Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouMiguel De Souza Alterado mais de 9 anos atrás
1
Frederico Brito Fernandes - fbf2@cin.ufpe.br Agentes Inteligentes - Cin UFPE Novembro 2000
2
2 Sistemas tradicionais de Recuperação de Informação (RI) usam termos para indexação e recuperação dos dados (há 20 anos !!!) Termos são palavras ou conjuntos de palavras de um documento Indexação armazenamento da informação nas bases de índice Recuperação BI docs. termo1 - doc1, doc3,... termo2 - doc41,...... -... Arquivos Invertidos + BI Informação Armazenada = docs. relevantes Necessidade do Usuário (palavras-chave, profile, etc)
3
3 Stop List lista de palavras comuns, irrelevantes Term Frequency-Inverse Document Frequency (TFIDF): atribuição de peso aos termos Artigos: a, os,... Pronomes: meu, aquele,... Advérbios: muito, bem,...... TF(w): freqüência da palavra w no doc. DF(w): freqüência de w em D D = total de documentos CONNECT CONNECTED CONNECTING CONNECTION CONNECTIONS Stemming e n-grams redução de termos. Ex:
4
4 Precisão Documentos relevantes retornados dividido pelo número total de retornados Cobertura Total de documentos relevantes retornados dividido pelo número total dos relevantes Todos os Documentos Documentos Relevantes Documentos Retornados Relevantes Retornados by Flávia (fab@cin.ufpe.br)
5
5 Outros Conceitos: Robô (ou spider) programas que percorrem links na web, geralmente com objetivo de indexá-la Corpus conjunto de documentos etiquetados Filtragem à partir do profile(gosto) do usuário, documentos interessantes são selecionados Routing faz a mesma coisa que filtragem, a medida que os documentos vão sendo adicionados ao Corpus Arquivo invertido termos (índices) mapeando os documentos em que aparecem
6
6 Base de Índice banco de dados de um sistema de índices Similaridade o grau de quanto 2 documentos são semelhantes Co-Citação (co-citation) dois documentos são citados por um mesmo documento Thesaurus identifica o relacionamento entre termos Trec (Text Retrieval Conference) conferência de IR para demonstração de experimentos com grandes banco de dados, banco de dados multimídia, etc
7
7 Engenhos de Busca Ex: Radix, Altavista BI Índices + URLs Usuário Interface Robôs webweb Documentos + URLs palavras-chave Busca Consulta Casamento de Termos Resultado Stop List indexação recuperação
8
8 Representação Física de Documentos Textuais Digitais Texto completo Difícil de manipular Centróide - conjunto de termos com pesos associados ou não Perda de semântica “Se o desonesto soubesse a vantagem de ser honesto, ele seria honesto ao menos por desonestidade.” Sócrates honesto 2 desonesto 1 soubesse 1 vantagem1 seria 1 menos 1 desonestidade 1 Centróide
9
9 Motivação: que documentos são relevantes a uma consulta do usuário ? Ou qual o grau de semelhança entre dois documentos ? Surgiu a necessidade de criar modelos para interpretar e manipular documentos Representação Lógica (Modelos) de Documentos Textuais Digitais Framework para manipular e interpretar documentos Várias abordagens: teoria dos conjuntos, álgebra linear, probabilidade, etc Ex: Vector Space Mostraremos alguns deles !! doc2 doc1 booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
10
10 Definição Formal de modelo em IR: É definido pela quádrupla [ D, Q, ƒ, R(q i,d j ) ] D - visão lógica dos documentos Q - visão lógica da query do usuário ƒ - um framework para modelar essas representações e seus relacionamentos R(q i,d j ) - uma função que associa um número real com uma query q i Q e um documento d j D Obs Obs.: Para simplificação, considere Q = D, e R(q i,d j ) = Sim booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
11
Modelos Clássicos de IR: Booleano documentos são representados como um conjunto de termos que aparecem no documento Vector Space como um vetor em um espaço t-dimensional Probabilista baseado na teoria da probabilidade Derivações: Booleano Fuzzy, Booleano Estendido Vector Space Vetor Generalizado, Indexação com Semântica Latente, Redes Neurais Probabilista Rede de Inferência, Rede de Crença Alternativo: Baseado em Links algoritmos Companion e Cocitation [1] [1] HENZINGER, M. R. & DEAN, J. Finding Related Pages in World Wide Web booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos 11
12
