Algoritmo de Rocchio

El algoritmo de Rocchio se basa en un método de retroalimentación de relevancia que se encuentra en los sistemas de recuperación de información , derivado del sistema SMART Information Retrieval System desarrollado entre 1960 y 1964. Al igual que muchos otros sistemas de recuperación, el algoritmo de Rocchio se desarrolló utilizando el modelo de espacio vectorial . Su supuesto subyacente es que la mayoría de los usuarios tienen una concepción general de qué documentos deben considerarse relevantes o irrelevantes. ^{[ 1 ]} Por lo tanto, la consulta de búsqueda del usuario se revisa para incluir un porcentaje arbitrario de documentos relevantes e irrelevantes como medio para aumentar la exhaustividad del motor de búsqueda y, posiblemente, también la precisión. El número de documentos relevantes e irrelevantes permitidos en una consulta está determinado por los llamados pesos , es decir, las variables${\displaystyle a}$,${\displaystyle b}$y${\displaystyle c}$enumerados a continuación en la sección Algoritmo . ^{[ 1 ]}

La fórmula y las definiciones de variables para la retroalimentación de relevancia de Rocchio son las siguientes: ^{[ 1 ]}

${\displaystyle {\vec {Q}}_{m}=a\,{\vec {Q}}_{o}+b\,{\frac {1}{|D_{r}|}}\sum _{{\vec {D}}_{j}\in D_{r}}{\vec {D}}_{j}-c\,{\frac {1}{|D_{nr}|}}\sum _{{\vec {D}}_{k}\in D_{nr}}{\vec {D}}_{k}}$

Como se demuestra en la fórmula, los pesos asociados (${\displaystyle a}$,${\displaystyle b}$,${\displaystyle c}$) son responsables de dar forma al vector modificado en una dirección más cercana o más lejana de la consulta original, los documentos relacionados y los documentos no relacionados. En particular, los valores para${\displaystyle b}$y${\displaystyle c}$debe incrementarse o decrementarse proporcionalmente al conjunto de documentos clasificados por el usuario. Si el usuario decide que la consulta modificada no debe contener términos de la consulta original, documentos relacionados o documentos no relacionados, entonces el peso correspondiente (${\displaystyle a}$,${\displaystyle b}$,${\displaystyle c}$) El valor para la categoría debe establecerse en 0.

En la parte posterior del algoritmo, las variables${\displaystyle D_{r}}$, y${\displaystyle D_{nr}}$se presentan como conjuntos de vectores que contienen las coordenadas de documentos relacionados y documentos no relacionados. En la fórmula,${\displaystyle {\vec {D}}_{j}}$y${\displaystyle {\vec {D}}_{k}}$son los vectores utilizados para iterar a través de los dos conjuntos${\displaystyle D_{r}}$y${\displaystyle D_{nr}}$y forman sumas vectoriales . Estas sumas se normalizan, es decir, se dividen por el tamaño de su respectivo conjunto de documentos.

Para visualizar los cambios que se producen en el vector modificado, consulte la imagen a continuación. ^{[ 1 ]} A medida que se incrementan o disminuyen los pesos para una categoría particular de documentos, las coordenadas del vector modificado comienzan a acercarse o alejarse del centroide de la colección de documentos. Por lo tanto, si se incrementa el peso para los documentos relacionados, las coordenadas del vector modificado reflejarán una mayor proximidad al centroide de dichos documentos.

A continuación se muestra la complejidad temporal para el entrenamiento y la prueba del algoritmo, seguida de la definición de cada variable . Cabe destacar que, durante la fase de prueba, la complejidad temporal puede reducirse a la del cálculo de la distancia euclidiana entre el centroide de una clase y el documento correspondiente. Como se muestra en:${\displaystyle \Theta (\vert \mathbb {C} \vert M_{a})}$.

Entrenamiento =${\displaystyle \Theta (\vert \mathbb {D} \vert L_{ave}+\vert \mathbb {C} \vert \vert V\vert )}$ Pruebas =${\displaystyle \Theta (L_{a}+\vert \mathbb {C} \vert M_{a})=\Theta (\vert \mathbb {C} \vert M_{a})}$^{[ 1 ]}

Aunque hay beneficios al clasificar los documentos como no relevantes, una clasificación de documentos relevantes dará como resultado que se pongan a disposición del usuario documentos más precisos. Por lo tanto, los valores tradicionales para los pesos del algoritmo (${\displaystyle a}$,${\displaystyle b}$,${\displaystyle c}$) en la clasificación de Rocchio suelen estar alrededor de${\displaystyle a}$= 1,${\displaystyle b}$= 0,8 y${\displaystyle c}$= 0.1. Los sistemas modernos de recuperación de información han avanzado hacia la eliminación de los documentos no relacionados estableciendo c = 0 y, por lo tanto, considerando solo los documentos relacionados. Aunque no todos los sistemas de recuperación han eliminado la necesidad de documentos no relacionados, la mayoría ha limitado los efectos en la consulta modificada considerando solo los documentos no relacionados más relevantes.${\displaystyle D_{nr}}$colocar.

El algoritmo de Rocchio a menudo falla al clasificar clases y relaciones multimodales. Por ejemplo, el país de Birmania pasó a llamarse Myanmar en 1989. Por lo tanto, las dos consultas "Birmania" y "Myanmar" aparecerán mucho más separadas en el modelo de espacio vectorial , aunque ambas tengan orígenes similares. ^{[ 1 ]}

• Clasificador de centroide más cercano , también conocido como clasificador de Rocchio.

• Retroalimentación de relevancia en la recuperación de información
• Retroalimentación sobre la relevancia y expansión de consultas
• Clasificación del espacio vectorial
• Clasificación de datos