Inhalt z.b. Text

Struktur z.B. Inhaltsverzeichnis

Layout z.B. Schriftgröße

Ebene 1 Abstrakter zeichensatz

Ebene 2 Codetabelle

Ebene 3 Kodierungsformat

Ebene 4 Kodierungsschema

Ebene 5 Syntax

Informational - Informationsbefarf durch ein beritgefächertes Ergebnis adresseiert - Suche nach generellen Inforamtion

Navigational - Bedürfnis am besten durch eine bestimmte webseite beident - Navigation auf einer Seite

Transactional - Bedürfnis bezieht sich auf Kauftransaktion - Formulare für Transaktion

1. Übergabe der Query anhand eines Vektors

2. IRS liefert eine Menge relevanteer Dokumente

3. User übernimmt Relevanzbeurteilung

4. IRS übernimmt eine Anpassung des Fragevektors aufgrund des Feedback

5. Retrieval portesssn wird mit dem optimierten Vektors durchführt

6. wiederholung der schirtte

   
   

Hier wird auf die Interaktiosndaten des User analyisiert umd die Relevant beurteilung anzupassen

Keine Bewertung durch den User nötig.

IRS übernimmt die Arbeit

Nachteil: nur gewisser Wissenaufbau für IRS

RSV = Score, der angibt, wie gut ein Dokument zur Anfrage passt.

Eine Retrievalfunktion ist die mathematische Funktion, die für ein Dokument d und eine Query q einen Relevanzwert berechnet.

Formal:

Retrievalfunktion: f(d, q) → RSV

Sie nimmt also:

• die Repräsentation eines Dokuments

• die Repräsentation einer Anfrage

und berechnet daraus einen Score, nach dem die Dokumente gerankt werden.

Ohne Retrievalfunktion gibt es kein Ranking.

Macht index sache Eine ARt glossar

In Abgrenzung dazu wird ein in einer gewissen Form normalisierter Token als ein Term bezeichnet. Mit Blick auf das Beispiel oben könnten valide Terme z. B. „friend“ oder „ro

man“ sein. Normalisiert würde in diesem Beispiel bedeuten, dass alle Zeichen kleingeschrieben

wurden und eine Reduktion auf den Singular vorgenommen wurde.

Stemming

Was passiert? Ein Wort wird mechanisch gekürzt – meist durch Abschneiden von Endungen.

Beispiel:

• laufen → lauf

• läuft → lauf

• running → runn

Lemmatization

Was passiert? Ein Wort wird auf sein lexikalisches Grundwort (Lemma) zurückgeführt.

Beispiel:

• laufen → laufen

• lief → laufen

• better → good

Im Information Retrieval (IR) ist Relevanz das zentrale Qualitätskriterium.

Ganz direkt gesagt: Ein IR-System (z. B. eine Suchmaschine) ist nur so gut wie seine Fähigkeit, relevante Dokumente zu finden und irrelevante auszublenden.

Effektivität im Information Retrieval (IR) bedeutet, wie gut ein Suchsystem die wirklich relevanten Dokumente für eine Anfrage findet. Es geht also um die Qualität der Treffer, nicht um Geschwindigkeit oder Ressourcenverbrauch.

Pooling wird im Information Retrieval vor allem zur Erstellung von Bewertungsdatensätzen für Effektivitätsmessungen eingesetzt – also um zu bestimmen, welche Dokumente für eine Suchanfrage tatsächlich relevant sind.

Beim Pooling werden nur eine Teilmenge aller möglichen Dokumente von menschlichen Experten beurteilt, weil es zu teuer wäre, alle Dokumente im gesamten Korpus zu bewerten.

Evaluationsmetriken werden verwendet, um die Qualität, Leistung oder Genauigkeit von Modellen, Systemen oder Prozessen messbar zu beurteilen. Sie helfen dir zu entscheiden, wie gut etwas funktioniert und ob Verbesserungen nötig sind.

🧠 Wofür genau?

1. Modellvergleich

Du kannst verschiedene Modelle oder Ansätze vergleichen und objektiv entscheiden, welches besser ist.

2. Qualitätskontrolle

In Projekten zeigen Metriken, ob ein System die Anforderungen erfüllt.

