مدل‌های زبانی آماری برای بازیابی اطلاعات ۲۰۲۲
Statistical Language Models for Information Retrieval 2022

با گسترش چشمگیر اطلاعات آنلاین، موتورهای جستجو مانند گوگل نقشی هرچه مهم‌تر در زندگی ما ایفا می‌کنند. در قلب تمامی موتورهای جستجو، مسئله‌ی طراحی یک مدل بازیابی مؤثر قرار دارد که بتواند اسناد را به شکلی دقیق برای یک پرس‌وجوی مشخص رتبه‌بندی کند. این مسئله، یک موضوع محوری در تحقیقات بازیابی اطلاعات برای چندین دهه بوده است. در ده سال گذشته، نسل جدیدی از مدل‌های بازیابی، که اغلب به عنوان مدل‌های زبانی آماری شناخته می‌شوند، با موفقیت برای حل بسیاری از مسائل مختلف بازیابی اطلاعات به کار گرفته شده‌اند.

در مقایسه با مدل‌های سنتی مانند مدل فضای برداری، این مدل‌های جدید، بنیان آماری محکم‌تری دارند و می‌توانند از تخمین آماری برای بهینه‌سازی پارامترهای بازیابی استفاده کنند. همچنین، انطباق آن‌ها برای مدل‌سازی مسائل پیچیده و غیرسنتی بازیابی، آسان‌تر است. از نظر تجربی، این مدل‌ها تمایل دارند تا با تلاش کمتری در تنظیم پارامترها، عملکردی قابل مقایسه یا بهتر از یک مدل سنتی به دست آورند.

این کتاب، به طور سیستماتیک، حجم وسیعی از ادبیات مربوط به کاربرد مدل‌های زبانی آماری در بازیابی اطلاعات را بررسی می‌کند و بر اصول اساسی، مدل‌های زبانی مؤثر از نظر تجربی و مدل‌های زبانی توسعه‌یافته برای وظایف بازیابی غیرسنتی تأکید دارد. تمامی منابع مرتبط، تلفیق شده‌اند تا خواننده بتواند به راحتی پیشرفت‌های تحقیقاتی به دست آمده تا کنون را هضم کرده و مرزهای تحقیقات در این زمینه را مشاهده کند.

این کتاب همچنین، مجموعه‌ای از مدل‌های زبانی کاربردی را به متخصصان ارائه می‌دهد که می‌توانند به طور مؤثر، انواع مختلفی از مسائل بازیابی را حل کنند. هیچ دانش قبلی در مورد بازیابی اطلاعات لازم نیست، اما داشتن دانش پایه در مورد احتمال و آمار، برای درک کامل تمام جزئیات مفید خواهد بود.

فهرست مطالب: مقدمه / مروری بر مدل‌های بازیابی اطلاعات / مدل بازیابی ساده‌ی درست‌نمایی پرس‌وجو / مدل درست‌نمایی پیچیده‌ی پرس‌وجو / مدل بازیابی فاصله‌ی احتمالی / مدل‌های زبانی برای وظایف بازیابی ویژه / مدل‌های زبانی برای تحلیل موضوع نهفته / نتیجه‌گیری

As online information grows dramatically, search engines such as Google are playing a more and more important role in our lives. Critical to all search engines is the problem of designing an effective retrieval model that can rank documents accurately for a given query. This has been a central research problem in information retrieval for several decades. In the past ten years, a new generation of retrieval models, often referred to as statistical language models, has been successfully applied to solve many different information retrieval problems. Compared with the traditional models such as the vector space model, these new models have a more sound statistical foundation and can leverage statistical estimation to optimize retrieval parameters. They can also be more easily adapted to model non-traditional and complex retrieval problems. Empirically, they tend to achieve comparable or better performance than a traditional model with less effort on parameter tuning. This book systematically reviews the large body of literature on applying statistical language models to information retrieval with an emphasis on the underlying principles, empirically effective language models, and language models developed for non-traditional retrieval tasks. All the relevant literature has been synthesized to make it easy for a reader to digest the research progress achieved so far and see the frontier of research in this area. The book also offers practitioners an informative introduction to a set of practically useful language models that can effectively solve a variety of retrieval problems. No prior knowledge about information retrieval is required, but some basic knowledge about probability and statistics would be useful for fully digesting all the details. Table of Contents: Introduction / Overview of Information Retrieval Models / Simple Query Likelihood Retrieval Model / Complex Query Likelihood Model / Probabilistic Distance Retrieval Model / Language Models for Special Retrieval Tasks / Language Models for Latent Topic Analysis / Conclusions