Stavningsstöd, termexpansion och kategorisering

En presentation över ämnet: "Stavningsstöd, termexpansion och kategorisering"— Presentationens avskrift:

1 Stavningsstöd, termexpansion och kategorisering
Hercules Dalianis NADA-KTH Tel:

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 procent felstavade sökfrågor (på 1 miljon sökfrågor totalt)

7 Stava används i Lexin en webbaserad ordbok, med bl. a
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 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 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 context Extrakt 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

17

18

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

20 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

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

22 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

23 Kategorisering vid indexering och sökning
Automatisk språkigenkänning - svenska, engelska, kinesiska, mm Dokumenttyp HTML, Word, Excel, PDF mm Datum Kategorier i form av server, domän, eller land

24 Kategorisering Kategorier finns även på webbplatser Kommuner tex
Kommunförvaltning Skolor Fritid Kultur Socialförvaltning Övrigt

25 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

26 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

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

28 Kategorisering Överlappande eller icke överlappande kategorier
Polyethic och Monothetic överlappande och icke överlappade egenskaper Ordnade eller icke ordnade kategorier

29 Vivisimo klustringssökmotorn
Sökmotorn Vivisimo har en klustrare Tar de första 500 bästa träffarna och klustrar dem

30

31 Klustring Rosells klustrare (2002, 2003) klustrade 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).

32

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

34 Semiautomatisk kategorisering

35

36 Slutsatser Framtiden Termexpansion Särskrivning
Semiautomatisk kategorisering Flerspråklig sökning