3. Optimierung

Beim Training von KI- oder Statistikmodellen helfen Metriken, Parameter zu verbessern.

4. Entscheidungsunterstützung

Sie liefern Zahlen statt Bauchgefühl – wichtig für datenbasierte Entscheidungen.

Beispiele für typische Metriken

• Genauigkeit (Accuracy) → Wie viele Vorhersagen stimmen insgesamt?

• Precision & Recall → Besonders wichtig bei Klassifikationsproblemen mit ungleich verteilten Daten.

• F1-Score → Balance zwischen Precision und Recall.

• Mean Squared Error → Häufig bei Regressionsaufgaben.

⭐ Einfach gesagt

Evaluationsmetriken sind wie ein Messinstrument, mit dem du prüfst, wie gut ein System sein Ziel erreicht.

Benchmarking im Information Retrieval bedeutet, Suchsysteme anhand standardisierter Datensätze, Aufgaben und Metriken systematisch zu vergleichen. Ziel ist es, die Qualität von Suchmaschinen oder Suchalgorithmen objektiv zu bewerten.

Evaluationsmetriken

Typische Metriken im IR-Benchmarking sind:

✅ Precision – Anteil relevanter Treffer unter den gefundenen Dokumenten

✅ Recall – Anteil gefundener relevanter Dokumente an allen relevanten Dokumenten

✅ MAP (Mean Average Precision) – Durchschnittliche Precision über mehrere Queries

✅ NDCG (Normalized Discounted Cumulative Gain) – Bewertet auch die Position relevanter Treffer in der Rangliste

Das Benchmarking-Verfahren im Information Retrieval wird trotz seiner Nützlichkeit oft kritisiert, weil es die Realität nur eingeschränkt abbildet und methodische Schwächen haben kann. Die wichtigsten Kritikpunkte sind:

⚠️ 1. Eingeschränkte Realitätsnähe

• Testkollektionen sind oft künstlich oder statisch.

• Nutzerverhalten in echten Suchsituationen ist viel komplexer als in Tests.

⚠️ 2. Relevanz ist schwer zu definieren

• Relevanz wird meist als binär oder grob abgestuft bewertet.

• In der Praxis hängt Relevanz aber stark von:

  • Kontext

  • Suchintention

  • Zeitpunkt

  • Individuellem Nutzerbedarf ab.

⚠️ 3. Overfitting auf Benchmarks

• Entwickler können Systeme so optimieren, dass sie nur auf Benchmarks gut abschneiden, aber nicht unbedingt in echten Anwendungen.

DIR im Information Retrieval

DIR steht im Information Retrieval meist für Document Information Retrieval oder wird als Kürzel für bestimmte IR-Modelle mit Dokumentrepräsentation verwendet – je nach Vorlesung oder Literatur kann die genaue Bedeutung leicht variieren. Am häufigsten meint DIR aber einen probabilistischen Ansatz zur Dokumentbewertung.

🧠 Grundidee von DIR

DIR-Modelle versuchen zu berechnen, wie relevant ein Dokument für eine Suchanfrage ist, indem sie:

• Dokumentinhalte statistisch analysieren

• Wahrscheinlichkeiten für Relevanz berechnen

• Termhäufigkeiten und Verteilungen berücksichtigen

Das Ziel ist, Dokumente nach Relevanzwahrscheinlichkeit zu ranken.

Unterschied zwischen Intra-Query-Parallelism und Inter-Query-Parallelism

Beide Begriffe stammen aus der Parallelisierung von Such- oder Datenbankanfragen, unterscheiden sich aber darin, was parallelisiert wird.

🔎 Intra-Query-Parallelism (Parallelisierung innerhalb einer Anfrage)

👉 Hier wird eine einzelne Anfrage in mehrere Teilaufgaben zerlegt und parallel verarbeitet.

Beispiele:

• Eine Suchanfrage wird auf mehrere Dokumentpartitionen verteilt.

• Verschiedene Teiloperationen einer komplexen Query laufen gleichzeitig.

Ziel:

• Antwortzeit einer einzelnen Anfrage verkürzen.

