Clustering and Information Retrieval

خوشه‌بندی یک تکنیک مهم برای کشف زیرمنطقه‌ها یا فضاهای فرعی نسبتاً متراکم توزیع داده‌های چند بعدی است. دسته بندی در بازیابی اطلاعات برای اهداف مختلفی مانند گسترش پرس و جو، گروه بندی اسناد، نمایه سازی اسناد و تجسم نتایج جستجو استفاده شده است. در این کتاب به مسائل الگوریتم‌های خوشه‌بندی، روش‌های ارزیابی، کاربردها و معماری‌های بازیابی اطلاعات می‌پردازیم. دو فصل اول در مورد الگوریتم های خوشه بندی بحث می کنند. فصل از Baeza-Yates و همکاران. یک روش خوشه بندی را برای یک فضای متریک عمومی که یک مدل رایج از داده های مربوط به بازیابی اطلاعات است، توصیف می کند. فصل توسط Guha، Rastogi، و Shim یک بررسی و همچنین بحث مفصل در مورد دو الگوریتم خوشه‌بندی ارائه می‌کند: CURE و ROCK برای داده‌های عددی و داده‌های طبقه‌بندی. روش های ارزیابی در دو فصل بعدی مورد بررسی قرار می گیرند. ارتوز و همکاران نشان دادن استفاده از معیارهای بازیابی متن، مانند TRECS، برای ارزیابی الگوریتم های خوشه بندی. او و همکاران معیارهای عینی کیفیت خوشه بندی را در فصل خود ارائه می دهند. کاربرد روش‌های خوشه‌بندی برای بازیابی اطلاعات در چهار فصل بعدی بررسی می‌شود. چو و همکاران و نوئل و همکاران انتخاب ویژگی را با استفاده از ریشه های کلمات، عبارات، و پیوندهای پیوند برای خوشه بندی و نمایه سازی اسناد کاوش کنید. ون و همکاران و سونگ و همکاران در مورد کاربردهای خوشه بندی در پرس و جوهای کاربر و پاکسازی داده ها بحث کنید. در نهایت، ما مشکل طراحی معماری برای بازیابی اطلاعات را در نظر می گیریم. کرایتون، هیوز و کلی در مورد توسعه یک معماری سیستم داده علمی برای بازیابی اطلاعات توضیح می دهند.

Clustering is an important technique for discovering relatively dense sub-regions or sub-spaces of a multi-dimension data distribution. Clus­ tering has been used in information retrieval for many different purposes, such as query expansion, document grouping, document indexing, and visualization of search results. In this book, we address issues of cluster­ ing algorithms, evaluation methodologies, applications, and architectures for information retrieval. The first two chapters discuss clustering algorithms. The chapter from Baeza-Yates et al. describes a clustering method for a general metric space which is a common model of data relevant to information retrieval. The chapter by Guha, Rastogi, and Shim presents a survey as well as detailed discussion of two clustering algorithms: CURE and ROCK for numeric data and categorical data respectively. Evaluation methodologies are addressed in the next two chapters. Ertoz et al. demonstrate the use of text retrieval benchmarks, such as TRECS, to evaluate clustering algorithms. He et al. provide objective measures of clustering quality in their chapter. Applications of clustering methods to information retrieval is ad­ dressed in the next four chapters. Chu et al. and Noel et al. explore feature selection using word stems, phrases, and link associations for document clustering and indexing. Wen et al. and Sung et al. discuss applications of clustering to user queries and data cleansing. Finally, we consider the problem of designing architectures for infor­ mation retrieval. Crichton, Hughes, and Kelly elaborate on the devel­ opment of a scientific data system architecture for information retrieval.