BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC LẠC HỒNG
***
TRƯƠNG THỊ QUỲNH HƯƠNG
XÂY DỰNG GIẢI PHÁP ĐỂ THIẾT KẾ CÔNG CỤ ĐÁNH
GIÁ SỰ TƯƠNG ĐỒNG VỀ NỘI DUNG CỦA HAI TÀI LIỆU
VĂN BẢN TIẾNG VIỆT
LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN
Đồng Nai – 2013
BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC LẠC HỒNG
***
TRƯƠNG THỊ QUỲNH HƯƠNG
XÂY DỰNG GIẢI PHÁP ĐỂ THIẾT KẾ CÔNG CỤ ĐÁNH
GIÁ SỰ TƯƠNG ĐỒNG VỀ NỘI DUNG CỦA HAI TÀI LIỆU
VĂN BẢN TIẾNG VIỆT
Chuyên ngành: CÔNG NGHỆ THÔNG TIN
Mã số: 60.48.01
LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN
NGƯỜI HƯỚNG DẪN KHOA HỌC
PGS.TS. TRẦN VĂN LĂNG
Đồng Nai – 2013
LỜI CAM ĐOAN
Tôi xin cam đoan đây là kết quả công trình nghiên cứu của bản thân,
không sao chép của người khác. Các số liệu, kết quả trình bày trong luận văn này
là trung thực. Tất cả những tài liệu tham khảo đều có xuất xứ rõ ràng và được
trích dẫn hợp pháp.
Tôi xin chịu hoàn toàn trách nhiệm cho lời cam đoan của mình.
Học viên
Trương Thị Quỳnh Hương
LỜI CẢM ƠN
Em xin bày tỏ lòng thành kính và biết ơn sâu sắc đến thầy PGS.TS.Trần
Văn Lăng đã nhiệt tình hướng dẫn, chỉ bảo em trong suốt quá trình thực hiện
luận văn này.
Em xin chân thành cảm ơn Quý thầy cô Khoa Công nghệ thông tin trường
Đại học Lạc Hồng đã tạo điều kiện thuận lợi cho em trong suốt thời gian học tập
và nghiên cứu tại trường.
Xin cảm ơn các anh chị em, bạn bè, đồng nghiệp đã giúp đỡ và động viên
rất nhiều trong quá trình em thực hiện luận văn này.
Xin cảm ơn cha mẹ, anh chị em và những người thân đã và luôn là chỗ
dựa tinh thần, là nguồn động lực to lớn để em vượt qua những khó khăn trong
quá trình thực hiện luận văn này.
Xin chân thành cảm ơn!
Đồng Nai, ngày 2 tháng 12 năm 2013
Học viên
Trương Thị Quỳnh Hương
MỤC LỤC
LỜI CAM ĐOAN
LỜI CẢM ƠN
MỤC LỤC
DANH MỤC HÌNH
DANH MỤC BẢNG
DANH MỤC CÁC TỪ VIẾT TẮT
MỞ ĐẦU ........................................................................................................... 1
CHƯƠNG 1: TỔNG QUAN ............................................................................ 3
1.1 Giới thiệu hệ tìm kiếm thông tin ......................................................................... 3
1.1.1 Kỹ thuật tìm kiếm thông tin ......................................................................... 3
1.1.2 Một số vấn đề trong tìm kiếm thông tin ....................................................... 4
1.1.3 Hệ thống tìm kiếm thông tin – IRS .............................................................. 5
1.2 Sự khác biệt giữa các hệ thống IR và các hệ thống thông tin khác ................. 11
1.3 Các hệ tìm kiếm văn bản thường được sử dụng hiện nay ............................... 13
CHƯƠNG 2: MỘT SỐ KỸ THUẬT TÌM KIẾM VÀ SO SÁNH VĂN BẢN
THEO NỘI DUNG ......................................................................................... 15
2.1 Các truy vấn Boolean và chỉ mục tài liệu ......................................................... 15
2.1.1 Truy vấn Boolean ..................................................................................... 15
2.1.2 Cấu trúc tệp ............................................................................................. 16
2.1.3 Các từ dừng và từ gốc............................................................................... 18
2.1.4 Chỉ số hoá và bổ sung ............................................................................... 19
2.1.5 Kỹ thuật nén chỉ số (index compression) ................................................... 21
2.1.6 Chỉ mục tự động ....................................................................................... 23
2.2 Thước đo hiệu năng ......................................................................................... 25
2.3 Mô hình truy tìm không gian vectơ .................................................................. 29
2.4 Mô hình truy tìm theo xác suất ........................................................................ 31
2.5 Mô hình truy tìm trên cơ sở cụm ...................................................................... 32
2.6 Kỹ thuật phản hồi phù hợp ............................................................................... 33
2.7 Mô hình LSI (Latent semantic indexing).......................................................... 35
