Experimentální systém pro WEB IR

Rozměr: px

Začít zobrazení ze stránky:

Download "Experimentální systém pro WEB IR"

Marian Pokorný
před 8 lety
Počet zobrazení:

1 Experimentální systém pro WEB IR Jiří Vraný Školitel: Doc. RNDr. Pavel Satrapa PhD.

2 Problematika disertační práce velmi stručný úvod WEB IR information retrieval from WWW, vyhledávání na webu Vzhledem k množství informací na webu, vrací WWW vyhledávače na běžné dotazy statisíce možných výsledků. Ty je nutno nějak seřadit a předložit uživateli. Výzkum v oblasti získávání informací na webu, postupně vedl k vytvoření celé řady řešení modifikujícíh metody klasického IR, i zcela nových postupů. Nejznámnější publikované algoritmy PageRank, Hits, Salsa a další. V současnosti snaha o přizpůsobení výsledků konkrétnímu uživateli personalizace. V ideálním případě tak aby uživatel nemusel dělat nic navíc. Matematika v pozadí WWW stránky tvoří graf W. Řadu problémů lze tak převést na problémy z teorie grafů, teorie pravděpodobnosti a další. Většina personalizovaných algoritmů vychází z algorimtu PageRank. Hlavní otázky DP: Jak jsou tato řešení aplikovatelná na češtinu a česky psané stránky? Lze aplikací jiných přístupů k výpočtu dosáhnout reálné aplikovatelnosti algoritmů odsunutých na pole teorie pro jejich výpočetní náročnost?

Výzkum v oblasti získávání informací na webu, postupně vedl k vytvoření celé řady řešení modifikujícíh metody klasického IR, i zcela nových postupů.

3 Experimentální systém? Pro testování algoritmů je nutné mít k dispozici vyhledávací stroj a dostatečně velký podgraf grafu W. Požadavky: Efektivní získání a uložení podgrafu Možnost snadné modifikace řadících a indexačních algoritmů Jednoduché uživatelské rozhraní

4 Vlastní řešení nebo existující OpenSource? OS řešení existuje mnoho Např. Nutch + Lucene, Sherlock Holmes, Isearch, mnogosearch. Studium manuálů + implementace + nutnost pochopit cizí kód. Ne vždy je splněn druhý požadavek. Komplet vlastní řešení Proč po desáté vynalézat kolo? 100% kontrola nad kódem a algoritmy řada slepých uliček.

Studium manuálů + implementace + nutnost pochopit cizí kód.

5 Výsledek = kombinace OpenSource: získání dat Heritrix úložiště MySQL Python nástroje BeatifulSoup, Cython a další. Vlastní řešení: middleware zpracování získaných dat do databáze, indexační server, rank server uživatelské rozhraní řazení výsledků, testování kvality

com/ Python nástroje BeatifulSoup, Cython a další.

6 Schéma systému

7 Databáze Požadavky: Rychlé ukládání a vydávání dat Efektivní vyhledávání neúplných informací Možnost vytvářet další podgrafy Škálovatelnost, robustnost řešení

8 Model databáze

9 Middleware zpracování dat Python WebTextTools zpracovává WWW stránky uložené na pevném disku rekurzivní prohledávání zadaného adresáře čte data v ARC (Internet Archive) formátu načtená data parsuje a odstraňuje fatální chyby (chybějící titulky, nevalidní url aj.) veškeré texty konvertuje do UTF-8 zpracovaná data ukládá do databáze. z uložených dat ukládá incidenční matice web grafu a podgrafů ve formátech CSR (Numpy) a MPIAIJ (Petsc4py)

fatální chyby (chybějící titulky, nevalidní url aj.

10 Middleware komunikace Pro komunikaci klient / server slouží TCP protokol, implementovaný pomocí modulu socket v Pythonu. Pro aplikační vrstvu byl navržen jednoduchý protokol obsahující základní instrukce pro: ukončení přenosu identifikaci jednotlivých dat fragmentace, typ

Pro aplikační vrstvu byl navržen jednoduchý protokol obsahující

11 Middleware index server Na základě dotazu od klienta najde ID příslušných dokumentů, načte data z databáze a ty vrátí klientovi. Index je uložen v paměti pro 50 tisíc stránek má cca 100 MB Akutálně používaný index - inverzní index stránek - obsahuje ID dokumentů + váhu slova dle Saltonova vzorce.

Index je uložen v paměti pro 50 tisíc stránek má cca 100 MB Akutálně

12 Middleware index server Zpracování dotazu Index server používá zjednodušený Booleovský model s absolutní shodou. dotaz je rozdělen na n slov s každé slovo s i odpovídá příslušné množině dokumentů S i Výsledná množina dokumentů V je průnikem monžin S i pro i = 1..n

dotaz je rozdělen na n slov s každé slovo s i odpovídá příslušné

13 Middleware rank server Podobný index serveru, pouze používá jinou datovou strukturu Od klienta obdrží ID stránky na základě kterého vyhledá příslušný rank. Umožňuje hromadné zpracování více ID.

obdrží ID stránky na základě kterého vyhledá

14 Uživatelské rozhraní WWW stránka generovaná z Pythonu pomocí Apache + mod_python Přijme dotaz od uživatele, komunikuje s index serverem a rank serverem, sestavuje výsledné pořadí stránek. Vyhodnocení experimentů umožňuje přepínat hodnotící funkci (utajeně) + vkládat zpětnou vazbu která hodnotící funkce je dle uživatele lepší.

15 Děkuji za pozornost. Dotazy?

Podobné dokumenty

Vývoj moderních technologií při vyhledávání. Patrik Plachý SEFIRA spol. s.r.o. plachy@sefira.cz

Vývoj moderních technologií při vyhledávání Patrik Plachý SEFIRA spol. s.r.o. plachy@sefira.cz INFORUM 2007: 13. konference o profesionálních informačních zdrojích Praha, 22. - 24.5. 2007 Abstrakt Vzhledem