Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Model dalam sistem temu kembali informasi yasmi afrizal Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester.

Presentasi serupa


Presentasi berjudul: "Model dalam sistem temu kembali informasi yasmi afrizal Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester."— Transcript presentasi:

1 Model dalam sistem temu kembali informasi yasmi afrizal Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

2 Definisi IR Pertemuan ke-2 Pencarian materi (biasanya dokumen) dari sesuatu yang sifatnya tak-terstruktur (unstructured, biasanya teks) untuk memenuhi kebutuhan informasi dari dalam koleksi besar (biasanya disimpan dalam komputer). Representasi, penyimpanan, organisasi, pencarian dan akses ke item informasi untuk memenuhi kebutuhan informasi pengguna. Penekanan pada proses retrieval informasi (bukan data). Karakterisasi kebutuhan informasi tidaklah mudah. Harus ditranslasi ke dalam suatu query terlebih dahulu. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

3 Motivasi Data retrieval – Dokumen mana yang mengandung himpunan keyword? – Semantik didefinisikan dengan baik – Error dari suatu obyek mengakibatkan kegagalan! Information retrieval – Informasi mengenai suatu subyek atau topik – Semantik dapat bersifat lepas (longgar) – Error kecil ditoleransi Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

4 ...Motivasi Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011 IR di tengah pertunjukan – IR dalam 20 tahun terakhir: Klasifikasi dan kategorisasi Sistem dan bahasa Antarmuka pengguna dan visualisasi – Masih, area dilihat sebagai bidang yang sempit – Web mengubah persepsi ini Repository pengetahuan universal Akses universal gratis (biaya rendah) Volume raksasa dari informasi tanpa editorial board terpusat Meskipun banyak masalah: IR merupakan kunci untuk menemukan solusi!

5 SistemIR Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011 Menerima query pengguna yang mewakili kebutuhan informasi Mencari dan menginterpretasikan content (isi) dari item-item informasi Membangkitkan suatu ranking yang mencerminkan relevansi terhadap kebutuhan informasi tersebut Ide mengenai relevansi adalah sangat penting

6

7 Kebutuhan IR Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011 WWW: lebih 25 milyar halaman web, 1.3 milyar gambar dan lebih 1 milyar pesan Usenet yang diindeks pada Google (2006) Berbagai kebutuhan informasi: – Mencari dokumen yang masuk dalam topik tertentu – Mencari suatu informasi spesifik – Mencari jawaban dari suatu pertanyaan – Mencari informasi dalam bahasa berbeda –...

8 Penjualan Software Text Retrieval Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

9 Information Retrieval (IR) Pertemuan ke-2 Secara teknis: indexing (pembuatan index) dan retrieval (pencarian keterangan) dokumen textual. Pencarian halaman pada WWW adalah aplikasi paling “ngetop” saat ini Fokus pertama: meretrieve dokumen- dokumen yang relevan dengan query. Fokus kedua: meretrieve himpunan besar dokumen secara efisien. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

10 Informationvs Data Retrieval Sistem data retrieval (seperti database) berurusan dengan structured data yang mempunyai semantik terdefinisi dengan baik dan kebutuhan meretrieve hasil yang pasti (exact) Sistem IR berurusan dengan dokumen bahasa alami (natural language) dan error kecil dapat diabaikan. Sistem IR harus menginterpretasikan content kemudian meranking daftar content sesuai dengan tingkat relevansinya. Tujuan: Meretrieve semua dokumen yang relevan sekaligus meretrieve sesedikit mungkin dokumen yang tidak relevan Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

11 SistemIR Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

12 Contoh Sistem IR Conventional (katalog perpustakaan) Pencarian dengan kata kunci, judul, penulis, dll. Text-based (Google, Yahoo, ASK). Pencarian dengan kata kunci (keyword). Pencarian terbatas menggunakan query dalam bahasa alami. Multimedia (QBIC, WebSeek, SaFe) Pencarian dengan penampilan visual (bentuk, warna,…) Sistem jawaban pertanyaan (AskJeeves, Answerbus) Pencarian dalam bahasa alami (terbatas) Lainnya: IR lintas-bahasa, music retrieval Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

