Information Retrieval Models: Foundations and Relationships

مدل های بازیابی اطلاعات (IR) جزء اصلی تحقیقات IR و سیستم های IR هستند. دهه گذشته باعث ادغام خانواده مدل‌های IR شد که تا سال 2000 شامل دیدگاه‌های نسبتاً مجزا در TF-IDF (Term-Frequency ضربدر معکوس-سند-فرکانس) به عنوان طرح وزنی در مدل فضای برداری (VSM) بود. چارچوب احتمالی مربوط (PRF)، مدل بازیابی استقلال باینری (BIR)، BM25 (نسخه 25 بهترین تطابق، نمونه اصلی PRF/BIR)، و مدل‌سازی زبان (LM). همچنین، در اوایل دهه 2000 شاهد آمدن واگرایی از تصادفی (DFR) بودیم.

در مورد شهود و سادگی، اگرچه LM از دیدگاه احتمالی واضح است، چندین نفر اظهار داشتند: \"درک آن آسان است. TF-IDF و BM25. با این حال، برای LM، ما ریاضیات را می‌فهمیم، اما به طور کامل نمی‌دانیم چرا کار می‌کند.\"

این کتاب رویکردی افقی دارد که پایه‌های TF-IDF، PRF را جمع‌آوری می‌کند. ، BIR، پواسون، BM25، LM، شبکه های استنتاج احتمالی (PIN)، و مدل های مبتنی بر واگرایی. هدف ایجاد یک دیدگاه تلفیقی و متعادل در مورد مدل‌های اصلی است.

تمرکز ویژه این کتاب بر روی \"روابط بین مدل‌ها\" است. این شامل مروری بر چارچوب‌های اصلی است (PRF, منطقی IR، VSM، VSM تعمیم یافته) و جفت شدن TF-IDF با مدل های دیگر. بدیهی است که TF-IDF و LM یکسان هستند، یعنی وابستگی (همپوشانی) بین سند و پرس و جو. احتمال پواسون به ایجاد ریشه‌های احتمالی و غیر اکتشافی برای TF-IDF کمک می‌کند و پارامتر پواسون، میانگین فرکانس مدت، پیوندی بین چندین مدل بازیابی و پارامترهای مدل است.

فهرست محتوا: فهرست ارقام / پیشگفتار / قدردانی / مقدمه / مبانی مدل های IR / روابط بین مدل های IR / خلاصه

Information Retrieval (IR) models are a core component of IR research and IR systems. The past decade brought a consolidation of the family of IR models, which by 2000 consisted of relatively isolated views on TF-IDF (Term-Frequency times Inverse-Document-Frequency) as the weighting scheme in the vector-space model (VSM), the probabilistic relevance framework (PRF), the binary independence retrieval (BIR) model, BM25 (Best-Match Version 25, the main instantiation of the PRF/BIR), and language modelling (LM). Also, the early 2000s saw the arrival of divergence from randomness (DFR).

Regarding intuition and simplicity, though LM is clear from a probabilistic point of view, several people stated: "It is easy to understand TF-IDF and BM25. For LM, however, we understand the math, but we do not fully understand why it works."

This book takes a horizontal approach gathering the foundations of TF-IDF, PRF, BIR, Poisson, BM25, LM, probabilistic inference networks (PIN's), and divergence-based models. The aim is to create a consolidated and balanced view on the main models.

A particular focus of this book is on the "relationships between models." This includes an overview over the main frameworks (PRF, logical IR, VSM, generalized VSM) and a pairing of TF-IDF with other models. It becomes evident that TF-IDF and LM measure the same, namely the dependence (overlap) between document and query. The Poisson probability helps to establish probabilistic, non-heuristic roots for TF-IDF, and the Poisson parameter, average term frequency, is a binding link between several retrieval models and model parameters.

Table of Contents: List of Figures / Preface / Acknowledgments / Introduction / Foundations of IR Models / Relationships Between IR Models / Summary & Research Outlook / Bibliography / Author's Biography / Index