2.7.1 Ý tưởng cơ bản của LSI ....................................................................... 35
2.7.2 Một số khái niệm cơ bản ...................................................................... 37
2.7.3 Kỹ thuật SVD (singular value decomposition) ........................................ 39
CHƯƠNG 3: XÂY DỰNG CHƯƠNG TRÌNH THỰC NGHIỆM............... 51
3.1 Giới thiệu bài toán ........................................................................................... 51
3.2 Chức năng chương trình .................................................................................. 52
3.3 Quy trình phát triển ứng dụng ......................................................................... 52
3.3.1 Xây dựng ma trận Term – Doc ................................................................ 52
3.3.2 Lập chỉ mục tài liệu ................................................................................. 52
3.3.3 Xây dựng ma trận trọng số ...................................................................... 53
3.3.4 Phương pháp LSI..................................................................................... 53
4.2 Cài đặt thử nghiệm .......................................................................................... 54
4.3 Hoạt động cơ bản của chương trình ................................................................. 54
KẾT LUẬN ..................................................................................................... 56
TÀI LIỆU THAM KHẢO
DANH MỤC HÌNH
Hình 1.1. Mô hình tổng quát tìm kiếm thông tin ........................................................ 6
Hình 1.2. Tiến trình truy vấn tài liệu cơ sở ......................................... ...................... 8
Hình 1.3. Mô hình kiến trúc của hệ tìm kiếm thông tin ..............................................9
Hình 1.4. Cấu trúc hệ tìm kiếm thông tin tiêu biểu............................................... ... 10
Hình 2.1 Sơ đồ duy trì các chỉ số trong tập hợp động ............................................ 20
Hình 2.2 Mô tả recall ............................................................................................ 26
Hình 2.3 Mô tả Precision....................................................................................... 27
Hình 2.4 Đồ thị so sánh hiệu năng ......................................................................... 28
Hình 2.5 Sử dụng các khái niệm cho truy vấn ........................................................ 35
Hình 2.6 Biểu đồ 2-D của 12 thuật ngữ và 9 tài liệu từ tập mẫu ............................ 41
Hình 2.7 Sơ đồ SVD của một ma trận hình chữ nhật thuật ngữ- tài liệu ................. 42
Hình 2.8 Sơ đồ của SVD được giảm lược của một ma trận thuật ngữ-tài liệu ........ 44
Hình 2.9 Đồ thị Recall - Precision của thuật toán LSI ........................................... 50
Hình 3.1 Giao diện chính của chương trình .......................................................... 54
Hình 3.2 Giao diện chức năng cấu hình ................................................................ 55
Hình 3.3 Giao diện tìm kiếm theo mô hình LSI ..................................................... 55
DANH MỤC BẢNG
Bảng 1.1: So sánh IRS với các hệ thống thông tin khác ......................................... 13
Bảng 2.1 Kết quả recall và precision ..................................................................... 29
Bảng 2.2 Số lần xuất hiện của thuật ngữ trong mỗi tài liệu.................................... 40
DANH MỤC CÁC TỪ VIẾT TẮT
Ký hiệu
Tiếng Anh
Tiếng Việt
viết tắt
DBMS
Database Management System
Hệ quản trị cơ sở dữ liệu
DSS
Decision Support Systems
Hệ hỗ trợ ra quyết định
IMS
Information Management System
Hệ quản lý thông tin
IR
Information retrieval
Truy tìm thông tin
LSI
Latent Semantic Indexing
Chỉ số hóa ngữ nghĩa ẩn
QAS
Question Anser System
Hệ trả lời câu hỏi
SVD
Singular Value Decomposition
Kỹ thuật tách giá trị đơn
1
MỞ ĐẦU
Đặt vấn đề
Ngày nay máy tính đã được sử dụng trong mọi lĩnh vực của đời sống, vì vậy
kho thông tin trong máy tính tăng trưởng không ngừng và thật khó khăn cho công
tác tìm kiếm (nhất là tìm kiếm trên các file văn bản). Chính vì thế cần có các hệ
thống tìm kiếm thông tin (Information Retrieval) hỗ trợ người dùng tìm kiếm một
cách chính xác và nhanh chóng các thông tin mà họ cần trên kho tư liệu khổng lồ
này.