Typischer Einsatz:

• Sehr große Datenmengen

• Komplexe Suchanfragen

🔎 Inter-Query-Parallelism (Parallelisierung zwischen Anfragen)

👉 Hier werden mehrere verschiedene Anfragen gleichzeitig verarbeitet.

Beispiele:

• Mehrere Nutzer stellen gleichzeitig Suchanfragen.

• Jede Anfrage wird unabhängig auf einem anderen Prozessor oder Server bearbeitet.

Ziel:

• Durchsatz des Systems erhöhen (mehr Anfragen pro Zeit).

Typischer Einsatz:

• Websuchmaschinen

• Systeme mit vielen gleichzeitigen Nutzern

⭐ Kurzvergleich

🧠 Merksatz

• Intra = innerhalb einer Query

• Inter = zwischen mehreren Queries

Termbasierte Partitionierung – Vor- und Nachteile

Bei der termbasierten Partitionierung wird der Index nach Suchbegriffen (Terms) aufgeteilt. Jeder Server oder Knoten speichert also nur die Dokumente bzw. Indexeinträge für bestimmte Wörter.

✅ Vorteile

1. Gute Lastverteilung bei Suchanfragen

• Häufig angefragte Begriffe können auf mehrere Knoten verteilt werden.

• Dadurch werden Engpässe reduziert.

2. Effiziente Verarbeitung von Term-Queries

• Besonders gut für einfach strukturierte Suchanfragen mit wenigen Begriffen.

3. Gute Skalierbarkeit bei großen Vokabularen

• Neue Begriffe können relativ leicht auf neue Partitionen verteilt werden.

4. Reduzierter Speicherzugriff pro Anfrage

• Ein Server muss nur einen Teil des gesamten Index durchsuchen.

❌ Nachteile

1. Ungleichmäßige Datenverteilung (Hotspot-Problem)

• Sehr häufig vorkommende Begriffe können:

  • einzelne Knoten überlasten

  • zu ungleichmäßiger Rechenlast führen.

2. Komplexe Mehrterm-Anfragen sind teuer

• Wenn eine Anfrage mehrere Begriffe enthält:

  • Ergebnisse müssen von vielen Partitionen zusammengeführt werden.

3. Aufwendiges Index-Management

• Updates und Reorganisation des Index sind schwieriger.

4. Schlechter für semantische oder kontextuelle Suche

• Funktioniert besser mit reinen Termstatistiken als mit komplexen Bedeutungsmodellen.

⭐ Kurz gesagt

👉 Vorteil: Schnell bei einfachen Suchanfragen und gut skalierbar. 👉 Nachteil: Kann Lastprobleme erzeugen und ist weniger effizient bei komplexen Queries.

Das MapReduce-Verfahren

MapReduce ist ein Programmier- und Verarbeitungsmodell, das verwendet wird, um sehr große Datenmengen verteilt und parallel zu verarbeiten. Es wird häufig in verteilten Systemen und Big-Data-Analysen eingesetzt.

Die Idee ist, eine große Aufgabe in zwei Hauptschritte aufzuteilen: 👉 Map-Phase 👉 Reduce-Phase

Unterschied zwischen Klassifikation, Taxonomie und Thesaurus

Diese drei Begriffe werden häufig im Information Retrieval und in der Wissensorganisation verwendet, unterscheiden sich aber stark in Struktur, Ziel und Anwendung.

🧠 1. Klassifikation

👉 Ziel: Inhalte in vordefinierte Kategorien einordnen.

• Ist meist hierarchisch organisiert.

• Wird verwendet, um Dokumente oder Objekte systematisch zu ordnen.

• Kategorien sind oft fest vorgegeben (z. B. in Bibliothekssystemen).

✅ Beispiel:

• Wissenschaft → Naturwissenschaft → Informatik → KI

👉 Fokus: Ordnung und Einteilung

🌳 2. Taxonomie

👉 Ziel: Hierarchische Darstellung von Beziehungen zwischen Begriffen oder Objekten.

• Sehr strukturiert, meist als Baumstruktur.

