Obtener recursos de información relevantes para una necesidad de información.
La recuperación de información ( RI ) en informática y ciencias de la información es la tarea de identificar y recuperar recursos del sistema de información que son relevantes para una necesidad de información . La necesidad de información se puede especificar en forma de consulta de búsqueda. En el caso de la recuperación de documentos, las consultas pueden basarse en texto completo u otra indexación basada en contenido. La recuperación de información es la ciencia [1] de buscar información en un documento, buscar documentos en sí y también buscar metadatos que describen datos y bases de datos de textos, imágenes o sonidos.
Los sistemas automatizados de recuperación de información se utilizan para reducir lo que se ha denominado sobrecarga de información . Un sistema IR es un sistema de software que brinda acceso a libros, revistas y otros documentos; también almacena y gestiona esos documentos. Los motores de búsqueda web son las aplicaciones de infrarrojos más visibles.
Descripción general
Un proceso de recuperación de información comienza cuando un usuario ingresa una consulta en el sistema. Las consultas son declaraciones formales de necesidades de información, por ejemplo, cadenas de búsqueda en motores de búsqueda web. En la recuperación de información, una consulta no identifica de forma única un único objeto de la colección. En cambio, varios objetos pueden coincidir con la consulta, quizás con diferentes grados de relevancia .
Un objeto es una entidad representada por información en una colección de contenido o base de datos . Las consultas de los usuarios se comparan con la información de la base de datos. Sin embargo, a diferencia de las consultas SQL clásicas de una base de datos, en la recuperación de información los resultados devueltos pueden coincidir o no con la consulta, por lo que los resultados normalmente se clasifican. Esta clasificación de resultados es una diferencia clave entre la búsqueda de recuperación de información y la búsqueda en bases de datos. [2]
Dependiendo de la aplicación, los objetos de datos pueden ser, por ejemplo, documentos de texto, imágenes, [3] audio, [4] mapas mentales [5] o vídeos. A menudo, los documentos en sí no se conservan ni almacenan directamente en el sistema de IR, sino que se representan en el sistema mediante sustitutos de documentos o metadatos .
La mayoría de los sistemas de IR calculan una puntuación numérica sobre qué tan bien coincide cada objeto en la base de datos con la consulta y clasifican los objetos de acuerdo con este valor. A continuación, se muestran al usuario los objetos mejor clasificados. Luego, el proceso puede repetirse si el usuario desea refinar la consulta. [6]
Historia
hay... una máquina llamada Univac... mediante la cual letras y cifras se codifican como un patrón de puntos magnéticos en una larga cinta de acero. De esta manera se puede grabar el texto de un documento, precedido por el símbolo del código de asunto... la máquina... selecciona y escribe automáticamente aquellas referencias que han sido codificadas de la manera deseada a una velocidad de 120 palabras por minuto.
—JE Holmstrom, 1948
La idea de utilizar computadoras para buscar información relevante se popularizó en el artículo As We May Think de Vannevar Bush en 1945. [7] Parecería que Bush se inspiró en las patentes de una "máquina estadística" presentadas por Emanuel Goldberg . en las décadas de 1920 y 1930, que buscaban documentos almacenados en películas. [8] La primera descripción de una computadora que buscaba información fue descrita por Holmstrom en 1948, [9] detallando una mención temprana de la computadora Univac . Los sistemas automatizados de recuperación de información se introdujeron en la década de 1950: uno incluso apareció en la comedia romántica de 1957, Desk Set . En la década de 1960, Gerard Salton formó el primer gran grupo de investigación sobre recuperación de información en Cornell. En la década de 1970, se había demostrado que varias técnicas de recuperación diferentes funcionaban bien en corpus de texto pequeños , como la colección Cranfield (varios miles de documentos). [7] Los sistemas de recuperación a gran escala, como el sistema Lockheed Dialog, comenzaron a utilizarse a principios de la década de 1970.
En 1992, el Departamento de Defensa de Estados Unidos, junto con el Instituto Nacional de Estándares y Tecnología (NIST), copatrocinaron la Conferencia de Recuperación de Textos (TREC) como parte del programa de textos TIPSTER. El objetivo de esto era investigar la comunidad de recuperación de información proporcionando la infraestructura necesaria para la evaluación de metodologías de recuperación de textos en una colección de textos muy grande. Esto catalizó la investigación sobre métodos que se amplían a grandes corpus. La introducción de motores de búsqueda web ha aumentado aún más la necesidad de sistemas de recuperación a gran escala.
