Modelo booleano de recuperación de información

El modelo booleano estándar de recuperación de información ( BIR ) ^{[ 1 ]} es un modelo clásico de recuperación de información (IR) donde los documentos se recuperan según cumplan o no las condiciones de una consulta que utiliza lógica booleana . Como el primer y más adoptado modelo de recuperación de información, ^{[ 2 ]} trata cada documento como un conjunto de palabras o términos . La consulta del usuario utiliza operadores lógicos como AND, OR y NOT para crear una regla de recuperación. El sistema devuelve entonces todos los documentos que coinciden con la regla.

En el modelo booleano, los documentos y las consultas se representan mediante conceptos de la teoría de conjuntos . Un documento se considera una simple colección (un conjunto) de términos, y una consulta es una declaración formal (una expresión booleana ) que especifica qué términos deben o no deben estar presentes en un documento recuperado.

• Un término de índice (o término ) es una palabra clave que caracteriza el contenido de un documento. Los términos son las unidades fundamentales del modelo. Las palabras comunes y de baja información (llamadas palabras vacías ) como "un", "el" y "es" generalmente se excluyen del uso como términos de índice.
• Un documento se representa como un conjunto de términos de índice. Este es un modelo de bolsa de palabras , lo que significa que se ignora el orden y la frecuencia de los términos en el documento original. Por ejemplo, un documento sobre el teorema de Bayes podría representarse simplemente como el conjunto${\displaystyle \{{\text{Teorema de Bayes, probabilidad, toma de decisiones}}\}}$.
• Una consulta es una expresión formal de la necesidad de información del usuario, escrita mediante términos de índice y operadores booleanos (AND, OR, NOT). El modelo recupera todos los documentos que coinciden con esta expresión lógica.

Sea, por ejemplo, el conjunto de documentos originales (reales)

${\displaystyle D=\{D_{1},\ D_{2},\ D_{3}\}}$

dónde

${\textstyle D_{1}}$= "Principio de Bayes: El principio que establece que, al estimar un parámetro, se debe asumir inicialmente que cada valor posible tiene la misma probabilidad (una distribución previa uniforme)."

${\textstyle D_{2}}$" Teoría de la decisión bayesiana : Teoría matemática de la toma de decisiones que presupone funciones de utilidad y probabilidad, y según la cual la acción a elegir es la bayesiana, es decir, aquella con la mayor utilidad esperada subjetiva. Si se dispusiera de tiempo y capacidad de cálculo ilimitados para tomar cualquier decisión, este procedimiento sería la mejor manera de hacerlo."

${\textstyle D_{3}}$= " Epistemología bayesiana : Teoría filosófica que sostiene que el estatus epistémico de una proposición (es decir, cuán bien probada o establecida está) se mide mejor mediante una probabilidad y que la forma adecuada de revisar esta probabilidad viene dada por la condicionalización bayesiana o procedimientos similares. Un epistemólogo bayesiano usaría la probabilidad para definir y explorar la relación entre conceptos como el estatus epistémico, el apoyo o el poder explicativo ."

Dejemos que el conjunto${\textstyle T}$de términos ser:$${\displaystyle T=\{t_{1}={\text{Bayes' principle}},t_{2}={\text{probability}},t_{3}={\text{decision-making}},t_{4}={\text{Bayesian epistemology}}\}}$$Luego, el conjunto${\textstyle D}$La lista de documentos es la siguiente:$${\displaystyle D=\{D_{1},\ D_{2},\ D_{3}\}}$$dónde$${\displaystyle {\begin{aligned}D_{1}&=\{{\text{probability}},\ {\text{Bayes' principle}}\}\\D_{2}&=\{{\text{probability}},\ {\text{decision-making}}\}\\D_{3}&=\{{\text{probability}},\ {\text{Bayesian epistemology}}\}\end{aligned}}}$$Dejemos la consulta${\textstyle Q}$ser ("probabilidad" Y "toma de decisiones"):$${\displaystyle Q={\text{probability}}\land {\text{decision-making}}}$$A continuación, para recuperar los documentos pertinentes:

1. En primer lugar, los siguientes conjuntos${\textstyle S_{1}}$y${\textstyle S_{2}}$de documentos${\textstyle D_{i}}$ se obtienen (recuperan):$${\displaystyle {\begin{aligned}S_{1}&=\{D_{1},\ D_{2},\ D_{3}\}\\S_{2}&=\{D_{2}\}\end{aligned}}}$$Dónde${\displaystyle S_{1}}$corresponde a los documentos que contienen el término "probabilidad" y${\displaystyle S_{2}}$contienen el término "toma de decisiones".
2. Finalmente, los siguientes documentos${\textstyle D_{i}}$se recuperan en respuesta a${\textstyle Q}$:$${\displaystyle Q:\{D_{1},\ D_{2},\ D_{3}\}\ \cap \ \{D_{2}\}\ =\ \{D_{2}\}}$$Donde la consulta busca documentos que estén contenidos en ambos conjuntos.${\displaystyle S}$utilizando el operador de intersección.

Esto significa que el documento original${\displaystyle D_{2}}$es la respuesta a${\textstyle Q}$.

Si hay más de un documento con la misma representación (el mismo subconjunto de términos de índice)${\displaystyle t_{n}}$), se recupera cada uno de esos documentos. Dichos documentos son indistinguibles en el BIR (es decir, equivalentes).

• Formalismo limpio
• Fácil de implementar
• Concepto intuitivo
• Si el conjunto de documentos resultante es demasiado pequeño o demasiado grande, resulta evidente qué operadores producirán, respectivamente, un conjunto mayor o menor.
• Esto proporciona a los usuarios (expertos) una sensación de control sobre el sistema. Queda claro de inmediato por qué se ha recuperado un documento a partir de una consulta.

• La coincidencia exacta puede recuperar muy pocos o demasiados documentos.
• Es difícil traducir una consulta a una expresión booleana.
• Ineficaz para conceptos resistentes a la búsqueda ^{[ 3 ]}
• Todos los términos tienen el mismo peso.
• Más bien recuperación de datos que recuperación de información.
• Recuperación basada en criterios de decisión binarios sin noción de coincidencia parcial.
• No se proporciona ninguna clasificación de los documentos (ausencia de una escala de calificación).
• La necesidad de información debe traducirse en una expresión booleana, lo que a la mayoría de los usuarios les resulta incómodo.
• Las consultas booleanas formuladas por los usuarios suelen ser demasiado simples.
• El modelo suele devolver demasiados o muy pocos documentos en respuesta a la consulta del usuario.

Desde un punto de vista puramente matemático formal, el BIR es sencillo. Sin embargo, desde un punto de vista práctico, deben resolverse varios problemas adicionales relacionados con algoritmos y estructuras de datos, como, por ejemplo, la elección de términos (selección manual o automática o ambas), la lematización , las tablas hash , la estructura de archivos invertida , etc. ^{[ 4 ]}

• Lashkari, AH; Mahdavi, F.; Ghomi, V. (2009), "Un modelo booleano en la recuperación de información para motores de búsqueda", Conferencia Internacional de 2009 sobre Gestión e Ingeniería de la Información , pp. 385–389 , doi : 10.1109/ICIME.2009.101 , ISBN  978-0-7695-3595-1, S2CID 18147603