D: conjunto de termos do documento, com pesos binários f: teoria dos conjuntos e álgebra booleana Sim: apenas retorna 1 (se o termo esta presente no doc.) ou 0 Ex.: sejam os k termos Vantagem: Oferece um framework simples e elegante Desvantagem: Determinístico: um documento é ou não relevante Problemas com Precisão e Cobertura: Resultados (muito) grandes ou pequenos e sem uma escala de relevância Booleano k1k2 k3 k1 k2 k3 Documentos relevantes booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos 12
13
13 D: um vetor f : espaço vetorial t-dimensional e operações de álgebra linear sobre vetores As dimensões do espaço vetorial são os termos do documento Os termos recebem pesos de relevância no documento (negrito, título, etc) Esses pesos são usados como índices do vetor Modelo mais utilizado em IR Brasil0.3 Olimpíadas0.5 Sidney0.2 didididi Brasil0.2 Olimpíadas0.4 Sidney0.4 djdjdjdj Vector Space Brasil Olimpíadas Sidney didi 0.2 0.5 0.3 djdj d i = 0.3 Brasil + 0.5 Olimpiadas + 0.2 Sidney d j = 0.2 Brasil + 0.4 Olimpiadas + 0.4 Sidney booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
14
Sim: produto interno / produto das normas Sim = = = 0.28 Vantagem: Oferece um framework simples e elegante Medida de similaridade: os documentos são retornados em ordem decrescente do seu grau de semelhança Em geral, seu desempenho (precisão e cobertura) supera todos os outros modelos d i d j |d i | · |d j | 0.3 · 0.2 + 0.5 · 0.4 + 0.2 · 0.4 ( 0.09 + 0.25 + 0.04 ) ½ · ( 0.04 + 0.16 + 0.16 ) ½ Vector Space booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos 14
15
Baseado no principio probabilístico “ Dada uma query q e um documento d j em uma coleção, este modelo tenta estimar a probabilidade de que o usuário ache o documento d j interessante (i.e., relevante) Idéia fundamental Dada uma query, existe um conjunto de documentos relevantes e outro não Esse conjunto de documentos relevantes tem certas propriedades Definimos probabilidades associadas a essas propriedades O usuário interage para definir que documentos foram ou não relevantes As probabilidades são então melhoradas Vantagens e Desvantagens: Medida de similaridade: os documentos são retornados em ordem decrescente do seu grau de semelhança Necessidade de separar os documentos relevantes a priori 15 Probabilista booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
16
Combinação do modelo booleano com o vector space D: um ponto no espaço f : espaço t-dimensional e distância entre pontos Sim : distância de d j D para o ponto 1 (no caso de AND) Estende o modelo booleano com pesos entre [0,1] w x,j = f x,j · idf x max i idf i 16 Booleano Estendido booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
17
Relaxa álgebra booleana e interpreta operações booleanas em termos de distâncias algébricas (tome w x,j como x) Sim = 1 - (1-x 1 ) p + (x 2 ) p +... + (1-x m ) p m 1/p and = 1 - (1-x 1 ) p + (1-x 2 ) p +... + (1-x m ) p m 1/p or = (x 1 ) p + (x 2 ) p +... + (x m ) p m 1/p Distância para o ponto (1,1,...,1) Distância para o ponto (0,0,...,0) 17 Booleano Estendido booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
18
18 Busca documentos relevantes através do conceito, e não mais apenas por termos: D: uma coluna da matriz termo-documento ( abaixo) f : operações com matrizes (ex. transposta t ) Sim: obtido com algumas transformações querydoc1 termodoc2 Doc1Doc2Doc3...Doc N Termo1 w 11 w 12 w 13...w 1n Termo2 w 21 w 22 w 23...w 2n...............w Termo t w t1 w t2 w t3...w tn M M : matriz termo-documento, com pesos nas linhas e documentos nas colunas Latent Semantic Indexing booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
19
19 Decompondo a matriz em três componentes : Reduzindo o espaço para dimensionalidade s : O relacionamento entre os documentos é obtido com : Matriz que nos fornece o fator de similaridade entre Doc1 e todos os outros documentos SimDoc1 Doc1 w 11 Doc2 w 21... DocN w N1 M =, onde = e = KSDtDt KMMtMt DtDt MtMt M M MsMs = KsKs SsSs DtsDts MtsMts = ( ) ( ) t MsMs SsSs DsDs SsSs DsDs Latent Semantic Indexing booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
20
20 D: um nó na rede f : rede neural com três camadas kaka kbkb kckc kaka kbkb kckc ktkt k1k1 d1d1 djdj D j+1 dNdN Termos de uma query Termos de D D Sim: w i,q w i,j ( w 2 i,q ) ½ ( w 2 i,j ) ½ i=1 t t t t w i,q w i,j = w i,q ( w 2 i,q ) ½ i=1 t t w i,j ( w 2 i,j ) ½ i=1 t t Propagação 1Propagação 2 Igual ao vector space na primeira passagem Rede Neural booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