• Zeigt Beziehungen wie:

  • Oberbegriff (Generalisierung)

  • Unterbegriff (Spezialisierung)

✅ Beispiel:

• Tier

  • Säugetier

    • Hund

👉 Fokus: Semantische Hierarchien

📖 3. Thesaurus

👉 Ziel: Darstellung von semantischen Beziehungen zwischen Begriffen.

• Nicht nur Hierarchien, sondern auch:

  • Synonyme

  • Antonyme

  • Verwandte Begriffe

✅ Beispiel:

• Auto → PKW (Synonym)

• Auto ↔ Fahrzeug (Oberbegriff)

👉 Fokus: Bedeutungsbeziehungen

⭐ Kurzvergleich

🧾 Merksatz

• Klassifikation = Ordnen

• Taxonomie = Hierarchisch strukturieren

• Thesaurus = Bedeutung vernetzen

RDF (Resource Description Framework) ist ein Standard zur Beschreibung und Strukturierung von Daten im Web, entwickelt vom World Wide Web Consortium. Es wird vor allem im Kontext des Semantic Web eingesetzt, um Informationen maschinenlesbar und miteinander verknüpfbar zu machen.

🧠 Hauptzwecke von RDF

1. Strukturierte Datenbeschreibung

• RDF beschreibt Daten in Form von Subjekt – Prädikat – Objekt-Tripeln. 👉 Beispiel:

• Auto – hatFarbe – Rot

2. Integration unterschiedlicher Datenquellen

• Daten aus verschiedenen Systemen können leichter kombiniert werden.

3. Unterstützung des Semantic Web

• Maschinen können Bedeutung aus Daten ableiten, nicht nur Text speichern.

4. Wissensrepräsentation

• Wird genutzt für:

  • Ontologien

  • Wissensgraphen

  • Verknüpfte offene Daten (Linked Open Data)

⚙️ Beispiel für RDF-Tripel

• Subjekt: Buch

• Prädikat: hatAutor

• Objekt: Autorname

→ Ermöglicht semantische Verbindungen zwischen Informationen.

⭐ Kurz gesagt

👉 RDF wird verwendet, um Daten standardisiert, vernetzt und maschinenverständlich zu speichern und auszutauschen.

Wofür wird RDFS gebraucht?

RDFS (RDF Schema) ist eine Erweiterung von World Wide Web Consortium RDF-Standards, die verwendet wird, um die Struktur und Bedeutung von RDF-Daten genauer zu beschreiben.

Während RDF Daten in Form von Tripeln speichert, ermöglicht RDFS eine semantische Modellierung von Beziehungen zwischen Daten.

🧠 Hauptaufgaben von RDFS

1. Definition von Klassen und Hierarchien

• RDFS erlaubt die Modellierung von:

  • Klassen

  • Unterklassenbeziehungen

👉 Beispiel:

• Fahrzeug → Oberklasse

• Auto → Unterklasse von Fahrzeug

2. Beschreibung von Eigenschaften

• Eigenschaften (Properties) können:

  • Typen zugeordnet werden

  • Domänen und Wertebereiche erhalten

👉 Beispiel:

• hatAutor gilt für Klasse Buch

• Zielwert ist z. B. ein Person-Objekt

3. Semantische Einschränkungen

• Definiert:

  • Welche Objekte zu welchen Klassen gehören

  • Welche Werte zulässig sind

4. Unterstützung für Wissensrepräsentation

• Wird häufig in:

  • Wissensgraphen

  • Semantic-Web-Anwendungen

  • Linked-Data-Systemen

eingesetzt.

⭐ Kurz gesagt

👉 RDFS erweitert RDF um semantische Strukturinformationen, insbesondere Klassen, Hierarchien und Eigenschaftsdefinitionen.

Query-Forms in SPARQL

SPARQL ist die Abfragesprache für RDF-Daten und wurde vom World Wide Web Consortium standardisiert. Sie wird verwendet, um Daten aus RDF-Wissensgraphen abzufragen, zu manipulieren und zu analysieren.

SPARQL kennt mehrere wichtige Query-Formen:

🔎 1. SELECT – Daten abfragen (am häufigsten genutzt)

👉 Wird verwendet, um bestimmte Variablenwerte auszugeben.

