Ferramentas de RI Arthur Freitas Ramos (afr)

Apresentação em tema: "Ferramentas de RI Arthur Freitas Ramos (afr)"— Transcrição da apresentação:

1 Ferramentas de RI Arthur Freitas Ramos (afr)
Davi Duarte Pinheiro (ddp) Hugo Neiva de Melo (hnm2) Tullio José de Souza Lucena (tjsl)

2 Motivação Bases e sistemas de RI são trabalhosas de definir, criar e implementar Algumas etapas deste processo necessitam ser realizadas por pessoas Diversas ferramentas foram criadas para abstrair várias etapas deste processo

3 Ferramentas de RI Xapian Lucene Sphinx (acrescentado por Flávia)
Wumpus GATE

4 É uma ferramenta de busca Open Source Biblioteca escrita em C++
É uma ferramenta de busca Open Source Biblioteca escrita em C++ Compatível com Perl, Python, PHP, Java, C#, Ruby e Lua Permite integrar em uma aplicação técnicas avançadas de indexação e busca

5 Características Portabilidade Modelo probabilístico
Feedback de relevância Stemming e sinônimos

6 Características Suporta documentos grandes
> 2 GB Permite busca e atualização simultâneas Indexa grande quantidade de documentos html, php, pdf, openOffice, Word, Excel Indexa dados de qualquer SQL Oracle, MySQL, SQLite, etc.

7 Modelo probabilístico
Utiliza como esquema o “Best Match (BM)” 25 Constantes podem ser alteradas Possui mecanismos para impedir que arquivos muito pequenos ganhem pesos muito altos

8 Colapsos Permite eliminar documentos repetidos
Realizado durante o processo de “match” “Collapse key” Restrição de número de “matches” por fonte

9 PostingSource Alimenta dados para o matcher do Xapian
Pode ser usado nas seguintes formas Filtro Aumento dos pesos Forma alternativa de ranqueamento

10 Indexação Todas as palavras indexadas são letras minúsculas
As palavras são indexadas com informação de posição Stemmings indexados sem posição Prefixo ‘Z’

11 Buscas AND, OR, NOT, XOR Expressões com parênteses ‘+’ e ‘-’ NEAR ADJ

12 Buscas Busca de frases Busca com campo probabilístico Nomes próprios
Região de buscas Sinônimos e Wildcards

13 Ordenação Relevância Valor Chave gerada

14 Preparação dos textos Usa o algoritmo de Stemming “Snowball”
Suporte a várias linguagens Inglês, português, alemão, espanhol, francês, etc.

15 Suporte a sinônimos Suporte a thesaurus Criação manual
Integração com o sistema de buscas Sem suporte a dicionário de palavras compostas

16 Outras funcionalidades
Faceting Correção de escrita Serialização de consultas e documentos

17 Lucene

18 O que é o Lucene? “O Apache Lucene é uma tecnologia adequada para quase todas as aplicações que necessitam de buscas em textos, especialmente as multiplataformas.”

19 Disponibilidade Gratuita Open Source Escrita em Java
Apache License, versão 2.0 Escrita em Java Implementações em outras linguagens C++, .Net, Python, etc.

20 Características Rápida indexação (95 GB / h)
Pouca memória RAM requerida ( 1 MB) Atualização e buscas feitas simultaneamente Fácil distribuição

21 Funcionalidades Ranqueamento das buscas Buscas flexíveis
Buscas por campos Ordenação

22 Ranqueamento das buscas
Faz uma filtragem nos documentos Classifica por relevância Frequência dos termos Termos específicos de um documento

23 Buscas flexíveis Frases WildCards Intervalos Expressões booleanas
“WEB Mining” WildCards Min* Intervalos [ ] Expressões booleanas WEB OR Mining

24 Buscas por campos Buscas feitas por campos específicos do documento
Exemplo Class: “WEB Mining” AND Teacher: “Flavia”

25 Ordenação Ordenação por campos do documento
Preço, tamanho, assunto, etc. Por padrão, os documentos são ordenados por relevância

26 Arquitetura Documentos Índices Indexação Buscas

27 Documentos Documentos representam qualquer texto
Texto Word, metadados de músicas, Website, etc. Faz uma representação similar a um documento XML

28 Índices Calcula a frequência de cada termo no documento
Cada termo mapeia os documentos em que aparece Faz a tabela de TF-IDF

29 Indexação Operação feita ao adicionar um novo documento
Os documentos são analisados para achar os seus termos Possui um analisador robusto para textos em inglês Dá suporte à criação de novos analisadores Possui algumas implementações para o stemming

30 Buscas Realiza o parsing do texto do usuário
Utiliza o mesmo analisador da indexação Procura os documentos com os termos Filtra os resultados por relevância Ordena os documentos Retorna a lista ao usuário

31 Sphinx é uma ferramenta de busca por texto open source escrita em C++ que funciona em Linux, Windows, MacOS, Solaris, FreeBSD, e alguns outros sistemas Sphinx permite que você faça indexação e buscas de arquivos armazenados em servidores SQL e NoSQL Permite adicionar a uma aplicação técnicas de indexação e busca

32 Performance e Escalabilidade
Sphinx organiza em índices cerca de 60mb/seg de dados em cada servidor dedicado para indexação Realiza buscas testes através de milhões de documentos com cerca de 500 queries/seg para garantir velocidade de entrega de resultados Possui cerca de 25 bilhões de documentos indexados em seus servidores e recebe hoje mais de 300 milhões de search queries/dia

