टेक्स्ट रिट्रीवल असंरचित टेक्स्ट को संरचित प्रारूप में बदलने की प्रक्रिया है ताकि सार्थक पैटर्न और नई अंतर्दृष्टि की पहचान की जा सके। उन्नत विश्लेषणात्मक तकनीकों का उपयोग करके, जिसमें नेव बायेस, सपोर्ट वेक्टर मशीन (SVM), और अन्य डीप लर्निंग एल्गोरिदम शामिल हैं, संगठन अपने असंरचित डेटा के अंदर छिपे संबंधों का पता लगाने और खोजने में सक्षम हैं। टेक्स्ट रिट्रीवल के दो तरीके हैं जो निम्नलिखित हैं -
डॉक्यूमेंट चयन (Document Selection)
डॉक्यूमेंट चयन विधियों में, क्वेरी को प्रासंगिक डॉक्यूमेंट्स चुनने के लिए बाधा परिभाषित करने के रूप में माना जाता है। इस श्रेणी का एक सामान्य दृष्टिकोण बूलियन रिट्रीवल मॉडल है, जिसमें एक डॉक्यूमेंट को कीवर्ड्स के एक सेट द्वारा परिभाषित किया जाता है और एक उपयोगकर्ता कीवर्ड्स का एक बूलियन एक्सप्रेशन प्रदान करता है, जैसे कार और मरम्मत की दुकानें, चाय या कॉफी, या डेटाबेस सिस्टम लेकिन ओरेकल नहीं।
रिट्रीवल सिस्टम ऐसा बूलियन क्वेरी ले सकता है और उन रिकॉर्ड्स को वापस कर सकता है जो बूलियन एक्सप्रेशन को संतुष्ट करते हैं। उपयोगकर्ता के डेटा की आवश्यकता को बूलियन क्वेरी के साथ ठीक से निर्धारित करने की जटिलता के कारण, बूलियन रिट्रीवल तकनीक आमतौर पर केवल तभी अच्छी तरह से काम करती है जब उपयोगकर्ता डॉक्यूमेंट सेट के बारे में बहुत कुछ जानता है और इस तरह से सर्वोत्तम क्वेरी तैयार कर सकता है।
डॉक्यूमेंट रैंकिंग (Document Ranking)
डॉक्यूमेंट रैंकिंग विधियां क्वेरी का उपयोग करके सभी रिकॉर्ड्स को प्रयोज्यता के क्रम में रैंक करती हैं। सामान्य उपयोगकर्ताओं और खोजपूर्ण क्वेरीज़ के लिए, ये तकनीकें डॉक्यूमेंट चयन विधियों की तुलना में अधिक उपयुक्त हैं। अधिकांश वर्तमान डेटा रिट्रीवल सिस्टम उपयोगकर्ता के कीवर्ड क्वेरी के जवाब में फाइलों की एक रैंक की गई सूची प्रस्तुत करते हैं।
बीजगणित, तर्क, संभाव्यता, और सांख्यिकी जैसे संख्यात्मक आधारों के एक विशाल स्पेक्ट्रम पर आधारित कई रैंकिंग विधियां हैं। इन सभी तकनीकों के पीछे सामान्य अंतर्ज्ञान यह है कि यह क्वेरी में कीवर्ड्स को रिकॉर्ड्स में उनसे जोड़ सकता है और प्रत्येक रिकॉर्ड को इस आधार पर स्कोर कर सकता है कि यह क्वेरी से कितनी अच्छी तरह मेल खाता है।
उद्देश्य डॉक्यूमेंट में शब्दों की आवृत्ति और पूरे सेट सहित जानकारी के आधार पर गणना किए गए स्कोर के आधार पर रिकॉर्ड्स की प्रासंगिकता की डिग्री का अनुमान लगाना है। कीवर्ड्स के एक सेट के बीच प्रासंगिकता की डिग्री का सटीक माप प्रदान करना स्वाभाविक रूप से कठिन है। उदाहरण के लिए, डेटा माइनिंग और डेटा विश्लेषण के बीच की दूरी को मापना मुश्किल है।
वेक्टर स्पेस मॉडल
इस विधि का सबसे लोकप्रिय दृष्टिकोण वेक्टर स्पेस मॉडल है। वेक्टर स्पेस मॉडल का मूल विचार निम्नलिखित है: यह एक डॉक्यूमेंट और एक क्वेरी दोनों को सभी कीवर्ड्स से मेल खाने वाले उच्च-आयामी स्थान में वेक्टर्स के रूप में दर्शाता है और क्वेरी वेक्टर और रिकॉर्ड वेक्टर के बीच समानता का मूल्यांकन करने के लिए एक उपयुक्त समानता माप का उपयोग करता है। समानता मानों का उपयोग तब डॉक्यूमेंट्स को रैंक करने के लिए किया जा सकता है।
