Bilgiye Erişim Sistemlerinde Arama Kalitesini İyileştirme Normalleştirme Etkeninin Önemi Özlem KARAGEDİK Ata Önal

Amaç Çalışmada, kullanıcının ihtiyacı olan ilgili belgelere en iyi oranda erişerek arama kalitesinin arttırılması amaçlanmıştır. Bu amaçla, vektör uzay modeli ve eksenli benzersiz normalleştirme modeli karşılaştırılarak bu modellerin sonuçları gözlemlenmiştir.

Bilgiye Erişim Nedir? DdDdd Bilgiye erişim denince akla genelde internet arama motorları gelir. Ticari olarak başarılı çalışmalar 30 yıldan fazla akademik araştırma konusu Bilgiye erişim herhangi bir ilgili belgeyi bulmayı kapsar.

Bilgiye Erişim Sistemleri Bilgiye erişim sistemleri, belge arşivlerinde kullanıcıların isteklerine uygun belgelere, kullanıcıların kolay bir şekilde erişimlerini sağlayan sistemlerdir.

Bilgiye Erişim Sistemleri

Bilgiye Erişim Sistemleri Bilgiye erişim sistemleri belge arşivlerindeki ilgili (relevant) belgelere erişmeyi, ilgisiz (non-relevant) belgeleri ise çıkartmayı amaçlar. Bilgiye erişim sistemlerinin kalitesinin arttırılması Elde edilen ilgili belge sayısının arttırılması, İlgili belgelerin sıralamada daha yüksek sıralarda yer alması ile olur.

Bilgiye Erişim Sistemleri

Değerlendirme Ölçütleri İlgililik Sorguların kullanıcının ihtiyacını ne kadar iyi karşıladığının ölçüsüdür. Hassasiyet Erişilen ilgili belgelerin, erişilen belgelere oranıdır. Hassasiyet=İlgili erişilen belgeler/Erişilen belgeler Anma Erişilen ilgili belgelerin, bütün ilgili belgelere oranıdır. Anma=İlgili erişilen belgeler/ilgili belgeler

Sıralandırılmış Bir Listeyi Değerlendirme Derecelendirilmiş Erişim Her derece için hassasiyet ve anma hesaplanır. Hassasiyet ve anma grafiği çizilir. Ortalama Hassasiyet İlgili belgelere erişilen sıralardaki ortalama hassasiyet

Hassasiyetlerin Aritmetik Ortalaması(MAP) Her bir sorgu için hesaplanan ortalama hassasiyet değerlerinin aritmetik ortalamasına denir.

Ön İşlemler Sorguyu ve belgeleri bilgiye erişime hazır ve verimli hale getirmek için, yapılan işlemlerdir. Bu işlemler: Tek harfli veya iki harfli gibi çok kısa kelimeler silinir.

Ön İşlemler Çıkartılacak kelimeler listesindeki (stop word list) kelimelerin atılır (stop word elimination). Kelimelerin türetilmiş veya ek almış hallerinden kurtularak köklerine inmek için birkaç farklı yöntem vardır.

Kullanılan Yöntemler Vektör Uzay Modeli(Vector Space Model) Terim Sıklığı- Devrik Belge Sıklığı(Term Frequency-Inverse Document Frequency (Tf-Idf)) Kosinüs Benzerliği Eksenli Benzersiz Normalleştirme (Pivoted Unique Normalization)

Vektör Uzay Modeli Belgeler ve sorgular birer vektör ile ifade edilir. Her bir belge, anlamlı kelimelerden oluşan ve kelimelerin her birinin ağırlığı olan birer terim vektörü şekline getirilir. Belge vektörleri bir araya getirilerek bütün belgeleri içeren bir matris oluşturulur

Vektör Uzay Modeli Belge terim matrisi ( D matrisi) Her bir satırı bir belgeyi vektör olarak gösterirken, Sütunları da terim vektörleri olarak adlandırılır.

Vektör Uzay Modeli Terim Ağırlığı her bir terimin o belge için önemini belirtir. Terim ağırlığı farklı yollarla bulunabilir. Terim Sayısı Terim Sıklığı- Devrik Belge Sıklığı

Terim Sıklığı- Devrik Belge Sıklığı Terimin ağırlığı, belge içerisinde o terimin geçme sayısıyla doğru orantılıyken; bütün belge havuzu içerisinde o terimin geçme sıklığıyla ters orantılıdır

Kosinüs Benzerliği Kosinüs benzerliği iki vektör arasındaki açının kosinüsünü bularak bu vektörlerin birbirleriyle benzerliklerini ölçmek için kullanılmaktadır . Kosinüs benzerliğinde belge ve sorgular kendi vektör uzunluklarına bölünerek birim vektör haline getirilir. Kosinüs değeri sıfır ile bir arasında olur. Bir değerine ne kadar yakınsa benzerlik o kadar fazladır.

