Besondere Aspekte in Multimedia-Datenbanken

1. Besondere Aspekte in Multimedia-Datenbanken Methoden zur iterativen Anfrageverfeinerung (Relevanz Feedback) Niko Zenker

2. Gliederung • Motivation • Methoden zur Anfrageverfeinerung • Auswertungen der Verfeinerungs-mechanismen • Zusammenfassung Niko Zenker

3. Motivation • keine genauen Kenntnisse über den Aufbau der DB und Retrieval-Umgebung • Anfragen beruhen auf dem Prinzip „Glück“ • Verfeinerungen können per Hand realisiert werden • durch Einführung von Relevanz-Feedback Methoden wird dieser Prozess teilautomatisiert Niko Zenker

4. Grundidee • Auswählen von wichtigen Termen oder Ausdrücken, die an bestimmte vorherige Dokumente gebunden sind • Dokumente, die der Benutzer vorher schon nicht sehen wollte, scheinen auch nicht von Interesse zu sein • Ziel: gute Ergebnisse bei vagen Anfrangen Niko Zenker

5. Information Retrieval Dokumente Anfrage Verarbeitung Verarbeitung Dokument-darstellung Anfrage-darstellung Verlgeich (Ähnlichkeitsberechnung) Ergebnisdokumente Relevanzbewertung und Feedback Niko Zenker

6. Vektor-Modell • Anfragen werden mittels Vektor an die entspr. Daten gestellt mit und • Relevanz Feedback Methode(n) generiert neuen Anfragevektor Niko Zenker

7. Anfrageverfeinerung Niko Zenker

8. Anfrageverfeinerung (II) Niko Zenker

9. Anfrageverfeinerung (III) Niko Zenker

10. Wahrscheinlichkeitsfeedback • Ziel ist es, die Dokumente nach ihrer Wahrscheinlichkeit zu ordnen, die vom Benutzer als relevant in Bezug auf die Query eingestuft wurden Niko Zenker

11. Anfrageverfeinerung (IV) Niko Zenker

12. Anfrageverfeinerung (V) Niko Zenker

13. Beispiel • 500 Dokumente in der DB (N) • 100 mit den gewünschten Informationen (ni) • 25 werden als relevant markiert (R) • nur 10 dieser als relevant markierten Dokumente enthalten die gewünschte Information (ri) Niko Zenker

14. Beispiel (II) Niko Zenker

15. Anfrageverfeinerung (VI) Niko Zenker

16. Auswertung der Methoden • die Effizienz der Methoden, errechnet man durch einen Vergleich der ersten Iteration des Feedback-Verfahrens und der Initiationssuche • normalerweise benutzt man Recall und Precision Messungen um dieses Ergebnis zu errechnen Niko Zenker

17. Precision & Recall relvante Dokumente • Precision gefundene relevante Dokumente alle gefundenen Dokumente • Recall gefundene relevante Dokumente__ gespeicherte relevante Dokumente Menge aller Dokumente gefundene relevante Dokumente Niko Zenker

18. Auswertung der Methoden (II) • die Auswertung der Feedback-Dokumente wird erschwert • weil sich die Ergebnisse teils deutlich vom echten Feedback-Ergebnis unterscheiden • der User will nicht zweimal das selbe Dokument sehen • die Relevanz-Feedback Operation muss entscheiden, ob sie neue Dokumente anzeigt, die nicht ursprünglich vom User gesehen wurden Niko Zenker

19. Partial Query Expansion vs. Full Query Expansion • FQE: • alle Anfragevektoren haben die selbe Länge wie der Ursprung • Gewichtungen werden verändert • PQE: • reduzieren auf durchschnittliche Länge der Anfragevektoren • Terme mit hoher Frequenz werden übernommen Niko Zenker

20. Ergebnisse aus der Forschung • gewichtete Terme produzieren bessere Ergebnisse beim Feedback-Prozess • full expansion erweist sich als besser als partial expansion • die beste Feedback-Methode ist: „Ide dec hi“ • Wahrscheinlichkeits-Feedback ist im Allgemeinen schlechter als Vektor-Feedback Niko Zenker

21. Optimierung des Feedbacks • die durchschnittliche Länge der Anfrage ist von besonderem Interesse • schlechte Initial-Ergebnisse iterieren meist mit guten Ergebnissen • präzise gestellte Anfragen werden vom Feedback-Prozess besser adaptiert Niko Zenker

22. Zusammenfassung • Relevanz-Feedback ist eine „billige“ Methode für die Neuformulierung von Anfragen mit Bezug auf die vorherigen Ergebnisse • wegen der Einfachheit der Veränderungen der Anfragen, sollten Relevanz-Feedback-Systeme in jedes Text-Retrieval-System eingebunden werden Niko Zenker