• Liefert tabellarische Ergebnisse.

• Vergleichbar mit SQL-SELECT.

✅ Beispielanwendung:

• Suche nach Autoren eines Buches

• Abfrage bestimmter Attribute

👉 Typischer Einsatz: Informationssuche

📊 2. CONSTRUCT – Neue RDF-Graphen erzeugen

👉 Erstellt neue RDF-Daten aus bestehenden Daten.

• Wandelt Abfrageergebnisse in RDF-Tripel um.

• Wird für Datenintegration genutzt.

✅ Beispielanwendung:

• Ableitung neuer Wissensstrukturen

• Transformation von Datenquellen

👉 Typischer Einsatz: Wissensgenerierung

✔️ 3. ASK – Wahrheitsprüfung

👉 Prüft nur, ob eine bestimmte Bedingung erfüllt ist.

• Gibt true oder false zurück.

• Sehr effizient, da keine Ergebnislisten erzeugt werden.

✅ Beispielanwendung:

• Existiert ein bestimmtes Dokument?

• Gibt es einen bestimmten Zusammenhang?

👉 Typischer Einsatz: Validierung von Aussagen

🧾 4. DESCRIBE – Ressourcenbeschreibung

👉 Liefert Informationen über eine Ressource.

• Gibt RDF-Daten zurück, die mit einer Ressource verbunden sind.

• Struktur hängt von der Datenquelle ab.

✅ Beispielanwendung:

• Informationen zu einer Entität abrufen

• Wissensgraph-Navigation

👉 Typischer Einsatz: Explorative Suche

⭐ Kurzvergleich

🧠 Merksatz

👉 SELECT = Suchen 👉 CONSTRUCT = Erzeugen 👉 ASK = Prüfen 👉 DESCRIBE = Anschauen

Einsatz von NLP im Information Retrieval

Natural Language Processing (NLP) wird im Information Retrieval verwendet, um natürliche Sprache besser zu verstehen, zu verarbeiten und für Suchsysteme nutzbar zu machen. Besonders in Forschung und Entwicklung – etwa bei der Association for Computational Linguistics – spielt die Kombination von NLP und IR eine große Rolle.

🔎 Hauptanwendungsbereiche von NLP im IR

1. Verbesserung der Suchanfragen (Query Understanding)

• Korrektur von Rechtschreibfehlern

• Erkennen von Synonymen

• Interpretation der Suchintention

👉 Beispiel:

• „Handy kaufen“ ≈ „Smartphone erwerben“

2. Semantische Suche

• Nicht nur Wortübereinstimmung, sondern Bedeutung wird berücksichtigt.

• Konzepte statt nur Keywords.

👉 Beispiel:

• Suche nach „Auto“ findet auch Dokumente über „Fahrzeug“.

3. Stemming und Lemmatisierung

• Reduziert Wörter auf Grundformen.

• Verbessert die Trefferquote.

👉 Beispiel:

• läuft, laufen, gelaufen → Lauf

4. Dokumentanalyse und Indexierung

• Extraktion von:

  • Entitäten

  • Schlüsselbegriffen

  • Themenstrukturen

Hilft beim Aufbau besserer Suchindizes.

5. Ranking-Verbesserung

• NLP hilft, die Relevanz von Suchergebnissen besser zu bewerten, z. B. durch Kontextanalyse.

6. Frage-Antwort-Systeme

• Wird in modernen Suchassistenten eingesetzt.

• Versteht natürliche Fragen und liefert konkrete Antworten.

⭐ Kurz gesagt

👉 NLP im IR wird genutzt, um Suchanfragen und Dokumente semantisch zu verstehen, Suchergebnisse zu verbessern und Nutzerintentionen besser zu interpretieren.

Ontology-Based IR ist ein Ansatz im Information Retrieval, bei dem Ontologien zur Verbesserung des Suchprozesses und des semantischen Verständnisses von Daten verwendet werden. Standards und Technologien für Ontologien werden z. B. vom World Wide Web Consortium entwickelt und gefördert.

🧠 Grundidee

• Klassische IR-Systeme arbeiten hauptsächlich mit Wortübereinstimmung.

