Indexation et Recherche d'Information

Présentation au sujet: "Indexation et Recherche d'Information"— Transcription de la présentation:

1 Indexation et Recherche d'Information

2 Rappels des épisodes précédents

3 Les acteurs de la Recherche d'Information
Collection : un ensemble de documents Les systèmes de RI doivent pouvoir traiter : De grandes masses d'information En langage naturel (et créée pour des humains) De façon rapide et pertinente Utilisateur : un besoin d'information et/ou une tâche à accomplir

4 Recherche d'Information
Indexation (modèle de document) Collections dynamiques vs. statiques Modèle de recherche Évaluation Requête

5 Indexation : pourquoi ? Le parcours complet de l'ensemble des documents avec les termes d'une requête est impossible : trop de documents et temps de réponse prohibitif. On passe par un traitement préalable : l'indexation Le but de l'indexation automatique : "transformer des documents en substituts capables de représenter le contenu de ces documents" (Salton et McGill, 1983) Les difficultés de l'indexation sont pour beaucoup  celles inhérentes à la langue des documents. Les index peuvent prendre plusieurs formes :  mots simples, termes complexes, syntagmes, entrées de thésaurus...

6 Construction de l’index : vue générale
DOCUMENTS TERMES Rien ne sert de courir il faut partir à point INDEX TEXTE Rien ne sert de courir; il faut partir à point : «Gageons, dit celle-ci, que vous n'atteindrez point Le lièvre et la tortue en sont un témoignage. Sitôt que moi ce but. - Sitôt? Êtes-vous sage ? Ma commère, il vous faut purger Repartit l'animal léger : Avec quatre grains d'ellébore.) - Sage ou non, je parie encore." On mit près du but les enjeux : Ainsi fut fait; et de tous deux Savoir quoi, ce n'est pas l'affaire, Ni de quel juge l'on convint. J'entends de ceux qu'il fait lorsque, prêt d'être atteint, Notre lièvre n'avait que quatre pas à faire, Il s'éloigne des chiens, les renvoie aux calendes, Ayant, dis-je, du temps de reste pour brouter, Et leur fait arpenter les landes. D'où vient le vent, il laisse la tortue Pour dormir et pour écouter Aller son train de sénateur. Elle part, elle s'évertue, Lui cependant méprise une telle victoire, Elle se hâte avec lenteur. Tient la gageure à peu de gloire, De partir tard. Il broute, il se repose, Croit qu'il y a de son honneur Qu'à la gageure. A la fin, quand il vit Il s'amuse à toute autre chose Que l'autre touchait presque au bout de la carrière, Il partit comme un trait; mais les élans qu'il fit "Eh bien! lui cria-t-elle, avais-je pas raison ? Furent vains : la tortue arriva la première. Moi l'emporter! et que serait-ce De quoi vous sert votre vitesse ? Si vous portiez une maison ?" TERMES normalisés rien sert courir faut partir point

7 Fichier inverse

8 Indexation : le fichier inverse
Notion "classique" de l'index Un fichier inverse associe des index aux documents qui les contiennent. Chaque document possède un identifiant unique. a   ▸  d1, d2, d3, d4, d5... à   ▸  d1, d2, d3, d4, d5... abaissa    ▸  d3, d4... abaissable    ▸  d5 abandon ▸  d1, d5 abandonna ▸  d2 abasourdi ▸  d1 …

9 Construction d’un index

10 Construction de l’index
Terme Id. Doc Doc #1 I did enact julius caesar I was killed i’ the Capitol Séquence de termes Brutus killed me Doc #2 So let it be with caesar The noble Brutus hath told you caesar was ambitious

11 Construction de l’index
….. Terme Id. Doc Terme Id. Doc Tri par termes (puis par documents)

12 Construction de l’index
Terme Fréquence Liste ….. Terme Id. Doc Fichier inverse (dictionnaire) En RI, "fréquence" = "nb d’occurrences"

13 Construction de l’index
Terme Fréquence Liste Questions pour plus tard Pourquoi conserver la fréquence ? Comment construire cet index de façon efficace et économe ? Comment le conserver (mémoire, disque, quelle structure de données) ? Mais pour l’instant : comment faire une requête sur cet index ?