13 SistemIRdi Web Pertemuan ke-2 Pencarian halaman web Pencarian gambar Pencarian isi (content) gambar Pencarian jawaban pertanyaan Pencarian musik? Hari-hati, jangan melanggar hukum. Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

14 Relevansi Relevansi merupakan suatu judgment (keputusan) subyektif dan dapat didasarkan pada: – topik yang tepat. – waktu (informasi terbaru). – otoritatif (dari suatu sumber terpercaya). – kebutuhan informasi dari pengguna. Kriteria relevansi utama: suatu sistem IR sebaiknya (harus) memenuhi kebutuhan informasi pengguna. Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

15 PencarianKeyword Ide paling sederhana dari relevansi: apakah string query ada di dalam dokumen (kata demi kata, verbatim)? Ide yang lebih fleksibel: Berapa sering kata-kata di dalam query muncul di dalam dokumen, tanpa melihat urutannya (bag of words)? Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

16 Masalah dengan Keyword Mungkin tidak meretrieve dokumen relevan yang menyertakan synonymous terms. – “restaurant” vs. “café” – “NDHU” vs. “National Dong Hwa University” Mungkin meretrieve dokumen tak-relevan yang menyertakan ambiguous terms. – “bat” (baseball vs. mamalia) – “Apple” (perusahaan vs. buah-buahan) – “bit” (unit data vs. perilaku menggigit) Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

17 Bukan Sekedar Keyword Kita akan mendiskusikan dasar-dasar IR berbasis keyword, tetapi… – Fokus pada perluasan dan pengembangan terakhir untuk mendapatkan hasil terbaik. Kita akan membahas dasar-dasar pembangunan sistem IR yang efisien, tetapi… – Fokus pada algoritma dan kemampuan dasar, bukan masalah sistem yang memungkinkan pengembangan ke database ukuran industri. Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

18 IR Cerdas Memanfaatkan pengertian atau makna dari kata yang digunakan. Melibatkan urutan kata di dalam query. Beradaptasi dengan pengguna berdasarkan pada feedback, langsung atau tidak langsung. Memperluas pencarian dengan term terkait. Mengerjakan pemeriksaan ejaaan/perbaikan tanda pengenal otomatis. Memanfaatkan Otoritas dari sumber informasi. Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

19 Indeks Sistem IR jarang mencari koleksi dokumen secara langsung. Berdasarkan pada koleksi dokumen, dibangun sebuah index. Pengguna mencari index tersebut. Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

20 Indexing Otomatis Tujuan dari automatic indexing adalah membangun index dan meretrieve informasi tanpa intervensi manusia. Ketika informasi yang dicari adalah teks, metode automatic indexing akan sangat efektif. Penelitian automatic indexing fundamental dimulai oleh Gerald Salton, Professor of Computer Science di Cornell & mahasiswa Pasca-Sarjananya (Sistem SMART). Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

21 IRdari Koleksi Besar Information retrieval dari koleksi sangat besar bersandar pada: – Jumlah computer power yang besar untuk mengerjakan algoritma sederhana terhadap jumlah data yang sangat banyak. komputasi kinerja-tinggi – Pemahaman pengguna terhadap informasi dan kemampuan dari sistem. Interaksi manusia - komputer Machine-learning banyak digunakan untuk mendapatkan kinerja terbaik. Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

22 Searching & Browsing Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011 Orang dalam perulangan

23 IR dari Koleksi Dokumen Teks Kategori utama dari metode: – Ranking kemiripan terhadap query (vector space model). – Pencocokan exact (Boolean). – Ranking berdasarkan tingkat kepentingan dokumen (PageRank) – Kombinasi beberapa metode Contoh: Web search engine, seperti Google & Yahoo, menggunakan metode kombinasi, berdasarkan pada pendekatan pertama dan ketiga, dengan kombinasi exact dipilih menggunakan machine learning Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

24 Istilah Penting Information retrieval: sub-bidang ilmu komputer yang berurusan dengan penemuan kembali dokumen (khususnya teks) terotomatis berdasarkan pada content dan contextnya. Searching: Pencarian informasi spesifik di dalam badan informasi. Hasilnya adalah sehimpunan hit. Browsing: Eksplorasi tak-terstruktur dari badan informasi. Linking: Berpindah dari satu item ke item lain mengikuti link (sambungan) seperti rujukan (referensi). Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