Hiện nay có một số hệ thống tìm kiếm như GoogleDesktop, DTSearch,
Lucene, tuy nhiên các hệ thống này sử dung các kỹ thuật tìm kiếm đơn giản nên hiệu
quả còn chưa cao. Vì vậy mục tiêu của luận văn này nhằm tìm hiểu một số giải pháp
tìm kiếm thông tin, cụ thể ở đây là tìm kiếm văn bản theo nội dung trong một cơ sở
dữ liệu nhằm đánh giá sự tương đồng về nội dung của hai tài liệu văn bản tiếng Việt.
Mục đích của luận văn
Mục đích của luận văn là nghiên cứu các phương pháp tìm kiếm văn bản và tìm
cách ứng dụng mô hình mô hình LSI (Latent semantic indexing) để giải quyết bài
toán này. Trên cơ sở đó thiết kế công cụ đánh giá sự tương đồng về nội dung của hai
tài liệu văn bản tiếng Việt
Phương pháp nghiên cứu
Để thực hiện đề tài này, đầu tiên cần nghiên cứu tổng quan tình hình trong và
ngoài nước về vấn đề tìm kiếm tài liệu. Sau khi đã có cái nhìn tổng quan về hiện trạng
giải quyết vấn đề này thì lựa chọn hướng giải quyết hợp lý nhất và đi vào nghiên cứu các
lý thuyết chuyên sâu. Trong đề tài này cần nghiên cứu các thuật toán tìm kiếm và so
sánh mẫu văn bản theo nội dung, lập chỉ mục tài liệu và tìm kiếm không gian vector.
Sau khi nắm rõ các cơ sở lý thuyết đề tài sẽ xây dựng một chương trình để thử nghiệm
đánh giá tính đúng đắn của các lý thuyết đã nêu.
Nội dung của luận văn
2
Cấu trúc luận văn gồm phần mở đầu, kết luận,tài liệu tham khảo và phần nội dung gồm
ba chương và được trình bày theo thứ tự sau:
Chương 1: TỔNG QUAN
Giới thiệu về hệ thống tìm kiếm thông tin, sự khác biệt giữa các hệ thống tìm kiếm
thông tin và các hệ thống khác, các hệ tìm kiếm văn bản thường được sử dụng hiện nay
Chương 2: MỘT SỐ KỸ THUẬT TÌM KIẾM VÀ SO SÁNH VĂN BẢN THEO
NỘI DUNG
Đề cập đến vấn đề chỉ mục tài liệu và thước đo hiệu năng. Nghiên cứu một số mô
hình tìm kiếm như: Boolean, không gian vectơ, phân cụm, dựa trên xác suất, phản hồi
phù hợp và LSI.