Aplicaciones
Las áreas donde se emplean técnicas de recuperación de información incluyen (las entradas están en orden alfabético dentro de cada categoría):
Categorización de modelos IR (traducido de la entrada alemana, fuente original Dominik Kuropka)
Para recuperar eficazmente documentos relevantes mediante estrategias de IR, los documentos normalmente se transforman en una representación adecuada. Cada estrategia de recuperación incorpora un modelo específico para sus fines de representación documental. La imagen de la derecha ilustra la relación de algunos modelos comunes. En la imagen, los modelos se clasifican según dos dimensiones: la base matemática y las propiedades del modelo.
Primera dimensión: base matemática
Los modelos de teoría de conjuntos representan documentos como conjuntos de palabras o frases. Las similitudes generalmente se derivan de operaciones de teoría de conjuntos en esos conjuntos. Los modelos comunes son:
Los modelos algebraicos representan documentos y consultas normalmente como vectores, matrices o tuplas. La similitud del vector de consulta y del vector de documento se representa como un valor escalar.
Los modelos probabilísticos tratan el proceso de recuperación de documentos como una inferencia probabilística. Las similitudes se calculan como probabilidades de que un documento sea relevante para una consulta determinada. En estos modelos se utilizan a menudo teoremas probabilísticos como el teorema de Bayes .
Los modelos de recuperación basados en características ven los documentos como vectores de valores de funciones de características (o simplemente características ) y buscan la mejor manera de combinar estas características en una puntuación de relevancia única, generalmente aprendiendo a clasificar métodos. Las funciones de características son funciones arbitrarias de documento y consulta y, como tales, pueden incorporar fácilmente casi cualquier otro modelo de recuperación como una característica más.
Segunda dimensión: propiedades del modelo.
Los modelos sin interdependencias de términos tratan diferentes términos/palabras como independientes. Este hecho suele representarse en los modelos de espacio vectorial mediante el supuesto de ortogonalidad de los vectores de términos o en los modelos probabilísticos mediante un supuesto de independencia para las variables de términos.
Los modelos con interdependencias de términos inmanentes permiten una representación de interdependencias entre términos. Sin embargo, el grado de interdependencia entre dos términos lo define el propio modelo. Generalmente se deriva directa o indirectamente (por ejemplo, por reducción dimensional ) de la coexistencia de esos términos en todo el conjunto de documentos.
Los modelos con interdependencias de términos trascendentes permiten una representación de las interdependencias entre términos, pero no alegan cómo se define la interdependencia entre dos términos. Dependen de una fuente externa para determinar el grado de interdependencia entre dos términos. (Por ejemplo, un ser humano o algoritmos sofisticados).
Medidas de rendimiento y corrección.
La evaluación de un sistema de recuperación de información es el proceso de evaluar qué tan bien un sistema satisface las necesidades de información de sus usuarios. En general, la medición considera una colección de documentos a buscar y una consulta de búsqueda. Las métricas de evaluación tradicionales, diseñadas para la recuperación booleana [ se necesita aclaración ] o la recuperación top-k, incluyen precisión y recuperación . Todas las medidas asumen una noción de relevancia real : se sabe que cada documento es relevante o no relevante para una consulta en particular. En la práctica, las consultas pueden estar mal planteadas y pueden tener diferentes matices de relevancia.
Línea de tiempo
Antes del siglo XX
1801 : Joseph Marie Jacquard inventa el telar Jacquard , la primera máquina que utiliza tarjetas perforadas para controlar una secuencia de operaciones.
Década de 1880 : Herman Hollerith inventa un tabulador de datos electromecánico que utiliza tarjetas perforadas como medio legible por máquina.
Emanuel Goldberg presenta patentes para su "Máquina estadística", un motor de búsqueda de documentos que utiliza células fotoeléctricas y reconocimiento de patrones para buscar metadatos en rollos de documentos microfilmados.
Décadas de 1940 a 1950
Finales de la década de 1940 : El ejército estadounidense enfrentó problemas de indexación y recuperación de documentos de investigación científica en tiempos de guerra capturados a los alemanes.
1947 : Hans Peter Luhn (ingeniero de investigación en IBM desde 1941) comenzó a trabajar en un sistema mecanizado basado en tarjetas perforadas para buscar compuestos químicos.