25 ...Istilah Query: Suatu string teks, menggambarkan informasi yang sedang dicari pengguna. Setiap kata dari query dinamakan search term. Query dapat berupa search term tunggal, string dari term, frase atau ekspresi tertentu menggunakan simbol khusus, misalnya regular expression. Pencarian Full text: Metode yang membandingkan query dengan setiap kata di dalam teks, tanpa membedakan fungsi dari berbagai kata. Pencarian Bidang : Metode pencarian pada bidang struktural atau bibliografis spesifik, seperti penulis atau judul. Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

26 ...Istilah Corpus: Koleksi dokumen yang diindeks dan dijadikan target pencarian. Daftar kata: Himpunan semua term yang digunakan dalam indeks untuk suatu corpus (dikenal sebagai vocabulary file). Pada pencarian full text, word list adalah semua term di dalam corpus, stop words dihapus. Term- term terkait dikombinasi dengan stemming. Controlled vocabulary: Metode indexing dimana word list bersifat tetap. Term-term dari vocabulary tersebut dipilih untuk mendeskripsikan setiap dokumen. Keyword: Nama untuk term-term dalam word list, terutama dengan controlled vocabulary Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

27 Mengurutan & Ranking Hit Ketika pengguna men-submit suatu query ke sistem IR, sistem mengembalikan sehimpunan hit. Pada koleksi dokumen besar, himpunan hit akan sangat besar. Nilai untuk pengguna sering tergantung pada urutan hit ditampilkan. Tiga metode utama: – Mengurutkan hit, misal berdasarkan tanggal – Meranking hit berdasarkan kemiripan antara query dan dokumen – Meranking hit berdasarkan kepentingan dari dokumen Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

28 IRBerbasis Teks Sebagian besar metode ranking didasarkan pada model ruang vektor (vector space model). Sebagian besar metode pencocokan (matching) didasarkan ada operator Boolean. Metode Web search mengkombinasikan model ruang vektor dengan ranking berdasarkan pada tingkat kepentingan dokumen. Banyak sistem (dalam praktek) menggabungkan fitur- fitur dari beberapa pendekatan. Pada bentuk dasar, semua pendekatan menganggap kata sebagai token terpisah, dengan usaha minimal untuk memahami kata-kata secara linguistik. Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

29 FrekuensiKata Observasi: Beberapa kata lebih umum daripada yang lain. Statistika: Koleksi sangat besar dari dokumen teks tak-terstruktur mempunyai karakteristik statistik serupa. Statistik ini: – Mempengaruhi efektifitas dan efisiensi dari struktur data yang digunakan untuk mengindeks dokumen – Banyak model retrieval memanfaatkannya Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

30 ...Frekuensi Kata Contoh: Contoh berikut ini diambil dari : – Jamie Callan, Characteristics of Text, 1997 – 19 Juta kata sampel – Slide berikut memperlihatkan 50 kata yang paling umum, diranking (r) berdasarkan frekuensinya (f). Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester Ganjil 2010/2011

31 ...Frekuensi Kata Pertemuan ke-2

32 Distribusi RankingFrekuensi Untuk semua kata di dalam suatu dokumen, untuk setiap kata w – f adalah frekuensi munculnya w – r ranking dari w disusun menurut frekuensi. (kata yang paling umum muncul mempunyai rank =1) Pertemuan ke-2

33 ContohFrekuensi Rank Slide berikut memperlihatkan kata- kata di dalam data Callan yang telah dinormalisasi. Dalam contoh ini: – r adalah ranking dari kata w dalam sampel. – f adalah frekuensi kata w di dalam sampel. – n adalah jumlah total kemunculan kata di dalam sampel. Pertemuan ke-2

34 ...Contoh RankingFrekuensi Pertemuan ke-2


Download ppt "Model dalam sistem temu kembali informasi yasmi afrizal Pertemuan ke-2 Jurusan Teknik Informatika Universitas Ahmad DahlanSemester."

Presentasi serupa


Iklan oleh Google