Chương 3: XÂY DỰNG CHƯƠNG TRÌNH THỰC NGHIỆM
Chương này phát triển chương trình thử nghiệm áp dụng kỹ thuật chỉ mục và kỹ
thuật tìm kiếm văn bản theo nội dung
3
CHƯƠNG 1: TỔNG QUAN
1.1 Giới thiệu hệ tìm kiếm thông tin (Đặng Văn Đức, 2004, Chương 1)
1.1.1 Kỹ thuật tìm kiếm thông tin
Kỹ thuật truy vấn tài liệu văn bản được gọi chung là kỹ thuật tìm kiếm thông
tin (IR – Information Retrieval). Kỹ thuật IR trong hệ thống đa phương tiện rất quan
trọng vì hai lý do chính sau đây:
• Đang tồn tại số lượng lớn tài liệu văn bản trong các thư viện. Mà văn bản là
tài nguyên rất quan trọng đối với các cơ quan tổ chức. Do đó cần có IR đủ
tốt để sử dụng có hiệu quả các thông tin lưu trữ trong các tài liệu.
• Văn bản được sử dụng để mô tả các media khác như video, audio, ảnh để có
thể sử dụng các kỹ thuật IR qui ước vào việc truy vấn các thông tin đa
phương tiện.
Hai nhiệm vụ chính của thiết kế hệ thống IR nhằm giải quyết vấn đề sau:
• Trình diễn và truy vấn tài liệu như thế nào?
• So sánh tính tương đồng giữa các tài liệu và biểu diễn truy vấn ra sao?
Các mô hình truy vấn sẽ xác định hai khía cạnh này. Có bốn mô hình truy vấn hay
được sử dụng, đó là:
• Đối sánh chính xác (exact match),
• Không gian vector,
• Xác suất
• Trên cơ sở cụm (cluster-based).
Trong kỹ thuật đối sánh chính xác (hoàn toàn), mô hình Boolean hay được sử
dụng nhất.
Mặc dù các mô hình truy vấn khác nhau, sử dụng sự trình diễn và chỉ mục tài
4
liệu khác nhau, nhưng nói chung tiến trình chỉ mục được sử dụng trong chúng là
tương tự nhau. Để nâng cao hiệu năng truy vấn, việc xử lý ngôn ngữ tự nhiên và các kỹ
thuật trí tuệ nhân tạo được áp dụng.
Vì tính nhập nhằng và tồn tại nhiều biến thể của ngôn ngữ tự nhiên, cho nên
hầu như không thể truy vấn mọi tài liệu ( items) liên quan hay loại đi mọi tài liệu
không liên quan. Do vậy, thước đo hiệu năng IR là rất quan trọng.
Các kỹ thuật IR rất phổ biến vì nó được sử dụng trong các môtơ tìm kiếm của
WWW.
1.1.2 Một số vấn đề trong tìm kiếm thông tin
Kể từ những năm 40, các vấn đề trong việc lưu trữ thông tin và tìm kiếm
thông tin đã thu hút sự chú ý rất lớn. Với một lượng thông tin khổng lồ thì việc tìm
kiếm chính xác và nhanh chóng càng trở nên khó khăn hơn. Với sự ra đời của máy
tính, rất nhiều ý tưởng lớn được đưa ra nhằm cung cấp một hệ thống tìm kiếm thông
minh và chính xác. Tuy nhiên, vấn đề tìm kiếm sao cho hiệu quả vẫn chưa được giải
quyết.
Về nguyên tắc, việc lưu trữ thông tin và tìm kiếm thông tin thì đơn giản. Giả sử
có một kho chứa các tài liệu và một người muốn tìm các tài liệu liên quan đến yêu
cầu của mình. Người đó có thể đọc tất cả các tài liệu trong kho, giữ lại các tài liệu
liên quan và bỏ đi các tài liệu không liên quan. Rõ ràng giải pháp này không thực tế
bởi vì tốn rất nhiều thời gian.
Với sự ra đời của máy vi tính tốc độ cao, máy tính có thể “đọc” thay cho con
người để trích ra các tài liệu có liên quan trong toàn bộ tập dữ liệu. Tuy nhiên vấn đề
lúc này là làm sao để xác định được tài liệu nào liên quan đến yêu cầu của người sử
dụng. Do đó, mục tiêu của một hệ thống tìm kiếm thông tin tự động là truy tìm được
tất cả các tài liệu có liên quan đến yêu cầu của người sử dụng.