Década de 1950 : La creciente preocupación en EE.UU. por una "brecha científica" con la URSS motivó, fomentó la financiación y proporcionó un telón de fondo para los sistemas mecanizados de búsqueda de literatura ( Allen Kent et al. ) y la invención del índice de citas por Eugene Garfield .
1950 : El término “recuperación de información” fue acuñado por Calvin Mooers . [10]
1951 : Philip Bagley realizó el primer experimento de recuperación de documentos computarizados en una tesis de maestría en el MIT . [11]
1955 : Allen Kent se unió a la Universidad Case Western Reserve y finalmente se convirtió en director asociado del Centro de Investigación de Documentación y Comunicaciones. Ese mismo año, Kent y sus colegas publicaron un artículo en American Documentation describiendo las medidas de precisión y recuperación, así como detallando un "marco" propuesto para evaluar un sistema de IR que incluía métodos de muestreo estadístico para determinar la cantidad de documentos relevantes no recuperados. [12]
1958 : La Conferencia Internacional sobre Información Científica de Washington DC incluyó la consideración de los sistemas IR como solución a los problemas identificados. Ver: Actas de la Conferencia Internacional sobre Información Científica, 1958 (Academia Nacional de Ciencias, Washington, DC, 1959)
1959 : Hans Peter Luhn publica "Codificación automática de documentos para la recuperación de información".
Década de 1960 :
Principios de la década de 1960 : Gerard Salton comenzó a trabajar en relaciones internacionales en Harvard y luego se mudó a Cornell.
1960 : Melvin Earl Maron y John Lary Kuhns [13] publicaron "Sobre relevancia, indexación probabilística y recuperación de información" en el Journal of the ACM 7(3):216–244, julio de 1960.
1962 :
Cyril W. Cleverdon publicó los primeros hallazgos de los estudios de Cranfield y desarrolló un modelo para la evaluación del sistema IR. Ver: Cyril W. Cleverdon, "Informe sobre las pruebas y análisis de una investigación sobre la eficiencia comparativa de los sistemas de indexación". Colección Cranfield de Aeronáutica, Cranfield, Inglaterra, 1962.
Kent publicó Análisis y recuperación de información .
1963 :
El informe de Weinberg "Ciencia, gobierno e información" expresa plenamente la idea de una "crisis de la información científica". El informe lleva el nombre del Dr. Alvin Weinberg .
Joseph Becker y Robert M. Hayes publicaron un texto sobre recuperación de información. Becker, José; Hayes, Robert Mayo. Almacenamiento y recuperación de información: herramientas, elementos, teorías . Nueva York, Wiley (1963).
La Oficina Nacional de Normas patrocinó un simposio titulado "Métodos de asociación estadística para documentación mecanizada". Varios artículos muy importantes, incluida la primera referencia publicada (creemos) de G. Salton al sistema SMART .
1965 : JCR Licklider publica Bibliotecas del futuro .
1966 : Don Swanson participó en estudios en la Universidad de Chicago sobre requisitos para catálogos futuros.
Finales de los años 1960 : F. Wilfrid Lancaster completó estudios de evaluación del sistema MEDLARS y publicó la primera edición de su texto sobre recuperación de información.
1968 :
Gerard Salton publicó Organización y recuperación automática de información .
El informe técnico RADC de John W. Sammon, Jr. "Algunas matemáticas del almacenamiento y recuperación de información ..." describió el modelo vectorial.
1969 : "Un mapeo no lineal para el análisis de estructuras de datos Archivado el 8 de agosto de 2017 en Wayback Machine " de Sammon (IEEE Transactions on Computers) fue la primera propuesta de interfaz de visualización para un sistema de infrarrojos.
década de 1970
principios de los años 1970 :
Primeros sistemas en línea: AIM-TWX y MEDLINE de NLM; Diálogo de Lockheed; ÓRBITA DE LA COSUDE.
1971 : Nicholas Jardine y Cornelis J. van Rijsbergen publicaron "El uso del agrupamiento jerárquico en la recuperación de información", que articuló la "hipótesis del clúster". [14]
1975 : Tres publicaciones muy influyentes de Salton articularon plenamente su marco de procesamiento de vectores y su modelo de discriminación de términos :
Una teoría de la indexación (Sociedad de Matemáticas Industriales y Aplicadas)
Una teoría de la importancia de los términos en el análisis automático de texto ( JASIS v.26)
Un modelo de espacio vectorial para indexación automática ( CACM 18:11)
1979 : CJ van Rijsbergen publica Recuperación de información (Butterworths). Gran énfasis en los modelos probabilísticos.
