan pada model ruang vektor (vector space model). • Sebagian besar metode pencocokan (matching)didasarkan ada operator Boolean. • Metode Web search mengkombinasikan model ruang vektor dengan ranking berdasarkan pada tingkat kepentingan dokumen. • Banyak sistem (dalam praktek) menggabungkan fitur- fitur dari beberapa pendekatan. • Pada bentuk dasar, semua pendekatan menganggap kata sebagai token terpisah, dengan usaha minimal untuk memahami kata-kata secara linguistik. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  28. Pertemuan ke-2 Frekuensi Kata • Observasi: Beberapa kata lebih umum daripada yang lain. • Statistika: Koleksi sangat besar dari dokumen teks tak-terstruktur mempunyai karakteristik statistik serupa. Statistik ini: – Mempengaruhi efektifitas dan efisiensi dari struktur data yang digunakan untuk mengindeks dokumen – Banyak model retrieval memanfaatkannya Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  29. Pertemuan ke-2 ...Frekuensi Kata • Contoh: Contoh berikut ini diambil dari : – Jamie Callan, Characteristics of Text, 1997 – 19 Juta kata sampel – Slide berikut memperlihatkan 50 kata yang paling umum, diranking (r) berdasarkan frekuensinya (f). Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

  30. Pertemuan ke-2 ...Frekuensi Kata

  31. Pertemuan ke-2 Distribusi Ranking Frekuensi • Untuk semua kata di dalam suatu dokumen, untuk setiap kata w – f adalah frekuensi munculnya w – r ranking dari w disusun menurut frekuensi. (kata yang paling umum muncul mempunyai rank =1)

  32. Pertemuan ke-2 Contoh Frekuensi Rank • Slide berikut memperlihatkan kata-kata di dalamdata Callan yang telah dinormalisasi. Dalam contoh ini: – r adalah ranking dari kata w dalam sampel. – f adalah frekuensi kata w di dalam sampel. – n adalah jumlah total kemunculan kata di dalam sampel.

  33. Pertemuan ke-2 ...ContohRanking Frekuensi

More Related