14 Requête dans un index

15 Retrouver les documents
Brutus AND Caesar On recherche « Brutus » dans le dictionnaire  On récupère la liste de documents On recherche « Caesar » dans le dictionnaire On fusionne les deux listes Brutus Caesar

16 Fusion Complexité ? Les listes de documents sont ordonnées !
id1 = l1[0], id2 = l2[0] Tant que les listes ne sont pas vides si id1 = id2 alors ajouter(fusion, id1) id1 = suivant(l1) id2 = suivant(e2) sinon si id1 < id2 alors id2 = suivant(l2) Les listes de documents sont ordonnées ! On traverse les deux listes l1 et l2 simultanément Complexité ? Brutus Fin ! Caesar

17 Comment faire la fusion de trois listes (ou plus) ?
Brutus AND Caesar AND Calpurnia Comment faire la fusion de trois listes (ou plus) ? Indice On a conservé dans l’index le nombre de documents contenant le terme

18 Fusion par sauts Pour éviter de parcourir des morceaux de liste inutilement Par exemple lorsque l’on fusionne un mot fréquent et un mot peu fréquent On ajoute des pointeurs de « saut » 5 21

19 Fusion par sauts Comment et où place-t-on les sauts ?
Plus de sauts  plus de chances de sauter  des sauts plus courts Moins de sauts  moins de chances de sauter  des sauts plus longs En pratique, pour une liste de longueur L, on met des sauts tous les L.

20 Fusion par sauts Gain de temps pour la fusion Mais :
Plus de pointeurs, donc plus de place dans l’index Si l’index est sur le disque, plus d’entrées-sorties pour le lire Compliqué à mettre en place si l’index évolue beaucoup (L…)

21 Recherche de groupes de mots

22 Recherche de groupes de mots
Recherche sur Nicolas Sarkozy. On veut obtenir des textes contenant « Nicolas Sarkozy », et non par exemple : « Nicolas Bedos après son sketch sur DSK et Carla Bruni-Sarkozy. » De nombreuses requêtes sont implicitement des recherches de groupes de mots, au moins en partie : « Nicolas Sarkozy » Disneyland Nos index inversés <terme : documents> ne suffisent plus

23 La notion de n-gramme n-gramme : une sous-séquence de n éléments extraite d’une séquence donnée. Ici, n-grammes de mots uni-gramme : tous les mots bi-gramme : une sous-séquence de 2 éléments etc. Différent du groupe de mots d’un point de vue linguistique (cf. modèles de Markov) Combien de bi-grammes théoriquement possibles pour m mots uniques dans un vocabulaire ? Combien de tri-grammes ? Jusqu’à quelle valeur de n devrait-on aller pour couvrir raisonnablement les besoins d’un utilisateur de moteur de recherche ?

24 Index de bi-grammes Indexer (en plus des mots simples) toutes les paires de termes du texte. On considère donc chaque bi-gramme comme un terme du dictionnaire Une requête sur un bi-gramme est immédiate Rien ne sert de Rien ne ne sert sert de de courir courir il faut courir il il faut faut partir partir à point partir à à point Comment éviter d’indexer toutes les paires ?

25 Index de bi-grammes  « pommes de » AND « de terre »
Les requêtes plus longues (n-grammes, n > 2) « pommes de terre » et ainsi de suite pour des requêtes encore plus longues…  « pommes de » AND « de terre » Risque de faux positifs, pourquoi ?

26 Index de bi-grammes  « pommes terre »
Autre solution plus économique, on supprime les « mots vides » dans l’index et dans la requête « pommes de terre » Ça ne suffit pas pour « Université Paris-Sud 11 » ou « Centre National de la Recherche Scientifique »  « pommes terre » Encore un risque de faux positifs, pourquoi ?

27 Index de bi-grammes Conduit à des faux positifs
Dictionnaire beaucoup plus gros et index vite ingérable Impraticable pour n > 2 On peut utiliser des index bi-grammes dans certaines circonstances ou pour certains groupes de mots, mais ce n’est pas la solution standard pour la recherche de groupes de mots. si on a termes uniques et si on considère les n-grammes de n = 1 à 5 on obtient un dictionnaire de 3,2 × 1026 entrées !  Index de positions

28 Index de position Idée : dans les listes de documents de l’index, ajouter la position de chaque occurrence de terme dans le document. terme fréquence  D1 D3 D4 terme fréquence  D1 : pos1, pos2, pos3 D3 : pos1, pos2 D4 : pos1, pos2, pos3

29 Index de position : parcours
« Université Paris-Sud 11 » Extraction des entrées du dictionnaires Utilisation récursive de l’algorithme de fusion, pour les documents puis pour les positions. Mais utiliser une comparaison incrémentale au lieu d’une égalité stricte. université 1252  D2 : 546 D6 : 34, 87, 145, 243 D7 : 44, 87, 34 … paris-sud 45  D2 : 547 D6 : 88, 543 … 11 15345  D2 : 54, 90 D6 : 89 D4 : 43

30 Recherche de proximité
Souvent les recherches de groupes de mots sont implicites. Même pour des recherches de mots simples, la proximité des termes est importante. Cette proximité peut être demandée dans la requête… déclaration /3 droits /3 Angleterre /3 déclaration NEAR droits Angleterre … mais dans la plupart des moteurs ce n’est pas le cas déclaration droits Angleterre

31 Recherche de proximité
Ici les index de n-grammes sont inutiles… … Mais les index de position peuvent servir. Comment adapter l’algorithme de fusion linéaire pour tenir compte de la proximité des termes ? Comment garder cet algorithme efficace ?