• Ontology-Based IR arbeitet mit Bedeutungs- und Konzeptbeziehungen.

• Ziel ist eine semantische Suche statt reiner Keyword-Suche.

⚙️ Kernbestandteile

1. Nutzung von Ontologien

• Ontologien definieren:

  • Begriffe

  • Klassen

  • Beziehungen zwischen Konzepten

👉 Beispiel:

• „Auto“ ist ein Unterbegriff von „Fahrzeug“.

Typische Beschreibungssprachen sind z. B.:

• Web Ontology Language (OWL)

2. Semantische Interpretation von Queries

• Suchanfragen werden auf Konzepte statt auf Wörter abgebildet.

• Synonyme und verwandte Begriffe werden automatisch berücksichtigt.

3. Wissensbasierte Indexierung

• Dokumente werden mit semantischen Metadaten angereichert.

• Nutzung von Wissensgraphen und strukturierten Wissensmodellen.

4. Verbesserte Ergebnisqualität

• Bessere Trefferrelevanz durch Kontextverständnis.

• Reduziert Mehrdeutigkeiten in der Sprache.

⭐ Vorteile

✅ Höhere Suchpräzision ✅ Besseres Verständnis von Nutzerintentionen ✅ Gute Integration in Semantic-Web-Technologien

❌ Nachteile

❌ Hoher Aufwand beim Aufbau von Ontologien ❌ Wartung und Aktualisierung komplex ❌ Teilweise schwierig zu skalieren

🧾 Kurz gesagt

👉 Ontology-Based IR nutzt semantische Wissensmodelle, um Bedeutung statt nur Wörter zu vergleichen und Suchergebnisse zu verbessern.

Ein semantisches Maß ist eine Methode, um die Bedeutungsähnlichkeit oder semantische Distanz zwischen Begriffen, Dokumenten oder Konzepten zu messen – also nicht nur, ob Wörter gleich sind, sondern wie eng ihre Bedeutung zusammenhängt.

Semantische Maße messen Bedeutung statt nur Wortgleichheit.

🧠 Strukturbasierte vs. merkmalsbasierte Ansätze

Diese beiden Ansätze werden oft in Information Retrieval, KI und Wissensrepräsentation verwendet, unterscheiden sich aber darin, wie Ähnlichkeit oder Bedeutung modelliert wird.

🌳 Strukturbasierte Ansätze

👉 Vergleichen Strukturen und Beziehungen zwischen Konzepten.

🔎 Grundidee

• Bedeutung ergibt sich aus der Position und den Verbindungen in einer Struktur (z. B. Ontologien, Graphen, Hierarchien).

✅ Typische Merkmale

• Nutzen Wissensgraphen oder hierarchische Modelle

• Berücksichtigen:

  • Ober-/Unterbegriffe

  • Relationen zwischen Konzepten

👉 Beispiel:

• „Auto“ und „Fahrzeug“ sind ähnlich, weil sie in einer Hierarchie nah beieinander liegen.

⭐ Vorteile

✅ Gute semantische Interpretation ✅ Geeignet für Wissensmodelle

❌ Nachteile

❌ Aufbau und Pflege der Struktur ist aufwendig

🔬 Merkmalsbasierte Ansätze

👉 Vergleichen Eigenschaften oder Attribute von Objekten.

🔎 Grundidee

• Bedeutung wird durch Merkmalsvektoren oder statistische Eigenschaften beschrieben.

✅ Typische Merkmale

• Verwendung von:

  • Wortfrequenzen

  • Embeddings

  • Vektorraumdarstellungen

👉 Beispiel:

• Zwei Dokumente sind ähnlich, wenn sie viele gleiche Wörter oder ähnliche Kontextvektoren haben.

⭐ Vorteile

✅ Gut skalierbar ✅ Funktioniert gut mit großen Datenmengen

❌ Nachteile

❌ Semantische Beziehungen werden weniger explizit modelliert

📊 Kurzvergleich

🧾 Merksatz

👉 Strukturbasiert = Bedeutung durch Beziehungen 👉 Merkmalsbasiert = Bedeutung durch Eigenschaften

Der invertierte Index – was ist das und was macht er?

