chapter 3 modeling (การ สร้าง โมเดล)

Free Powerpoint Templates

Chapter 3 Modeling

(การสร�างโมเดล)

http://www.powerpointstyles.com/


บทนำ�า

โมเดล หมายถึ�ง ร�ปแบบในำเชิ�งตรรกะ (Logical View)เพื่��อจำ�าลองส��งของในำระบบหร�อต#วระบบการปฏิ�บ#ต�การท#&งหมดม'ท#&งร�ปภาพื่ส#ญล#กษณ์, ลายเส�นำหร�อท#&งส#ญญาล#กษณ์,ทางคณ์�ตศาสตร, ซึ่��งโมเดลระบบการส�บค�นำม'ร�ปแบบเฉพื่าะท'�จำ�าลอง เชิ1นำ ต#วเอกสาร คล#งเอกสาร ข�อสารสนำเทศท'�ผู้��ใชิ�องการหร�อค�าสอบถึาม รวมทางการเท'ยบเค'ยง matching



โมเดล IR ทางคณ์�ตศาสตร,

ร�ปแบบทางคณ์�ตศาสตร,ของระบบ IR ได�แก1 4อย1างด#งนำ'&D เป4นำเซึ่ตของเอกสารท'�แทนำด�วยร�ปแบบต1างๆQ เป4นำเซึ่ตของสารสนำเทศท'�ต�องการของผู้��ใชิ�F เป4นำโครงสร�างของการจำ�าลองต#วเอกสาร ค�าสอบถึามและความส#มพื่#นำธ์,ระหว1างก#นำR(qi , dj) เป4นำฟั8งก,ชิ#�นำในำการจำ#ดอ#นำด#บ(ranking function)ของเอกสาร



ประเภทของโมเดลโมเดลของ IR แบ1งตามทฤษฏิ'ทางคณ์�ตศาสตร,1.Set Theory จำะม'โมเดลของเอกสาร ประกอบด�วยเทอมต1างๆท'�อย�1ภายในำและม'ดรรชินำ'ของเทอม และเม��อก�าหนำดค�าสอบถึามจำะได�ผู้ลล#พื่ธ์,ท'�ออกมา match และ ไม1matchเท1านำ#&นำจำ�งเป4นำล#กษณ์ะของ Boolean Operations2.Matrix Algebra โมเดลของเอกสารจำะอย�1ในำร�ป term-Document Matrix ม'การสร�างดรรชินำ' ในำการส�บค�นำค1านำ�&าหนำ#กจำะข�&นำอย�1ก#บ ความถึ'�ของเทอมท'�ปรากฏิในำเอกสารและอ#ตราส1วนำระหว1างจำ�านำวนำเอกสารท#&งหมดก#บเอกาสารท'�เทอมนำ#&นำปรากฏิ3.Probability Theory โมเดลนำ'&จำะเป4นำหาร matching ระหว1างความนำ1าจำะเป4นำท'�เอกสารจำะเก'�ยวพื่#นำธ์,ก#บค�าสอบถึาม และความนำ1าจำะเป4นำท'�เอกสารจำะไม1เก'�ยวพื่#นำธ์,ก#บค�าสอบถึามรายละเอ'ยด ซึ่#บซึ่�อนำจำ�งไม1เป4นำท'�นำ�ยม



โมเดลการส�บค�นำซึ่��งในำโมเดลด#งกล1าวได�พื่#ฒนำาจำากโมเดลในำส1วนำแรก แต1ก;ย#งอย�1ในำขอบเขตหร�ออ�างอ�งโมเดลทางคณ์�ตศาสตร,อย�1อ#นำได�แก11.Classic Boolean Model 1.1Extended Boolean Model 1.2Fuzzy Set Model2.Vector Space Model 2.1Generalized Vector Space Model 2.2Topic-based Vector Space Model 2.3Latent Semantic Indexing Model 2.4Neural Network Model3.Probabilistic Relevance Model 3.1Interface Network Model 3.2Belief Network Model



