مدل‌های بازیابی اطلاعات ۲۰۲۲
Information Retrieval Models 2022

مدل‌های بازیابی اطلاعات (IR) جزء اصلی تحقیقات و سیستم‌های بازیابی اطلاعات هستند. دهه گذشته شاهد تثبیت خانواده مدل‌های IR بودیم که تا سال ۲۰۰۰ شامل دیدگاه‌های نسبتاً مجزایی در مورد TF-IDF (فراوانی ترم ضربدر فراوانی معکوس سند) به عنوان طرح وزن‌دهی در مدل فضای برداری (VSM)، چارچوب ارتباط احتمالی (PRF)، مدل بازیابی استقلال باینری (BIR)، BM25 (بهترین تطابق نسخه ۲۵، تجسم اصلی PRF/BIR) و مدل‌سازی زبان (LM) بود. همچنین، در اوایل دهه ۲۰۰۰ شاهد ظهور انحراف از تصادف (DFR) بودیم. با توجه به شهود و سادگی، اگرچه LM از دیدگاه احتمالی روشن است، اما بسیاری اظهار داشتند: “درک TF-IDF و BM25 آسان است. با این حال، در مورد LM، ما ریاضیات را درک می‌کنیم، اما به طور کامل متوجه نمی‌شویم که چرا کار می‌کند.”

این کتاب رویکردی افقی را در پیش گرفته و مبانی TF-IDF، PRF، BIR، پواسون، BM25، LM، شبکه‌های استنتاج احتمالی (PIN) و مدل‌های مبتنی بر واگرایی را گردآوری می‌کند. هدف ایجاد دیدگاهی یکپارچه و متعادل در مورد مدل‌های اصلی است. تمرکز ویژه این کتاب بر “روابط بین مدل‌ها” است. این شامل مروری بر چارچوب‌های اصلی (PRF، IR منطقی، VSM، VSM تعمیم‌یافته) و جفت‌سازی TF-IDF با سایر مدل‌ها می‌شود. آشکار می‌شود که TF-IDF و LM یک چیز را اندازه‌گیری می‌کنند، یعنی وابستگی (همپوشانی) بین سند و پرس و جو. احتمال پواسون به ایجاد ریشه‌های احتمالی و غیر ابتکاری برای TF-IDF کمک می‌کند، و پارامتر پواسون، یعنی میانگین فراوانی ترم، یک پیوند اتصال بین چندین مدل بازیابی و پارامترهای مدل است.

فهرست مطالب: فهرست تصاویر / پیشگفتار / تقدیر و تشکر / مقدمه / مبانی مدل‌های IR / روابط بین مدل‌های IR / خلاصه و چشم انداز تحقیقات / کتابنامه / زندگینامه نویسنده / نمایه

Information Retrieval (IR) models are a core component of IR research and IR systems. The past decade brought a consolidation of the family of IR models, which by 2000 consisted of relatively isolated views on TF-IDF (Term-Frequency times Inverse-Document-Frequency) as the weighting scheme in the vector-space model (VSM), the probabilistic relevance framework (PRF), the binary independence retrieval (BIR) model, BM25 (Best-Match Version 25, the main instantiation of the PRF/BIR), and language modelling (LM). Also, the early 2000s saw the arrival of divergence from randomness (DFR). Regarding intuition and simplicity, though LM is clear from a probabilistic point of view, several people stated: “It is easy to understand TF-IDF and BM25. For LM, however, we understand the math, but we do not fully understand why it works.” This book takes a horizontal approach gathering the foundations of TF-IDF, PRF, BIR, Poisson, BM25, LM, probabilistic inference networks (PIN’s), and divergence-basedmodels. The aim is to create a consolidated and balanced view on the main models. A particular focus of this book is on the “relationships between models.” This includes an overview over the main frameworks (PRF, logical IR, VSM, generalized VSM) and a pairing of TF-IDF with other models. It becomes evident that TF-IDF and LM measure the same, namely the dependence (overlap) between document and query. The Poisson probability helps to establish probabilistic, non-heuristic roots for TF-IDF, and the Poisson parameter, average term frequency, is a binding link between several retrieval models and model parameters. Table of Contents: List of Figures / Preface / Acknowledgments / Introduction / Foundations of IR Models / Relationships Between IR Models / Summary & Research Outlook / Bibliography / Author’s Biography / Index