Der invertierte Index ist eine zentrale Datenstruktur im Information Retrieval und wird z. B. von Suchmaschinen genutzt, um Suchanfragen schnell zu beantworten. Er wird häufig in Standards und Technologien verwendet, die vom World Wide Web Consortium beeinflusst sind.

🧠 Grundidee

👉 Statt für jedes Dokument zu speichern, welche Wörter es enthält, speichert der invertierte Index für jedes Wort, in welchen Dokumenten es vorkommt.

• Klassischer Index:

  • Dokument → Wörter

• Invertierter Index:

  • Wort → Dokumentliste

⚙️ Aufbau eines invertierten Index

Er besteht meist aus zwei Komponenten:

1. Vocabulary (Wortschatz)

• Liste aller vorkommenden Begriffe.

2. Postings-Listen

• Für jeden Begriff wird gespeichert:

  • In welchen Dokumenten er vorkommt

  • Oft zusätzlich:

    • Position im Dokument

    • Häufigkeit

🔎 Beispiel

Dokumente:

• D1: „Information Retrieval ist wichtig“

• D2: „Retrieval Systeme sind schnell“

Invertierter Index:

• Information → D1

• Retrieval → D1, D2

• Systeme → D2

🚀 Aufgaben des invertierten Index

✅ Schnelle Suche nach Dokumenten ✅ Effizientes Ranking von Ergebnissen ✅ Unterstützung von Booleschen und semantischen Suchanfragen

⭐ Vorteile

• Sehr schnelle Suchoperationen

• Gute Skalierbarkeit bei großen Textmengen

❌ Nachteile

• Hoher Speicherbedarf

• Aufwendige Aktualisierung bei häufigen Änderungen

🧾 Kurzmerksatz

👉 Invertierter Index = Wort → Dokumente statt Dokument → Wörter

Retrieval Task: „the task executed by the information system in response to a user request. It is basically of two types: ad hoc and filtering”

Ad Hoc Retrieval: Die User eines IR-Prozesses spezifizieren hierbei einen Informationsbedarf mittels einer Suchanfrage, welche ein automatisiertes Verfahren startet. Die Ausgabe des Verfahrens besteht dabei in einer klassischen IR Anwendung in einer Menge relevanter Dokumente mit textuellem Inhalt.

Filtering beschreibt die Aufgabe, bei der ein relativ statischer Informationsbedarf besteht, jedoch der Dokumentbestand sich beständig erweitert (z. B. das Durchsuchen von E-Mail-Listen).

Prozess:

o Zusammenbringen aller zu berücksichtigenden Dokumente einer Dokumentkollektion

o Zerlegung der textuellen Inhalte von Dokumenten in unterscheidbare Einheiten

o Durchführung einer sprachlichen Untersuchung der identifizierten Einheiten, mit dem Ziel einer normalisierten Darstellung

o Erstellung eines invertierten Indexes

• Fixed set of queries (topics): Wichtig, dass Topics realistische Informationsbedürfnisse wiedergeben

• Fixed set of documents (Korpus): zugrundeliegende Dokumentenbasis

• Fixed set of relevance judgements: Relevanzbestimmung bzgl. verschiedener

• Querys Goldstandard oder Grundwahrheit (groundtruth): Einteilung der Dokumente einer Testkollektion in relevante oder nicht

o Ressourcenbeschreibung (resource description): Inhalte einer Kollektion müssen derart beschrieben worden sein, dass lediglich die Querys an diese Quelle weitergeleitet werden, die auch von dieser beantwortet werden können

o Ressourcenselektion (resource selection): Auf der Basis einer Datenbankbeschreibung muss automatisiert entschieden werden, welche der Kollektionen passend zur Query ist

o Ergebniszusammenführung (bzw. Merging): Ergebnisse für eine konsolidierte Ausgabe zusammengeführt werden

Eine strukturierte, formale Beschreibung von Begriffen und ihren Beziehungen in einem bestimmten Wissensbereich.

Stell dir das wie eine „intelligente Landkarte“ eines Themengebiets vor.

🔎 Was heißt das konkret im IR?