1.1.3 Hệ thống tìm kiếm thông tin – IRS
Các h ệ thống tự động tìm kiếm thông tin (IR - Information Retrieval) đã
5
được phát triển để quản lý khối lượng lớn tài liệu từ những năm 40 của thế kỷ XX.
Chức năng chính của hệ thống IR là lưu trữ và quản trị khối lượng văn bản lớn theo
cách sao cho dễ dàng truy vấn (query) tài liệu mà người sử dụng quan tâm. Chú ý
rằng đồng nghĩa với IR là text IR dù rằng ý nghĩa đầy đủ của khái niệm IR là đề cập
đến tìm kiếm bất kỳ loại thông tin nào.
Sau đây là định nghĩa về hệ thống tìm kiếm thông tin của một số tác giả:
Salton (1989):
“Hệ thống tìm kiếm thông tin xử lý các tập tin lưu trữ và những yêu cầu về thông
tin, xác định và tìm từ các tập tin những thông tin phù hợp với những yêu cầu về
thông tin. Việctìm kiếm những thông tin đặc thù phụ thuộc vào sự tương tự giữa
các thông tin được lưu trữ và các yêu cầu, được đánh giá bằng các h so sánh các giá trị
của các thuộc tính đối với thông tin được lưu trữ và các yêu cầu về thông tin.”
Kowalski (1997) :
“Hệ thống tìm kiếm thông tin là một hệ thống có khả năng lưu trữ, tìm kiếm và duy trì
thông tin. Thông tin trong những trường hợp này có thể bao gồm văn bản, hình ảnh,
âm thanh, video và những đối tượng đa phương tiện khác.”
Tìm kiếm thông tin là lĩnh vực nghiên cứu nhằm tìm ra các giải pháp giúp
người sử dụng có thể tìm thấy các thông tin mình cần trong một khối lượng lớn dữ
liệu. Nhiệm vụ của một hệ thống tìm kiếm thông tin tương tự như nhiệm vụ tổ chức
phân loại tài liệu và phục vụ việc tra cứu của một thư viện. Một hệ thống tìm kiếm
thông tin có hai chức năng chính: lập chỉ mục (indexing) và tra cứu (interrogation).
Lập chỉ mục là giai đoạn phân tích tài liệu (document) để xác định các chỉ
mục (term/index term) biểu diễn nội dung của tài liệu. Việc lập chỉ mục có thể dựa
vào một cấu trúc phân lớp có sẵn (control vocabulary) như cách làm của các nhân
viên thư viện, phân loại tài liệu theo một bộ phân loại cho trước. Các chỉ mục trong
cách làm này là tồn tại trước và độc lập với tài liệu. Cách thứ hai để lập chỉ mục là
rút trích các chỉ mục từ chính nội dung của tài liệu (free text). Trong luận văn này
tác giả chỉ đề cập đến cách thứ hai này. Cuối giai đoạn lập chỉ mục nội dung của các
6
tài liệu có trong kho tài liệu (corpus) được biểu diễn bằng tập các chỉ mục.
Mô hình tổng quát tìm kiếm thông tin:
Hình 1.1 Mô hình tổng quát tìm kiếm thông tin
Mô hình 1.1 gồm 4 thành phần:
• Mô hình yêu cầu: Sử dụng để biểu diễn yêu cầu của người sử dụng.
• Mô hình tài liệu: Biểu diễn trừu tượng tài liệu thực và nội dung của chúng.
• Hàm ánh xạ (đối sánh) : Xác đ ịn h sự phù hợp của hệ thống đối với yêu cầu.
• Tri thức: Biểu diễn các tri thức để mô tả ngữ nghĩa thuộc lĩnh vực tài liệu.
Biểu diễn hình thức:
D – Biểu diễn các tài liệu Docs
Q – Biểu diễn câu truy vấn Query (yêu cầu)
7
F- Khung mô hình hóa của D, Q và quan hệ giữa chúng
R(q, di) – Hàm đối sánh hay xếp hạng
Quy trình của hệ thống tìm kiếm thông tin như sau:
+ Người sử dụng muốn xem tài liệu liên quan đến một chủ đề nào đó.
