Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/RVMR-6HKGAL
Type: Tese de Doutorado
Title: Um novo modelo de ordenação de documentos baseados em correlação entre termos
Authors: Bruno Augusto Vivas e Possas
First Advisor: Nivio Ziviani
First Co-advisor: Wagner Meira Junior
First Referee: Edleno Silva de Moura
Second Referee: Ricardo Baeza-yates
Third Referee: Berthier Ribeiro de Araujo Neto
metadata.dc.contributor.referee4: Imre Simon
Abstract: Neste trabalho apresentamos uma nova abordagem para a ordenação de documentos a partir do modelo de espaço vetorial. A sua originalidade apresenta-se em dois pontos principais: Primeiro, padrões de correlação entre os termos são levados em consideração e processados de forma eficiente. Segundo, a ponderação dos termos é baseada em uma técnica de mineração de dados chamada de regras de associação. A partir desses pontos definimos um novo mecanismo de ordenação chamado modelo de espaço vetorial baseado em conjuntos. Os componentes desse modelo deixam de ser os termos, e passam a ser os conjuntos de termos. Os conjuntos de termos capturam a intuição que termos semanticamente relacionados aparecem próximos em um documento. Esses conjuntos podem ser eficientemente gerados limitando sua computação a pequenos trechos de texto. Uma vez computados os conjuntos de termos, a função de ordenação é calculada a partir da freqüência de um conjunto no documento e sua raridade na coleção. Nossa abordagem provê uma forma simples, efetiva, eficiente e parametrizada para o processamento de consultas disjuntivas, conjuntivas, por frases, além de ser usada para a estruturação automática de consultas. Todas as abordagens conhecidas que levam em consideração a correlação entre os termos foram projetadas somente para o processamento de consultas disjuntivas. Resultados experimentais mostram que o nosso modelo aumenta a precisão média para todas as coleções e tipos de consultas avaliados, mantendo o custo computacional adicional aceitável. Para a coleção TREC-8 de 2 gigabytes, a utilização do nosso modelo implica em um ganho de precisão média de 14.7% e 16.4% para consultas disjuntivas e conjuntivas, respectivamente, em relação ao modelo de espaço vetorial padrão. Esses ganhos aumentam para 24.9% e 30.0%, respectivamente, quando a informação de proximidade é levada em consideração. Os tempos de processamento das consultassão maiores, mas continuam comparáveis com os tempos obtidos para o modelo de espaço vetorial (o crescimento no tempo médio de processamento varia de 30% a 300%). Os resultados experimentais também mostram o sucesso do nosso modelo para a estruturação automática de consultas. Por exemplo, utilizando a TREC-8, nosso modelo gera ganhos de precisão média de aproximadamente 28\% em comparação com o mecanismo de ordenação baseado na fórmula de ponderação BM25. Nossos resultados sugerem que a fórmula de ordenação do modelo de espaço vetorial baseado em conjuntos é bastante efetiva e computacionalmente viável para coleções genéricas.
Abstract: This work presents a new approach for ranking documents in the vector space model. Thenovelty lies in two fronts. First, patterns of term co-occurrence are taken into account and are processed ef_ciently. Second, term weights are generated using a data mining technique called association rules. This leads to a new ranking mechanism called the set-based vector model. The components of our model are no longer index terms but index termsets, where a termset is a set of index terms. Termsets capture the intuition that semantically related terms appear close to each other in a document. They can be ef_ciently obtained by limiting the computation to small passages of text. Once termsets have been computed, the ranking is calculated as a function of the termset frequency in the document and its scarcity in the document collection. The application of our approach provides a simple, effective, ef_cient and parameterized way to process disjunctive, conjunctive, phrase queries, and automatically structured complex queries. All known approaches that account for correlation among index terms were initially designed for processing only disjunctive queries. Experimental results show that the set-based vector model improves average precision for all collections and query types evaluated, while keeping computational costs small. For the 2 gigabyte TREC-8 collection, the set-based vector model leads to a gain in average precision _gures of 14.7% and 16.4% for disjunctive and conjunctive queries, respectively, with respect to the standard vector space model. These gains increase to 24.9% and 30.0%, respectively, when proximity information is taken into account. Query processing times are larger but, on average, still comparable to those obtained with the standard vector model (increases in processing time varied from 30% to 300%). The experimental results also show that the set-based model can be successfully used for automatically structuring queries. For instance, using the TREC-8 test collection, our technique led to gains in average precision of roughly 28% with regard to a BM25 ranking formula. Our results suggest that the set-based vector model provides a correlation-based ranking formula that is effective with general collections and computationally practical.
Subject: Sistemas de recuperação da informação
Banco de dados Gerência
Data mining (Sistemas de recuperação da informação)
Informação Sistema de armazenagem e recuperação
language: Português
Publisher: Universidade Federal de Minas Gerais
Publisher Initials: UFMG
Rights: Acesso Aberto
URI: http://hdl.handle.net/1843/RVMR-6HKGAL
Issue Date: 22-Aug-2005
Appears in Collections:Teses de Doutorado

Files in This Item:
File Description SizeFormat 
bruno_possas.pdf983.55 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.