Ein IR-System (z. B. Suchmaschinen wie Google oder wissenschaftliche Datenbanksuchen) muss verstehen:

• Welche Begriffe zusammengehören

• Welche Begriffe Synonyme sind

• Welche Begriffe Unter- oder Oberbegriffe sind

• Wie Konzepte miteinander verknüpft sind

Eine Ontologie liefert genau diese Struktur.

📚 Beispiel

Angenommen, jemand sucht nach:

„Herzinfarkt Behandlung“

Eine Ontologie weiß dann z. B.:

• „Herzinfarkt“ = „Myokardinfarkt“ (Synonym)

• Herzinfarkt ist eine Form von „Herzkrankheit“

• „Stent“ ist eine Behandlungsmethode für Herzinfarkt

• „Kardiologie“ ist das Fachgebiet

Das IR-System kann dadurch:

• bessere Treffer liefern

• verwandte Begriffe automatisch mit einbeziehen

• relevantere Dokumente finden

Ohne Ontologie würde die Suche nur stumpf nach exakt diesen Wörtern suchen.

🧠 Warum ist das wichtig?

Ontologien helfen bei:

• Semantischer Suche (Bedeutung statt nur Wörter)

• Query Expansion (Suchbegriffe automatisch erweitern)

• Wissensgraphen

• Strukturierter Datenverarbeitung

• Präziserem Ranking von Treffern

Große Wissenssysteme wie DBpedia oder Wikidata basieren stark auf ontologischen Strukturen.

💡 Kurz gesagt

Im IR sind Ontologien ein Werkzeug, um:

Bedeutung zu modellieren – nicht nur Wörter zu vergleichen.

o Bewusstsein (Awareness): das, was wir aufnehmen und lernen über passives Verhalten

o Überwachen (Monitoring): Überwachen und Stöbern sind sich ergänzende Modi. Überwachen ist direkt und passiv, während Stöbern ungerichtet und aktiv betrieben wird.

o Stöbern (Browsing): Es gibt keinen spezifischen Informationsbedarf, sondern es findet eine aktive Suche nach neuen Informationen statt.

o Suchen (Searching): ein aktives Bestreben, Antworten zu offenen Fragen zu finden oder ein Verständnis für einen neuen Sachverhalt zubekommen.

Das ist extrem wichtig im IR-Kontext, weil es zeigt: Informationssuche ist nicht nur technisch – sie ist ein kognitiver und emotionaler Prozess.

Hier die zentralen Merkmale klar und prüfungsrelevant zusammengefasst:

📚 Kuhlthaus Information Seeking Process (ISP)

Kuhlthau beschreibt 6 Phasen der Informationssuche. Wichtig: Jede Phase hat Gedanken, Gefühle und Handlungen.

1️⃣ Initiation (Startphase)

Situation: Problem wird erkannt Gefühle: Unsicherheit, Zweifel Gedanken: „Was genau ist mein Thema?“ Verhalten: Erste Orientierungssuche

👉 Zentrale Erkenntnis: Unsicherheit ist normal.

2️⃣ Selection (Themenwahl)

Situation: Thema wird ausgewählt Gefühle: Kurzzeitiger Optimismus Gedanken: „Das klingt machbar.“ Verhalten: Erste gezielte Suche

3️⃣ Exploration (Erkundung)

Situation: Intensive Recherche Gefühle: Verwirrung, Frustration, Unsicherheit Gedanken: Widersprüchliche Infos, Überforderung Verhalten: Viel Lesen, wenig Klarheit

👉 Kritische Phase – viele geben hier auf.

4️⃣ Formulation (Fokussierung)

Situation: Klarer Fokus entsteht Gefühle: Sicherheit wächst Gedanken: „Jetzt verstehe ich mein Thema.“ Verhalten: Gezieltere Recherche

👉 Wendepunkt im Prozess.

5️⃣ Collection (Sammlung)

Situation: Relevante Infos werden gesammelt Gefühle: Zuversicht Gedanken: Klare Struktur Verhalten: Systematisches Sammeln

6️⃣ Presentation (Abschluss)

Situation: Ergebnis wird präsentiert Gefühle: Erleichterung (oder Enttäuschung) Gedanken: Reflexion des Prozesses