1 / 36

Stavningsstöd, termexpansion och kategorisering

Stavningsstöd, termexpansion och kategorisering. Hercules Dalianis NADA-KTH Email: hercules@nada.kth.se Tel: 08-790 91 05 http://www.nada.kth.se/~hercules. Stavningsstöd, termexpansion och kategorisering. Långa frågor och frassökning Stavningsstöd i sökmotorer KWIC Key-words-in-context

josephine-stephens
Download Presentation

Stavningsstöd, termexpansion och kategorisering

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. Stavningsstöd, termexpansion och kategorisering Hercules Dalianis NADA-KTH Email: hercules@nada.kth.se Tel: 08-790 91 05 http://www.nada.kth.se/~hercules

  2. Stavningsstöd, termexpansion och kategorisering • Långa frågor och frassökning • Stavningsstöd i sökmotorer • KWIC Key-words-in-context • Termexpansion för bättre sökning • Kategorisering • Klustring

  3. Medelfrågan 1,8 ord • Längre frågor ger bättre svar • Större inmatningsfält • Stemming och särskrivning • Frassökning • Sökning i fler filtyper PDF, PowerPoint, Ljudfiler, Bildfiler, • Sökning på fler språk

  4. Stavningsstöd vid sökning • Många felstavade sökord i sökmotorer 10 % minst • Stavningsstöd => fuzzy matching

  5. Sex olika typer av stavfel • Personer som inte kan inte stava rätt- dyslektiker, andraspråksanvändare, m.fl. • Slarvfel - slinter på tangentbordet • Osäkra på stavningen • Alternativa stavningar av ord i indexet (Namn stavas på olika sätt) • Felstavningar i indexet • Särskrivningar eller hopskrivningar

  6. Många felstavningar i sökmotorer • 10 procent av alla sökfrågor är felstavade (1 miljon sökfrågor på RSVs webbplats, (Dalianis 2002)) • Google pressrelease (2002) säger samma sak • 10 procent av alla sökfrågor är felstavade på Sunets webbkatalog (Stolpe 2002) • Euroling-SiteSeeker loggar säger 10-12.5 procent felstavade sökfrågor (på 1 miljon sökfrågor totalt)

  7. Stava används i Lexin en webbaserad ordbok, med bl.a. svensk-engelsk ordbok • 7 miljoner uppslagningar per månad och där har man upp till 33 procent felstavningar totalt

  8. Dynamiskt stavningsstöd • Indexet är lexikonet • Alla ord i indexet är rätt även felstavade ord. • Om ett sökord ej finns i indexet försöker stavningsstödet hitta närmaste editerings-avstånd av sökordet till ett ord i indexet. • Provar med olika näraliggande tangentbordsättningar

  9. På RSV sökmotor med stavningsstöd korrigerades 90 procent av stavfelen • 40 procent av förslagen var särskrivningar (datamässigt tungt) • 29 procent var felstavningar • Dokumentsamlingen innehöll drygt 5 000 dokument

  10. I ett annat kontrollerat experiment på 79 000 svenska nyhetstexter ökade precisionen och täckningen med 4 respektive 11.5 procent om man hade stavningsstöd (Sarr 2003). • Nästan samma korpus användes för att visa att svensk stemming ökade precisionen och täckningen med 15 resp 18 procent (Carlberger et al 2003).

  11. Att göra automatisk särskrivning är datamässigt tungt • rättstavning => rätt stavning • Hopskrivningar lätt att göras automatiskt rätt stavning => rättstavning text sammanfattning => textsammanfattning • Google, SiteSeeker

  12. Stemming • Stemming (Carlberger et al 2001) • Bilverkstad => bilverkstaden, bilverkstäder, mm • 15-18 procent bättre träffar vid sökning på svenska. • Andra språk upp till 30-50 procent bättre träffar

  13. Trunkering (bilverkst*) • Frågeexpansion- generera alla böjningsformer • bilverkstad, bilverkstaden, bilverkstadens, bilverkstäder, bilverkstäderna, bilverkstäderna, mm • Samma effekt som stemming men mer kostsamt datamässigt

  14. KWIC • KWIC- Key word in contextExtrakt av relevanta textutdrag • De första sökmotorerna hade bara länkadressen och kanske första orden i den indexerade texten • Tvungen att klicka in i alla dokument • Textsammanfattare SweSum ihopkopplad med Altavista 1999 !!

