220 likes | 311 Views
Besondere Aspekte in Multimedia-Datenbanken. Methoden zur iterativen Anfrageverfeinerung (Relevanz Feedback). Gliederung. Motivation Methoden zur Anfrageverfeinerung Auswertungen der Verfeinerungs-mechanismen Zusammenfassung. Motivation.
E N D
Besondere Aspekte in Multimedia-Datenbanken Methoden zur iterativen Anfrageverfeinerung (Relevanz Feedback) Niko Zenker
Gliederung • Motivation • Methoden zur Anfrageverfeinerung • Auswertungen der Verfeinerungs-mechanismen • Zusammenfassung Niko Zenker
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
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
Information Retrieval Dokumente Anfrage Verarbeitung Verarbeitung Dokument-darstellung Anfrage-darstellung Verlgeich (Ähnlichkeitsberechnung) Ergebnisdokumente Relevanzbewertung und Feedback Niko Zenker
Vektor-Modell • Anfragen werden mittels Vektor an die entspr. Daten gestellt mit und • Relevanz Feedback Methode(n) generiert neuen Anfragevektor Niko Zenker
Anfrageverfeinerung Niko Zenker
Anfrageverfeinerung (II) Niko Zenker
Anfrageverfeinerung (III) Niko Zenker
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
Anfrageverfeinerung (IV) Niko Zenker
Anfrageverfeinerung (V) Niko Zenker
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
Beispiel (II) Niko Zenker
Anfrageverfeinerung (VI) Niko Zenker
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
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
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
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
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
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
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