+ Người sử dụng cung cấp mô tả về tài liệu muốn xem dưới dạng câu truy vấn.
+ Từ câu truy vấn này hệ thống lọc ra những cụm từ và chỉ mục của tài liệu đã
được xử lý trước đó.
+ Những tài liệu nào liên quan cao nhất với mô tả sẽ được trả về cho người sử
dụng.
Mục đích của IR là hiển thị một tập thông tin thỏa mãn nhu cầu của người sử
dụng. Chúng ta định nghĩa thông tin yêu cầu là câu truy vấn (Query), thông tin tìm
được là tài liệu (Document). Mục đích của hệ thống IR là tự động tìm kiếm các tài
liệu bằng cách kiểm tra độ tương quan giữa câu truy vấn và đặc trưng của tài liệu.
Kết quả thành công khi kết quả trả về của hệ thống phù hợp với yêu cầu của câu
truy vấn.
Hệ thống IR gồm các bản ghi không có cấu trúc. Chúng không chứa các
thuộc tính cố định. Nó chỉ đơn thuần là tài liệu văn bản. Các tài liệu này có thể chỉ
mục bằng các từ khóa, bộ mô tả tài liệu, hay các thuật ngữ (term) chỉ mục. Mỗi
thuật ngữ chỉ mục được sử dụng để mô tả nội dung văn bản chỉ theo một khía cạnh
nào đó, không đầy đủ và không rõ ràng cho toàn bộ nội dung văn bản. Nhiều thuật
ngữ chỉ mục được gắn theo tài liệu hay văn bản cụ thể. Bởi vì các thao tác truy vấn
văn bản phụ thuộc trực tiếp vào nội dung đại diện, sử dụng để mô tả các bản ghi lưu
trữ, do vậy cần phải có nhiều cố gắng để tập trung vào phân tích nội dung của các
tài liệu lưu trữ và vấn đề sinh từ khóa, chỉ mục.
Ở đây, sẽ không thực tế nếu coi trọng truy vấn trên cơ sở đối sánh chính xác giữa
8
câu truy vấn và các thuật ngữ tài liệu để tìm ra tài liệu kết quả. Thay vì, truy vấn các mục
liên quan với đủ mức độ tương đồng giữa tập thuật ngữ gắn theo câu truy vấn và tài liệu,
được sinh ra bởi phương pháp xấp xỉ hay đối sánh từng phần. Hơn nữa cùng thuật ngữ có
thể có nhiều ý nghĩa khác nhau.
Hình 1.2 Tiến trình truy vấn tài liệu cơ sở
Phía phải hình 1.2 chỉ ra rằng các tài liệu được xử lý off-line để có đại diện
(mô tả). Các đại diện này được lưu trữ cùng với các tài liệu.
Phía trái hình 1.2 chỉ ra quá trình truy vấn. Người sử dụng đưa ra câu truy
vấn và được xử lý on-line để có đại diện của mình. Sau đó đối sánh đại diện truy
vấn với đại diện tài liệu. Các tài liệu được xem như tương đồng sẽ được trình diễn cho
người sử dụng. Họ đá nh giá tài liệu cho lại và quyết định tài liệu nào thực sự tương
đồng với thông tin họ cần. Một hệ thống IR tốt cần phải cho phép người sử dụng cung
cấp phản hồi thích hợp cho hệ thống. Hệ thống sử dụng thông tin này để điều chỉnh
truy vấn, đại diện truy vấn, hoặc/và đại diện tài liệu. Tìm kiếm khác tiếp theo được
thực hiện trên cơ sở câu truy vấn đại diện tài liệu đã hiệu chỉnh. Nếu cần, tiến trình
9
phản hồi tìm kiếm được thực hiện lặp vài lần. Chú ý rằng, không phải tất cả các hệ
thống IR đều có tiến trình phản hồi thích hợp.
Các mô hình IR khác n h a u s ử dụng các phương pháp khác nhau trong đại diện
truy vấn và đại diện tài liệu, đối sánh tương đồng hoặc/và phản hồi thích hợp.