32 Recherche de proximité
La recherche de proximité est devenue indispensable pour un moteur de recherche dans les grands corpus. Mais un index de position augmente fortement la taille de l’index. Une entrée par occurrence au lieu d’une entrée par document. La taille de l’index dépend directement de la taille moyenne des documents Pourquoi ? Indices Une page Web moyenne contient moins de 1000 termes De la documentation, un livre, etc , voire beaucoup plus Considérons un terme avec une fréquence de 0.1 %...

33 Index de position Un index de position est environ 2 à 4 fois plus grand qu’un index « sac de mots ». Le volume d’un index de position représente environ 35 à 50 % de celui du texte original. Nous verrons plus tard comment on peut compresser (un peu) cet index. Rappel On ne parle ici que d’une certaine catégorie de langues…

34 Structures de données

35 Les questions à se poser
Que veut-on faire ? Indexer Quoi ? Recherche littérale Racinisation, lemmatisation, rien ? Vite ? En économisant la place ? En facilitant la lecture de l'index ? Un index, plusieurs index ? Modifications fréquentes ? Chercher Quoi ? Vite ? Souvent avec les mêmes requêtes ? Avec des fautes ? Avec des expressions régulières ?

36 Une base de données Vous savez faire… mais attention de bien gérer les index ! Permet d'éviter la redondance (avec des tables bien conçues) Manipulation parfois peu aisée et rigide Les jointures peuvent être très longues à exécuter Pour assurer des réponses en un temps raisonnable, la base doit entrer en mémoire Plutôt non

37 Une hashtable Association clé-élément ( terme-liste de documents)
Recherche très rapide (O(1)) Compliqué de gérer les variations mineures (fautes d’orthographe, fautes de frappe) Pas de recherche par préfixes

38 Arbres binaires de recherche
jeu jard jard jeudi jante je jante je jeux jeu jeudi Dépend de l'ordre d'insertion ! jeux (au pire : liste chaînée)

39 Arbres binaires de recherche
BST : Binary Search Tree En RAM Chaque nœud de l'arbre contient un mot Chaque nœud pointe vers deux sous-arbres : Le sous-arbre des éléments "plus grands" Le sous-arbre des éléments "plus petits" Recherche et ajout rapide Recherche par préfixes simple Redondance des préfixes Plus lent : O(log M)

40 B-Tree a-hu n-z hy-m

41 Trie Arbre N-aire (automate à états finis déterministe) En RAM
L'arc entre les nœuds représente l'ajout d'une lettre Un arc sortant du nœud par lettre ajoutée Plus de nœuds, mais moins d'information stockée Un nœud ne contient rien, sauf l'information qu'il s'agit d'une fin de mot Coûteux en RAM Chaque préfixe est stocké une seule fois Nombreux algorithmes possibles (recherche approximative…)

42 Les nœuds représentant un mot
Trie j j a e Les nœuds représentant un mot existant sont "marqués". ja je n r u jan jar jeu t d d x jant jard jeud jeux Les nœuds sont étiquetés pour la clarté de l'illustration, mais en pratique ils ne contiennent pas la chaîne de caractères. e i jante jeudi

43 Arbre des suffixes Suffix tree Une structure de trie
Stockage de tous les suffixes d'un texte Utile pour : La recherche de motifs La détection de répétition Moins adapté pour le stockage "simple"

44 Arbres des suffixes Tous les suffixes du mot BANANA
$ NA $ NA$ 5 4 2 $ NA$ 3 1 Tous les suffixes du mot BANANA Le '$' indique la fin du mot Le chiffre indique la position du suffixe dans le mot

45 Patricia Trie Un type de Trie
Remplace les listes (segments non arborescents) par des chaînes de caractères Les chaînes de caractères sont externes à la structure et les arcs indiquent les offset et les longueurs dans ce tableau On peut stocker le tableau sur le disque, et la structure est plus petite en RAM Le tableau est fragmenté Les ajouts demandent de réorganiser l'arbre

46 Patricia Trie c c (0,1) e c (1,1) t (2,2) c t i t e i t e

47 Mais aussi… Splay Tree Ternary Search Tree Burst Tree Judy Tree
String B-Tree (dynamiques et statiques) Trie compilés …