21
21 D: como um nó f : estrutura de links, e operações como pai(d) e filho(d) Princípio Básico: Gráfico da Vizinhança: - a partir de um documento d- d bbb bfbf fbfb ff bfbf bfbf fbfb didi djdj “Se existe um link de d i para d j, então o autor recomenda d j e o link oferece um documento relacionado” - Gráfico de links gerado a partir do nó d, com a ferramenta Connectivity Server - Baseado em Links booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
22
22 Algoritmo Companion Construção do Gráfico de Vizinhança Eliminação de Duplicatas 95% de links em comum e mais de 10 links Atribuição de pesos aos links: Calculo do Authority e Hub: Sim = nós com maiores Authority 1/k 1/j ABC Dados os hosts: - A com 2 nós (k=2) - B com 1 nó (j=2) - C com 2 nós A[n] = H[n] H[n] = A[n] Baseado em Links booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
23
23 Algoritmo Cocitation Dois nós são co-citados se tem o mesmo pai Grau de Co-Citação numero de pais em comum Sim = nós com maiores graus de co-citação (F, G, E, H) ABCD u EFGH 1321 Baseado em Links booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
24
24 Conclusões Grande diversidade de modelos Modelos híbridos (booleano probabilista, booleano estendido) Vector Space: mais utilizado e divulgado na literatura Em termos de precisão e cobertura, Alguns modelos se mostraram mais eficientes que o Vector Space em domínios especializados Bases grandes e heterogêneas: não se tem registro de nenhum modelo que supere o Vector Space booleanovetorprobabilista A estrutura montada em Sidney para receber os 15,5 mil atletas... O Brasil conseguiu 6 medalhas de prata e 6 de bronze em Sid... a g n t v k f Modelos
25
25 Lista de Croft versus Características de Agentes Relevância do Feedback Extração de Informação Recuperação Multimídia Recuperação Efetiva Filtering e Routing Interface e Navegação Expansão de termos Eficiência e Flexibilidade RI Distribuída Soluções Integradas 10. 9. 8. 7. 6. 5. 4. 3. 2. 1. AdaptaçãoCooperaçãoAutonomia - Bruce Croft apresentou na revista D-Lib Magazine em Nov. de 95 [1] a lista dos 10 maiores desafios em RI - [1] http://www.dlib.org/dlib/november95/11croft.html
26
26 Agentes Baseados em Recuperação de Informação (ABRI) All-in-one Fastfind Metacrawler Metasearch Profusion Savvysearch WebCompass NetBot Jango ShopBot CARROT InfoSleuth Retsina SAIRE UMDL ShopBotMetaBusca Interface Simples para Múltiplas Fontes KnowBot URLAgents EachMovie Firefly GroupLens Morse MovieCritic Phoaks RARE/Tunes ReferralWeb SiteSeer Yenta Colaborativo Adaptação para Usuários e Conteúdo Backweb Marimba Pointcast SIFT TopicAGENTs Fishwrap MyYahoo Syskill and Webert RemembranceAgent Push Interface Adaptativa Pró-Ativo Compreensão de Conteúdo ABRI Bases ( grandes) Distribuídas Especialista em Conteúdo
27
27 KnowBots Provê uma linguagem de consulta para acessar várias fontes ShopBot e-commerce MetaBusca engenhos de busca Ex: Metacrawler : MetaBusca Única interface Consulta vários engenhos de busca Combina os resultados NetBot Jango : ShopBot Única interface Consulta vários sites a procura de determinados produtos: CDs, charutos Mostra uma lista de produto + preço + site
28
28 Bases (Grandes) Distribuídas Corpus dinâmico, medido em MB (ou GB) Documentos heterogêneos: tamanhos, formatos, linguagens Arquitetura: Agentes }-{ feedback, consultas documentos feedback, consultas documentos Múltiplos Usuários BI consultas documentos consultas documentos Múltiplas Fontes de Informação
29
29 Bases (Grandes) Distribuídas Sobre a arquitetura: Cada usuário é representado (pelo menos) por um agente, que tem (ou obtém) o perfil ou necessidade do usuário. Problema do Profile do Usuário As consultas podem ser modificadas (ex. expandida) e enviadas para as bases. Problema do Processamento de Consultas As bases podem ter diferentes modelos de documentos e consultas. Problema da Heterogeneidade Documentos de diferentes bases precisam ser comparados e ranqueados. Problema da Fusão de Dados
30
30 Bases (Grandes) Distribuídas Ex: SAIRE Scalable Agent-based Information Retrieval Engine Provê acesso aos dados da NASA EOSDIS Suporte para leigos e experts Três variedades de agentes: Interface, Coordenador e Especialista em Domínios Comunicação entre agentes http://saire.ivv.nasa.gov/saire.html UMDL University of Michigan Digital Library Três tipos de agentes: Interface - consultas e profile Mediador - planejamento Buscador - engenhos de busca O usuário pode navegar através de um applet java, sob uma ontologia de informação desenvolvida por eles http://www.si.umich.edu/UMDL/