  15. Sökmotorer med KWIC • Google • AltaVista • Fast • SiteSeeker • har alla KWIC idag

  16. Synonymgenerering • Termexpansion vore bra att ha • Bilverkstad => bilverkstad, bilreparation, garage, verkstad • Man vill slippa använda synonymlexikon

  17. LSI Latent Semantic Indexing (LSA Latent semantic analysis) • Bygger på vektorrymdsmodellen • Termer som befinner sig nära varandra kanske har med varandra att göra. • Tidskrävande • Samförekomster • bilverkstad, bilreparation, bilskada, garage, Volvo, Sverige, mm

  18. Random Indexing mer effektivt än LSI/LSA • Approximering av LSI/LSA • Skapar färre dimensioner än LSI/LSA • Lättare att uppdatera

  19. Google synomymsökning • ~volvo => car, cars • ~volvo ~car ~cars=> motor car, volvo cars • ~volvo -volvo ~car -car => 240, motor, vehicle • ~car => BMV, auto, automotive, cars • ~car -car => automotive, motor, racing

  20. Kategorisering vid indexeringoch sökning • Automatisk språkigenkänning - svenska, engelska, kinesiska, mm • Dokumenttyp HTML, Word, Excel, PDF mm • Datum • Kategorier i form av server, domän, eller land

  21. Kategorisering • Kategorier finns även på webbplatser • Kommuner tex • Kommunförvaltning • Skolor • Fritid • Kultur • Socialförvaltning • Övrigt

  22. Kategorisering föränderligt • På många webbplatser ändrar sig eller läggs kategorier till efter hand • De färdigvalda kategorierna blir snabbt obsoleta • Automatisk kategorisering genom bra exempel? • Men de flesta använder inte kategorier vid sökning

  23. Klustring • Klustring är klurigt • Enligt vilka mått skall man klustra? • Cosine = Vinkeln mellan texternas vektorer (enligt vektorrymdsmodellen) • Andra mått • Antal ord som texterna delar • Antal ord som delas samt ordfrekvenserna • Normalisering

  24. Klustringalgoritmer • Hierarkiska • Korpusen delas upp i några få kluster därefter arbetar sig algoritmen nedåt • Icke hierarkiska • Utgå från den enskilda texten och arbeta uppåtRosell 2003 om man vill läsa mera

  25. Kategorisering • Överlappande eller icke överlappande kategorier • Polyethic och Monothetic överlappande och icke överlappade egenskaper • Ordnade eller icke ordnade kategorier

  26. Vivisimo klustringssökmotorn • Sökmotorn Vivisimo www.vivisimo.com har en klustrare • Tar de första 500 bästa träffarna och klustrar dem

  27. Klustring • Rosells klustrare (2002, 2003) klustrade 5 000 svenska nyhetstexter • K-mean icke-hierarkisk algoritm • Använde stemming och ordledsuppdelning • Stemming förbättrar klustringsresultaten med ungefär 5 procent. • Sammansättningsuppdelning förbättrar resultaten med 10 procent och en kombination ger 13 procents förbättring (Rosell 2003).

  28. Rosell kunde jämföra sina automatiska kluster med de kategorier som nyhetstexterna kom ifrån från början • Därigenom kunde han se hur pass bra klustren blev.

  29. Semiautomatisk kategorisering

  30. Slutsatser • Framtiden • Termexpansion • Särskrivning • Semiautomatisk kategorisering • Flerspråklig sökning

More Related