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 Termexpansion för bättre sökning Kategorisering Klustring

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

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

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

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)

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

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

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

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).

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

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

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

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 !!

Sökmotorer med KWIC Google AltaVista Fast SiteSeeker har alla KWIC idag

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

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

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

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

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

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

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

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

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

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

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

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).

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

Semiautomatisk kategorisering

Slutsatser Framtiden Termexpansion Särskrivning Semiautomatisk kategorisering Flerspråklig sökning