Kiến trúc của hệ tìm kiếm thông tin:
Hình 1.3. Mô hình kiến trúc của hệ tìm kiếm thông tin
10
Hình 1.4 Cấu trúc hệ tìm kiếm thông tin tiêu biểu
Hệ thống tìm kiếm thông tin gồm có 3 bộ phận chính: bộ phận phân tích văn
bản, bộ phận lập chỉ mục, bộ phận so khớp và sắp xếp các tài liệu trả về.
(1) Bộ phận phân tích văn bản: bộ phận này có nhiệm vụ phân tích các văn
bản thu thập được thành các từ riêng biệt. Tương tự, khi người dùng nhập câu truy
vấn thì câu truy vấn cũng được phân tích thành các từ riêng biệt.
(2) Bộ phận lập chỉ mục: các từ trích được từ các văn bản thu thập được sẽ
được bộ phận này lựa chọn để làm các từ chỉ mục. Các từ chỉ mục phải là các từ thể
hiện được nội dung của văn bản. Hai bộ phận phân tích văn bản và lập chỉ mục
thường đi liền với nhau và thường chỉ gọi là bộ phận lập chỉ mục
(3) Bộ phận so khớp và sắp xếp các tài liệu trả về: Các từ trích được từ câu
truy vấn và các từ chỉ mục của văn bản sẽ được so khớp với nhau để tìm ra các tài
liệu liên quan đến câu truy vấn. Mỗi tài liệu có một độ tương quan với câu truy vấn.
11
Các tài liệu này sẽ được sắp xếp theo độ tương quan giảm dần và trả về cho người sử
dụng.
1.2 Sự khác biệt giữa các hệ thống IR và các hệ thống thông tin khác
Hệ thống tìm kiếm thông tin cũng tương tự như nhiều hệ thống xử lý thông tin
khác. Hiện nay các hệ thống thông tin quan trọng nhất là: hệ quản trị cơ sở dữ liệu
(DBMS), hệ quản lý thông tin (IMS), hệ hỗ trợ ra quyết định (DSS), hệ trả lời câu hỏi
(QAS) và hệ tìm kiếm thông tin (IR). Việc hiểu biết sự khác nhau giữa hai hệ thống
tìm kiếm văn bản (IR) và các hệ thống thông tin khác giúp ta hểi u rõ các kỹ thuật tìm
kiếm văn bản.
Hệ quản trị cơ sở dữ liệu:
Bất cứ hệ thống thông tin tự động nào cũng dựa trên một tập các mục được lưu
trữ (gọi là cơ sở dữ liệu) cần thiết cho việc truy cập. Do đó hệ quản trị cơ sở dữ liệu
đơn giản là một hệ thống được thiết kế nhằm thao tác và duy trì điều khiển cơ sở dữ
liệu.
DBMS tổ chức lưu trữ các dữ liệu của mình dưới dạng các bảng. Mỗi một cơ
sở dữ liệu được lưu trữ thành nhiều bảng khác nhau. Mỗi một cột trong bảng là một
thuộc tính, và mỗi một dòng là một bộ dữ liệu cụ thể. Trong mỗi một bảng có một
thuộc tính duy nhất đại diện cho bảng, nó không được trùng lặp và ta gọi đó là khoá
chính. Các bảng có mối liên hệ với nhau thông qua các khoá ngoại. Hệ quản tri cơ sở
dữ liệu có một tập các lệnh để hỗ trợ cho người sử dụng truy vấn đến dữ liệu của
mình. Vì vậy muốn truy vấn đến cơ sở dữ liệu trong hệ quản trị cơ sở dữ liệu ta phải
học hết các tập lệnh này. Nhưng ngược lại nó sẽ cung cấp cho ta các dữ liệu đầy đủ
và hoàn toàn chính xác. Hiện nay hệ quản trị cơ sở dữ liệu được sử dụng rộng rãi
trên thế giới. Một số hệ quản trị cơ sở dữ liệu thông dụng: Access, SQL Server,
Oracle.
Hệ quản lý thông tin (IMS):
- Xem thêm -