2017
Vector Space Representations in Information Retrieval
NOVOTNÝ, VítZákladní údaje
Originální název
Vector Space Representations in Information Retrieval
Název česky
Vektorové reprezentace ve vyhledávání znalostí
Autoři
NOVOTNÝ, Vít (203 Česká republika, garant, domácí)
Vydání
Brno, 56 s. 2017
Nakladatel
Fakulta Informatiky Masarykovy Univerzity
Další údaje
Jazyk
angličtina
Typ výsledku
Účelové publikace
Obor
10201 Computer sciences, information science, bioinformatics
Stát vydavatele
Česká republika
Utajení
není předmětem státního či obchodního tajemství
Kód RIV
RIV/00216224:14330/17:00094402
Organizační jednotka
Fakulta informatiky
Klíčová slova anglicky
document segmentation; synonymy; question answering; vector space model; text retrieval; information retrieval
Příznaky
Mezinárodní význam
Změněno: 1. 11. 2021 09:37, RNDr. Vít Starý Novotný, Ph.D.
V originále
Modern text retrieval systems employ text segmentation during the indexing of documents. I show that, rather than returning the segments to the user, significant improvements are achieved on the semantic text similarity task by combining all segments from a single document into one result with an aggregate similarity score. Standard text retrieval methods underestimate the semantic similarity between documents that use synonymous terms. Latent semantic indexing tackles the problem by clustering frequently co-occuring terms at the cost of the periodical reindexing of dynamic document collections and the suboptimality of co-occurences as a measure of synonymy. I develop a term similarity model that suffers neither of these flaws.
Česky
Moderní systémy pro hledání textu provádějí během vytváření databáze dokumentů segmentaci. V práci představuji postup, pomocí kterého lze během vyhledávání všechny segmenty jednoho dokumentu spojit a odvodit z nich podobnost dokumentu vůči uživatelovu dotazu. Běžné metody vyhledávání textu podceňují podobnost dokumentů, které používají rozdílnou terminologii. Latentní sémantická analýza tento problém řeší shlukováním slov, která se vyskytují dohromady. Cenou za toto řešení je však nutnost opětovně vytvářet databázi dokumentů u dynamicky se měnících kolekcí a neadekvátnost souvýskytů slov jakožto míry jejich vzájemné podobnosti. V práci představuji model, který netrpí ani jedním zmíněným nedostatkem.
Návaznosti
| TD03000295, projekt VaV |
|