सूचना पुनर्प्राप्ति क्या है?

सूचना पुनर्प्राप्ति (IR) एक ऐसा क्षेत्र है जो कई वर्षों से डेटाबेस सिस्टम के समानांतर विकसित हो रहा है। डेटाबेस सिस्टम के क्षेत्र के विपरीत, जिसने संरचित डेटा के क्वेरी और ट्रांजैक्शन प्रोसेसिंग को लक्षित किया है, सूचना पुनर्प्राप्ति कई टेक्स्ट-आधारित दस्तावेजों से डेटा के संगठन और पुनर्प्राप्ति से संबंधित है।

चूंकि सूचना पुनर्प्राप्ति और डेटाबेस सिस्टम प्रत्येक विभिन्न प्रकार के डेटा को संभालते हैं, कुछ डेटाबेस सिस्टम समस्याएं आमतौर पर सूचना पुनर्प्राप्ति सिस्टम में मौजूद नहीं होती हैं, जैसे concurrency control, recovery, transaction management, और update। कुछ सामान्य सूचना पुनर्प्राप्ति समस्याएं हैं जो आमतौर पर पारंपरिक डेटाबेस सिस्टम में नहीं मिलती हैं, जैसे असंरचित दस्तावेज, कीवर्ड्स के आधार पर अनुमानित खोज, और प्रासंगिकता की अवधारणा।

टेक्स्ट डेटा की प्रचुरता के कारण, सूचना पुनर्प्राप्ति ने कई अनुप्रयोग खोजे हैं। कई सूचना पुनर्प्राप्ति सिस्टम मौजूद हैं, जिनमें ऑनलाइन लाइब्रेरी कैटलॉग सिस्टम, ऑनलाइन रिकॉर्ड्स प्रबंधन सिस्टम, और हाल ही में विकसित वेब सर्च इंजन शामिल हैं।

सामान्य डेटा रिट्रीवल समस्या

एक सामान्य डेटा रिट्रीवल समस्या एक उपयोगकर्ता के क्वेरी के आधार पर एक डॉक्यूमेंट सेट में प्रासंगिक दस्तावेजों का पता लगाना है, जो अक्सर एक सूचना आवश्यकता को परिभाषित करने वाले कुछ कीवर्ड्स होते हैं, हालांकि यह प्रासंगिक रिकॉर्ड्स का एक उदाहरण भी हो सकता है।

यह सबसे उपयुक्त है जब एक उपयोगकर्ता की कुछ तदर्थ (यानी, अल्पकालिक) डेटा आवश्यकता होती है, जिसमें एक पुरानी कार खरीदने के लिए डेटा ढूंढना शामिल है। जब एक उपयोगकर्ता की दीर्घकालिक डेटा आवश्यकता होती है (जैसे, एक शोधकर्ता की रुचियां), एक रिट्रीवल सिस्टम पहल करके किसी नए आए डेटा तत्व को उपयोगकर्ता को "पुश" भी कर सकता है यदि तत्व को उपयोगकर्ता की डेटा आवश्यकता के लिए प्रासंगिक माना जाता है।

टेक्स्ट रिट्रीवल गुणवत्ता के दो बुनियादी उपाय

• सटीकता (Precision) - यह पुनर्प्राप्त डेटा का प्रतिशत है जो वास्तव में क्वेरी के लिए प्रासंगिक हैं (यानी, "सही" प्रतिक्रियाएं)। इसे औपचारिक रूप से दर्शाया गया है:

  $$precision=\frac{|\left\{ Relevant \right\}\cap\left\{ Retrieved \right\}|}{|\left\{ Retrieved \right\}|}$$

• रिकॉल (Recall) - यह उन रिकॉर्ड्स का प्रतिशत है जो क्वेरी के लिए प्रासंगिक हैं और वास्तव में पुनर्प्राप्त किए गए थे। इसे औपचारिक रूप से दर्शाया गया है:

  $$recall=\frac{|\left\{ Relevant \right\}\cap\left\{ Retrieved \right\}|}{|\left\{ Relevant \right\}|}$$

एक सूचना पुनर्प्राप्ति सिस्टम को अक्सर रिकॉल के लिए सटीकता या इसके विपरीत ट्रेड-ऑफ करने की आवश्यकता होती है। एक आम तौर पर उपयोग किया जाने वाला ट्रेड-ऑफ F-स्कोर है, जिसे रिकॉल और सटीकता के हार्मोनिक मीन के रूप में दर्शाया गया है -

$$F\underline{}score=\frac{recall \times precision }{(recall+precision)^{2}}$$

हार्मोनिक मीन एक सिस्टम को परेशान करता है जो एक माप को दूसरे के लिए बहुत अत्यधिक बलिदान करता है। सटीकता, रिकॉल, और F-स्कोर पुनर्प्राप्त रिकॉर्ड्स के संग्रह के बुनियादी उपाय हैं। ये तीन उपाय आमतौर पर फाइलों की दो रैंक की गई सूचियों की तुलना के लिए उपयोगी नहीं हैं क्योंकि वे पुनर्प्राप्त सेट में दस्तावेजों की आंतरिक रैंकिंग के प्रति संवेदनशील नहीं हैं।