1979 : Tamas Doszkocs implementó la interfaz de usuario en lenguaje natural CITE para MEDLINE en la Biblioteca Nacional de Medicina. El sistema CITE admitía la entrada de consultas de forma libre, la salida clasificada y la retroalimentación de relevancia. [15]
década de 1980
1980 : Primera conferencia internacional ACM SIGIR, conjunta con el grupo IR de la British Computer Society en Cambridge.
1982 : Nicholas J. Belkin , Robert N. Oddy y Helen M. Brooks propusieron el punto de vista ASK (Estado anómalo del conocimiento) para la recuperación de información. Este era un concepto importante, aunque su herramienta de análisis automatizado resultó finalmente decepcionante.
1983 : Salton (y Michael J. McGill) publicaron Introducción a la recuperación de información moderna (McGraw-Hill), con gran énfasis en los modelos vectoriales.
1985 : David Blair y Bill Maron publican: Una evaluación de la eficacia de la recuperación para un sistema de recuperación de documentos de texto completo
Mediados de la década de 1980 : Esfuerzos para desarrollar versiones para el usuario final de sistemas IR comerciales.
1985-1993 : artículos clave sobre sistemas experimentales para interfaces de visualización.
Obra de Donald B. Crouch, Robert R. Korfhage , Matthew Chalmers, Anselm Spoerri y otros.
1997 : Publicación de Information Storage and Retrieval [16] de Korfhage con énfasis en visualización y sistemas de puntos de referencia múltiple.
1999 : Publicación de Modern Information Retrieval de Ricardo Baeza-Yates y Berthier Ribeiro-Neto de Addison Wesley, el primer libro que intenta abarcar todas las RI.
Finales de la década de 1990 : Implementación de motores de búsqueda web de muchas funciones que antes sólo se encontraban en sistemas de infrarrojos experimentales. Los motores de búsqueda se convierten en la instanciación más común y quizás la mejor de los modelos IR.
Grandes conferencias
SIGIR: Conferencia sobre Investigación y Desarrollo en Recuperación de Información
Escuela europea de verano en recuperación de información : ESSIR promueve la investigación, la innovación y el desarrollo de sistemas de acceso a la información educando a investigadores, estudiantes, profesionales y desarrolladores junior y senior sobre los últimos avances en el campo, tanto metodológicos como tecnológicos.Páginas que muestran descripciones de wikidata como alternativa
Búsqueda de información social : campo de investigación que implica estudiar situaciones, motivaciones y métodos para las personas que buscan y comparten información en sitios sociales participativos en línea.Páginas que muestran descripciones de wikidata como alternativa
Visualización del conocimiento : conjunto de técnicas para crear imágenes, diagramas o animaciones para comunicar un mensaje.Páginas que muestran descripciones breves de los objetivos de redireccionamiento
tf–idf – Estimación de la importancia de una palabra en un documento
Recuperación XML : recuperación basada en contenido de documentos XML
Minería web : proceso de extracción y descubrimiento de patrones en grandes conjuntos de datosPáginas que muestran descripciones breves de los objetivos de redireccionamiento
Referencias
^ Luk, RWP (2022). "¿Por qué la recuperación de información es una disciplina científica?". Fundamentos de la ciencia . 27 (2): 427–453. doi :10.1007/s10699-020-09685-x. hdl : 10397/94873 . S2CID 220506422.
^ Jansen, BJ y Rieh, S. (2010) Los diecisiete constructos teóricos de la búsqueda y recuperación de información Archivado el 4 de marzo de 2016 en Wayback Machine . Revista de la Sociedad Estadounidense de Ciencias y Tecnología de la Información. 61(8), 1517-1534.
^ Goodrum, Abby A. (2000). "Recuperación de información de imágenes: una descripción general de la investigación actual". Informar la ciencia . 3 (2).
^ Foote, Jonathan (1999). "Una descripción general de la recuperación de información de audio". Sistemas Multimedia . 7 : 2–10. CiteSeerX 10.1.1.39.6339 . doi :10.1007/s005300050106. S2CID 2000641.
^ Beel, Jöran; Gipp, Bela; Stiller, Jan-Olaf (2009). Recuperación de información en mapas mentales: ¿para qué podría servir? Actas de la Quinta Conferencia Internacional sobre Computación Colaborativa: Redes, Aplicaciones y Trabajo Compartido (CollaborateCom'09). Washington, DC: IEEE. Archivado desde el original el 13 de mayo de 2011 . Consultado el 13 de marzo de 2012 .