33 O que apresenta? Índices não textuais – número arbitrários (ID do produto, nome da empresa, etc.) que são armazenados no índice para facilitação de recuperação de documentos Suporte a busca com termos complexos – operadores booleanos, frases, termos sinônimos, substrings Ranking por relevância

34 O que apresenta? Processamento de texto suporta stopwords, stemming, tokenizing Pode ser utilizado apenas como uma ferramenta de armazenamento Exemplos de uso: Craigslist.org , Tradebit.com , vBulletin.com

35 Engenho de busca Open Source Implementado em C++ Disponível para Linux

36 Wumpus Escalável Indexa centenas de GB de documentos
Engenho de busca e serviço de indexação de arquivos Suporte a vários usuários Acesso local (terminal) e remoto (interface web)

37 Wumpus local

38 Wumpus remoto

39 Wumpus Indexa documentos em vários formatos
Txt, doc, ppt, pdf, xml, etc. Permite buscas com vários parâmetros de filtro Permite configurar o número de documentos retornados Definição de macros Suporte a TREC

40 Wumpus remoto busca

41 Base de dados Base de índices invertidos Modelo probabilístico
Permite uso do modelo espaço vetorial Usa o Best Match (Okapi BM) 25 Permite modificação dos parâmetros de configuração e pesos

42 Consultas Busca por termos ou frases
Busca utilizando a linguagem GCL (Generalized Concordance Lists) Suporta vários operadores AND, OR, etc. Stemming (Porter)

43 GCL Linguagem principal Consultas mais complexas
Pode ser usada junto com termos e frases Usada para definir os parâmetros do BM25 Define outros atributos opcionais

44 Consultas Prefixos Definição de atributos relevantes Menor substring
Evita repetição de resultados Stemming e prefixos podem ser aplicados a termos, individualmente

45 Relevância dos documentos
Suporte a várias métricas Best Match 25, espaço vetorial, qap Suporte a feedback de relevância Okapi e KLD Lento

46 Divergência de Kullback-Leibler
Também chamada de ganho de informação Cria um modelo de linguagem para query e documento A “distância” entre estes modelos é utilizada para ranquear os documentos

47 The Handyman Ferramenta de suporte ao Wumpus
Permite extrair e alterar diversas informações sobre a base Evita uso do Wumpus para modificar a base Algumas funcionalidades não existem Cria um vocabulário para uma base específica

48 Open Source Bastante robusta em atividades de processamento de textos O “Lucene” da extração de informação O “Eclipse” do processamento de linguagem natural

49 GATE Tem um escopo muito grande Processamento de texto
Análise de sentimentos Mineração da web Anotações semânticas Extração de informação Processamento de linguagem

50 Funcionalidades Ferramentas de processamento de texto
Ferramentas de recuperação de informação Sistema de extração de informação (ANNIE) Anotação semântica Análise de sentimentos

51 Funcionalidades JAPE Benchmark
Extração de instancias de treinamento de aprendizagem de máquina Integração com implementações de aprendizagem de máquina (Weka)

52 Módulos GATE Developer GATE Cloud GATE Teamware GATE Mimir
Módulo de análise de sentimentos GATE Embedded ANNIE JAPE

53 Anotações São comentários, explanações, informação associada a um documento ou a parte dele São considerados metadados Anotação != Tags Melhora buscas

54 Developer GUI do GATE Gerenciamento do corpo de documentos
Criação manual de anotações Gerenciamento das anotações, podendo associar tipos

55 Developer Criação de conjuntos formados por grupos de anotações
Permite procurar e editar anotações automaticamente Permite utilização de recursos para criação e manipulação automática de anotações, como os recursos do módulo de extração de informação (ANNIE)

56 Developer

57 Developer

58 Developer

59 GATE Cloud Funciona como uma caixa preta Cloud computing
Necessidade de alugar os servidores Funcionalidades Mineração de opinião, web e texto Indexação e buscas (booleana, estruturada ou texto completo) Extração de informação e anotação semântica Análise de sentimentos

60 GATE Cloud

61 GATE Teamware Plataforma WEB Gerenciamento de anotações Colaborativo

62 GATE Teamware Carregamento de corpus Criação de templates
Inicia projetos a partir de templates Ferramentas de gerenciamento Relatórios do status do projeto, estatísticas Permite anotações automáticas

63 Mimir Interface Web É um gerenciador de índices e repositório
Indexa documentos GATE Indexa o texto de documentos e as anotações semânticas Pode salvar metadados dos documentos Permite consultas na base de índices

64 Mimir Permite consultas complexas (operadores &, |, In, Over, +)
Possui queries especiais, como retornar a quantidade de documentos ou o título dos documentos (metadados) Base de conhecimento Possui diversos algoritmos já implementados para ordenar os documentos (pode usar TF-IDF, etc.)

65 Mimir

66 Análise de sentimentos
Usa aprendizagem supervisionado de máquina Utiliza para o treinamento documentos manualmente anotados, técnicas de estatística e mapeamento de palavras positivas e negativas Opiniões sensíveis ao usuário Elemento temporal

67 GATE Embedded Biblioteca implementada em Java
Conjunto de arquivos JARs Usado nativamente em JAVA Voltado especialmente para programadores

68 JAPE Versão do CPSL ER em anotações LHS e RHS

69 ANNIE Utiliza JAPE Algumas funcionalidades: Reset documentos Tokens
Gazetter

70 ANNIE

71 Dúvidas ?

72 Referências http://xapian.org/ http://lucene.apache.org/
%93Leibler_divergence