31
31 Filtragem Colaborativa Um sistema de filtragem colaborativo faz recomendações a um usuário de acordo com o grupo de usuários similares a ele Recomenda: Pessoas - Yenta, ReferralWeb Produtos - Firefly, Similarities Engine, Tunes (music), EachMovie, Morse, RARE, MovieCritic (movies & videos) Leituras - Wisewire, Firefly, Fab, Phoaks Baseado em Conteúdo vs. Recomendação Colaborativa Documento recomendado Documento gosta similar a Recomendação Baseada em Conteúdo Recomendação Colaborativa
32
32 Filtragem Colaborativa Ex: FAB recomenda sites usando técnicas de RI adaptativa Agente: coletor, selecionador e enviador Feedback do usuário: adaptar profile e dar(tirar) crédito aos agentes Um algoritmo genético é usado para desenvolver a população de agentes coletores Http://fab.stanford.edu Firefly Aplicado a música, filmes, sites, livros, etc Usa vários conjuntos de vizinhos para aumentar a precisão Recomenda usuários que não gostam de um site, ou um site que um dado usuário não gosta Comprada pela Microsoft, Abril 98
33
33 Interface Adaptativa Ex: SysKill & Webert controla o browser adicionando painéis Facilita ao usuário avaliar um site como bom ou ruim a respeito de uma das várias classes definidas pelos usuários Pode estimar quais sites o usuário poderia gostar
34
34 Pró-Ativo Ex: Remembrance Agent Indexa arquivos pessoais e e-mails Sugere arquivos relevantes à tarefa que o usuário está executando Opera continuamente Letizia Agente que navega semelhante ao usuário Usuários geralmente navegam em profundidade, enquanto Letizia navega em largura Usa uma variedade de heurísticas para identificar sites interessantes Quando um site interessante é encontrado, é mostrado em uma janela diferente
35
35 Pró-Ativo PUSH Ex: TopicAGENTs Provê uma visão do agente das tarefas de recuperação de informação para o usuário Tarefas: filtragem, categorização, routing Variedade de serviços de envio: Sites Entrada no banco de dados E-mail Fax
36
36 Conclusões Vantagens de Agentes baseados em Recuperação de Informação: Manipulam dinamicamente bases heterogêneas e distribuídas Melhoram a performance via agentes especializados Podem adaptar-se aos interesses e preferências dos usuários Tecnologias já disponíveis: Linguagens e protocolos de comunicação entre agentes. Ex: KQML Métodos e algoritmos de Machine Learning etc. Futuro: Melhorar o processamento e representação de metadados Habilidade para manipular mídias: imagens, sons, vídeos, etc Fusão inteligente de bases heterogêneas
37
37 CIn-UFPE Em desenvolvimento no CIn-UFPE Ajuda o usuário a encontrar documentos semelhantes ao que ele está consultando/editando no momento Plataformas: IE, Netscape e Microsof Word Compara o conteúdo de dois documentos Representa um aumento na precisão dos documentos recuperados Extremamente útil na Intranet de uma empresa: Padronização dos documentos Business da empresa Facilidade para o funcionário encontrar documentos similares ao que está editando. Economiza tempo dele mesmo e de outros
38
38 Netscape Active Search Radix Google }-{ Ontologia Doc Ps Html... Web Servidor de Consulta Intranet Internet Interface Internet Explorer MS Word Centróide Doc.Atual -------- --- Algoritmo de Similaridade Algoritmo de Similaridade StopList Preparação do Documento Preparação do Documento Atual Centróides Buscados -------- --- Algoritmo de Busca Algoritmo de Busca query Lista URLs similares Arquitetura
39
39 Protótipo
40
40 Próximos Passos... Estudar e implementar mais modelos de representação de documentos (medidas de similaridade) Realizar medições da qualidade das respostas para os diferentes modelos Precisão, cobertura, f-measure, etc Estudar e implementar técnicas de filtragem e clustering
41
41 Recuperação de Informação BAEZA-YATES, Ricado, RIBEIRO-NETO, Berthier. Modern Information Retrieval JONES, Karen S., WILLET, Peter. Readings in Information Retrieval http://www.cs.kun.nl/is/edu/ir1/dir.htm http://www.ils.unc.edu/viles/inls172-s99/172-Syll-S99.html http://www.pitt.edu/~korfhage/glossary.html Agentes baseados em Recuperação de Informação http://www.cs.umbc.edu/abir/
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.