^ Frakes, William B.; Baeza-Yates, Ricardo (1992). Algoritmos y estructuras de datos de recuperación de información. Prentice-Hall, Inc. ISBN978-0-13-463837-9. Archivado desde el original el 28 de septiembre de 2013.
^ ab Singhal, Amit (2001). "Recuperación de información moderna: una breve descripción" (PDF) . Boletín del Comité Técnico de Ingeniería de Datos del IEEE Computer Society . 24 (4): 35–43.
^ Mark Sanderson y W. Bruce Croft (2012). "La historia de la investigación de recuperación de información". Actas del IEEE . 100 : 1444-1451. doi : 10.1109/jproc.2012.2189916 .
^ JE Holmstrom (1948). "'Sección III. Sesión Plenaria de Apertura". Conferencia de información científica de la Royal Society, 21 de junio-2 de julio de 1948: informe y artículos presentados : 85.
^ Mooers, Calvin N.; La teoría del manejo digital de información no numérica y sus implicaciones para la economía de las máquinas (Zator Technical Bulletin No. 48), citado en Fairthorne, RA (1958). "Recuperación automática de información registrada". La revista informática . 1 (1): 37. doi : 10.1093/comjnl/1.1.36 .
^ Doyle, Lauren; Becker, José (1975). Recuperación y procesamiento de información . Melville. págs.410 págs. ISBN978-0-471-22151-7.
^ Perry, James W.; Kent, Allen; Berry, Madeline M. (1955). "Búsqueda de literatura automática X. Lenguaje de máquina; factores subyacentes a su diseño y desarrollo". Documentación americana . 6 (4): 242–254. doi :10.1002/asi.5090060411.
^ Marón, Melvin E. (2008). "Una nota histórica sobre los orígenes de la indexación probabilística" (PDF) . Procesamiento y Gestión de la Información . 44 (2): 971–972. doi :10.1016/j.ipm.2007.02.012.
^ N. Jardine, CJ van Rijsbergen (diciembre de 1971). "El uso de agrupamiento jerárquico en la recuperación de información". Almacenamiento y recuperación de información . 7 (5): 217–240. doi :10.1016/0020-0271(71)90051-9.
^ Doszkocs, TE y Rapp, BA (1979). "Búsqueda en MEDLINE en inglés: un prototipo de interfaz de usuario con consulta en lenguaje natural, resultados clasificados y comentarios de relevancia", en: Actas de la reunión anual de ASIS, 16: 131-139.
^ Korfhage, Robert R. (1997). Almacenamiento y recuperación de información . Wiley. págs.368 págs. ISBN978-0-471-14338-3.
Otras lecturas
Ricardo Baeza-Yates, Berthier Ribeiro-Neto. Recuperación de información moderna: los conceptos y la tecnología detrás de la búsqueda (segunda edición) Archivado el 18 de septiembre de 2017 en Wayback Machine . Addison-Wesley, Reino Unido, 2011.
Stefan Büttcher, Charles LA Clarke y Gordon V. Cormack. Recuperación de información: implementación y evaluación de motores de búsqueda Archivado el 5 de octubre de 2020 en Wayback Machine . Prensa del MIT, Cambridge, Massachusetts, 2010.
"Sistema de recuperación de información". Red de bibliotecas y ciencias de la información . 24 de abril de 2015. Archivado desde el original el 11 de mayo de 2020 . Consultado el 3 de mayo de 2020 .
Christopher D. Manning, Prabhakar Raghavan y Hinrich Schütze. Introducción a la recuperación de información. Prensa de la Universidad de Cambridge, 2008.
Sí, Shin Joung. (2023) Detrás del cuadro de búsqueda: Google y la industria global de Internet (U of Illinois Press, 2023) ISBN 10:0252087127 en línea
enlaces externos
Wikiquote tiene citas relacionadas con la recuperación de información .
Wikimedia Commons tiene medios relacionados con la recuperación de información .
ACM SIGIR: Grupo de interés especial en recuperación de información
BCS IRSG: Sociedad Británica de Computación - Grupo de especialistas en recuperación de información
Conferencia de recuperación de texto (TREC)
Foro para la Evaluación de la Recuperación de Información (FIRE)