Hispanopedia WikiLa recuperación de documentos se define como la comparación de una consulta de usuario con un conjunto de registros de texto libre . Estos registros pueden ser cualquier tipo de texto, principalmente no estructurado , como artículos de periódicos , registros inmobiliarios o párrafos de un manual. Las consultas de los usuarios pueden variar desde descripciones completas de varias frases sobre una necesidad de información hasta unas pocas palabras.
La recuperación de documentos se conoce a veces como recuperación de texto , o como una rama de la misma . La recuperación de texto es una rama de la recuperación de información donde esta se almacena principalmente en forma de texto . Las bases de datos de texto se descentralizaron gracias a la computadora personal . La recuperación de texto es un área de estudio crucial en la actualidad, ya que constituye la base fundamental de todos los motores de búsqueda de internet .
Descripción
Los sistemas de recuperación de documentos encuentran información que cumple con ciertos criterios comparando registros de texto ( documentos ) con las consultas del usuario, a diferencia de los sistemas expertos que responden preguntas mediante inferencias a partir de una base de datos de conocimiento lógico . Un sistema de recuperación de documentos consta de una base de datos de documentos, un algoritmo de clasificación para crear un índice de texto completo y una interfaz de usuario para acceder a la base de datos.
Un sistema de recuperación de documentos tiene dos tareas principales:
- Encuentra documentos relevantes para las consultas del usuario.
- Evalúe los resultados coincidentes y ordénelos según su relevancia, utilizando algoritmos como PageRank .
Los motores de búsqueda de Internet son aplicaciones clásicas de recuperación de documentos. La gran mayoría de los sistemas de recuperación que se utilizan actualmente abarcan desde sistemas booleanos simples hasta sistemas que emplean técnicas estadísticas o de procesamiento del lenguaje natural .
Variaciones
Existen dos clases principales de esquemas de indexación para sistemas de recuperación de documentos: indexación basada en formularios (o palabras ) e indexación basada en contenido . El esquema de clasificación de documentos (o algoritmo de indexación ) utilizado determina la naturaleza del sistema de recuperación de documentos.
Basado en formularios
La recuperación de documentos basada en formularios aborda las propiedades sintácticas exactas de un texto, de forma similar a la coincidencia de subcadenas en las búsquedas de cadenas. El texto suele ser no estructurado y no necesariamente está escrito en lenguaje natural; el sistema podría utilizarse, por ejemplo, para procesar grandes conjuntos de representaciones químicas en biología molecular. Un algoritmo de árbol de sufijos es un ejemplo de indexación basada en formularios.
Basado en contenido
El enfoque basado en contenido aprovecha las conexiones semánticas entre documentos y partes de los mismos, así como las conexiones semánticas entre consultas y documentos. La mayoría de los sistemas de recuperación de documentos basados en contenido utilizan un algoritmo de índice invertido .
Un archivo de firma es una técnica que crea un filtro rápido y sencillo , por ejemplo, un filtro Bloom , que conserva todos los documentos que coinciden con la consulta y, con suerte, algunos que no. Esto se logra creando una firma para cada archivo, generalmente una versión codificada mediante hash. Un método es la codificación superpuesta. Se realiza un paso de posprocesamiento para descartar las falsas alarmas. Dado que en la mayoría de los casos esta estructura es inferior a los índices invertidos en términos de velocidad, tamaño y funcionalidad, no se utiliza ampliamente. Sin embargo, con los parámetros adecuados, puede superar a los índices invertidos en ciertos entornos.
Ejemplo: PubMed
La interfaz del formulario de PubMed [ 1 ] incluye la búsqueda de "artículos relacionados", que funciona mediante una comparación de palabras del título, resumen y términos MeSH de los documentos utilizando un algoritmo ponderado por palabras. [ 2 ] [ 3 ]
Véase también
Referencias
- ↑ Kim W, Aronson AR, Wilbur WJ (2001). "Asignación automática de términos MeSH y evaluación de calidad" . Proc AMIA Symp : 319–23 . PMC 2243528. PMID 11825203 .
- ↑ Cálculo de citas relacionadas . Centro Nacional de Información Biotecnológica (EE. UU.). 6 de febrero de 2019.
- ↑ Lin J1, Wilbur WJ (30 de octubre de 2007). "Artículos relacionados de PubMed: un modelo probabilístico basado en temas para la similitud de contenido" . BMC Bioinformatics . 8 : 423. doi : 10.1186/1471-2105-8-423 . PMC 2212667. PMID 17971238 .
{{cite journal}}: CS1 maint: nombres numéricos: lista de autores ( enlace )
Lecturas adicionales
- Faloutsos, Christos; Christodoulakis, Stavros (1984). "Archivos de firma: un método de acceso a documentos y su evaluación analítica del rendimiento" . ACM Transactions on Information Systems . 2 (4): 267– 288. doi : 10.1145/2275.357411 . S2CID 8120705 .
- Justin Zobel; Alistair Moffat; Kotagiri Ramamohanarao (1998). "Archivos invertidos versus archivos de firma para la indexación de texto" (PDF) . ACM Transactions on Database Systems . 23 (4): 453– 490. CiteSeerX 10.1.1.54.8753 . doi : 10.1145/296854.277632 . S2CID 7293918 .
- Ben Carterette; Fazli Can (2005). "Comparación de archivos invertidos y archivos de firmas para la búsqueda en un léxico extenso" (PDF) . Procesamiento y gestión de la información . 41 (3): 613– 633. doi : 10.1016/j.ipm.2003.12.003 .
Enlaces externos
- Fundamentos formales de recuperación de información , Buckinghamshire Chilterns University College
- Géneros de recuperación de información
- Documentos electrónicos
- Índices de subcadenas
- Software de motores de búsqueda