Kosinüs Benzerliği

Kosinüs Benzerliği Belge ve sorgular kendi vektör uzunluklarına bölünerek birim vektör haline getirilir. Vektör uzunluklarına bölünmesiyle belgeler normalleştirilir.

Erişim kalitesini etkileyen faktörler Belge uzunluklarının normalleştirilme gereksinimleri şunlardır: Yüksek terim frekansları : Uzun belgeler , genelde aynı terimi çokça kez tekrar eder. Fazla sayıda terim: Uzun belgeler fazla sayıda farklı terim içerir.

Kosinüs Benzerliği Kosinüs benzerliğinde normalleştirme ağırlıklı belge vektörü uzunluğuna bölünerek yapılır. Normalleştirme belgelerin uzunluklarından bağımsızdır. Bu durumda büyük belgeler için vektör uzunlukları çok büyük olur. Belgeler büyüdükçe kosinüs normalleştirmesinin başarısı düşer.

Eksenli Benzersiz Normalleştirme Modeli Klasik vektör uzay modelinin değiştirilmiş bir versiyonudur. Terim ağırlığı hesaplanırken, terim ve belge frekanslarından farklı olarak bir normalleştirme etkeni de denkleme eklenir.

Eksenli Benzersiz Normalleştirme Modeli dtf:terimin belgede geçme sayısı sumdtf: belge içerisindeki tüm terimler için ifadesinin toplamı N koleksiyondaki toplam belge sayısını nf j. terimi içeren belge sayısını U’da belgedeki benzersiz terim sayısını gösterir

Eksenli Benzersiz Normalleştirme Modeli Denklemin ilk kısmında sumdtf değerine bölünmesiyle, uzun belgelerde aynı sayıda terimin çokça geçmesi problemine çözüm getirir Normalleştirme etkeni uzun belgelerin fazla sayıda farklı terim içermesi ve bunun uzun belgelerin ağırlıklarını yükseltmesi problemine çözüm getirir

Veri Kümesi WikipediaMM, görsel bigiye erişim için Wikipedia resimlerinin koleksiyonundan oluşan bir test ortamı sunar. Veri kümesi olarak wikipedia’nın kullanılmasının amacı, kullanıcının arama yapabileceği, web’e benzer nitelikte daha büyük ölçekli ve heterojen içerikli bir koleksiyonu araştırmaktır. Çalışmada WikipediaMM 2008 veri kümesi kullanılmıştır.

Veri Kümesi Veri kümesi, çeşitli konularda 151,519 resim içerir . Bu resimlerin her biri yapısal olmayan gürültülü metinsel açıklamalar içerir. Bu veri kümesinde resimler üzerinde aranabilecek 75 metinsel sorgu bulunur. Sorgularla ilgili olan toplam belge sayısı ise 5593’tür.

Veri Kümesi Belge Örnek <?xml version="1.0"?> <article> <name id="10">1959ModelPiperPA24 Comanche.jpg</name> <image xmlns:xlink="http://www.w3.org/1999/xlink" xlink:type="simple" xlink:actuate="onLoad" xlink:show="embed" xlink:href="../pictures/1959ModelPiperPA-24Comanche.jpg" id="10" part="images-40000">1959ModelPiperPA-24Comanche.jpg</image> <text>A 1959 model Piper PA-24 Comanche, Valleyfield, Quebec 2004</text> </article>

Veri Kümesi Sorgu Örnek <topic> <number>76</number> <title>Shopping in a market</title> </topic>

Deneysel Sonuçlar Eksenli benzersiz normalleştirme modelinin daha başarılı olduğu gözlemlenmiştir. Bu model belgelerin uzunluklarını dikkate alan bir normalleştirme etkeni kullanarak, çok büyük boyuttaki belgelerin ağırlıklarını azaltılmış, küçük boyuttaki belgelerin ağırlıklarını arttırmış ve bütün belgelerdeki ağırlıkları ortalama boyuttaki belgelerle ile aynı seviyeye getirmiştir.

Deneysel Sonuçlar No Yöntem Ort. Hassasiyet İlk 5’de hassasiyet İlk 10’da hassasiyet Erişilen İlgili Erişilen İlgili 1 Vektör Uzay Modeli-Kosinüs Norm. 0.1394 0.2427 0.2013 64040 2369 5593 2 Eksenli Benzersiz Normalleştirme 0.2549 0.4453 0.3693 65888 3184

Gelecek Çalışmalar Çalışmanın bundan sonraki ilerleyişi: kullanıcının sorgularını sistemin otomatik olarak genişletmesi ile arama kalitesinin arttırılması üzerine olacaktır. Genişletme ile, sorgudaki kelimeler ile benzer anlamlı yeni kelimeler, sorguya eklenecektir. Böylelikle sorgunun içeriği zenginleştirilerek, sorgunun ilk halindeki kelimeyi içermeyen ama sorgu genişletilince bulunabilen ilgili belgelere de erişimi sağlamak amaçlanacaktır.

TEŞEKKÜRLER