โมเดลการส�บค�นำ Classic Model

1.1Extended Boolean Model เป4นำการพื่#ฒนำามาจำาก ต#ว Classic Boolean Model ท'�ท'เพื่'ยงแยกว1าข�อม�ล 0 ก#บ 1 มาให�สามารถึจำ#ดล�าด#บผู้ลล#พื่ธ์,ตามความส�าค#ญก1อนำหล#ง ม'ค1ากลาง และม'การท�า normalization

http://en.wikipedia.org/wiki/Extended_Boolean_model







ด#งนำ#&นำแล�วจำ�งจำะเห;นำว1า Extened Boolean Model เป4นำแบบด#&งเด�มค�อ รวม Boolean Model และต#ว Vector Space Model เข�าไปด�วยก#นำและม'การว#ด p-norm ด�วยท�าให�ม'ความย<1งยากและม'ขอบเขตการส�บค�นำกว�าง




Fuzzy Set Model (FSM)ในำทฤษฎี'ของ Set ปกต� set ม'ขอบแหลม ( Sharp Edges ) ค�อ แต1ละต#วจำะอย�1หร�อไม1อย�1ในำ Set ซึ่��งในำทฤษฎี'ของ Fuzzy Set แต1ละต#ว ( สมาชิ�ก ) จำะม'ระด#บ สมาชิ�ก ( Membership Grade ) ต�ดต#วอย�1ตามท'� Set ก�าหนำดซึ่��งค1านำ'&จำะแสดงก�าล#งหร�อระด#บ ของความเชิ��อในำสมาชิ�กของ Set ค1าสมาชิ�กม#กถึ�กก�าหนำดเป4นำค1าในำชิ1วง 0.0 ถึ�ง 1.0



โมเดลแบบ Vector Space Model

2.1Generalized Vector Space Model1985 โดยต#&งชิ��อว1า Generalized Vector Space Model ซึ่��งม'แนำวความค�ดว1าเทอมจำะไม1ได�เป4นำอ�สระต1อก#นำแต1จำะเก'�ยวพื่#นำธ์,ก#นำในำล#กษณ์,ใดล#กษณ์,หนำ��งโดนำส#งเกตจำากปรากฏิการ1วมก#นำในำเอกสารเม��อเป4นำเชิ1นำนำ'&แทนำท'�จำะมองเอกสารประกอบด�วยเทอมต1างๆเราจำะมองภาพื่ใหม1ท'�มาจำากเอกสารต1างๆGVSM จำะใชิ�ประโยชินำ,จำากร�ปแบบของปรากฏิของเทอมมาท�าการเปร'ยบเท'ยบความเหม�อนำหร�อความแตกต1างของค�าสอบถึามก#บชิ<ดเอกสารในำการส�บค�นำข�อม�ล และใชิ�หล#กเด'ยวก#บ VSM ค�อกาค�านำวณ์หาค1าท'�สอดคล�องของค�าสอบถึามก#บเอกสารแต1 ในำอ#นำใหม1นำ'&ม'ว�ธ์'การก�าหนำดเกณ์ฑ์,ข#&นำต��าของการว#ดเพื่��อขจำ#ดเอกสารท'�ไม1สอดคล�องออกไป




2.2Topic-based Vector Space ModelTVSM ถึ�กเสนำอโดย Becker และ Kuropka ในำแนำวความค�ดท'� TVSM ไม1ถึ�อเอาเอมในำเอกสารเป4นำอ�สระต1อก#นำ แต1ให�ความย�ดหย<1นำในำการก�าหนำดความเหม�อนำของเทอม(Term Similarty)และในำแต1ล1ะแกนำในำ Vector Space ไม1ได�มาจำากเทอมเหม�อนำ VSM แต1 TVSM ให�แต1ละแกนำในำ Vector Space มาจำากชิ��อเร��องพื่�&นำฐานำของ ต#วม#นำเอง




2.3Latent Semantic Indexing Modelจำากการศ�กษาโมเดลท'�ผู้1านำมาพื่บว1าม'การใชิ�ค�าส�าค#ญในำการค�นำหา (keyword) ด#งนำ#&นำจำะพื่บป8ญหาอย�1หล#กๆค�อ ม'เอกสารไม1ตรงประเด;นำท'�ต�องการค�นำหาและม'เอกสารท'�ตรงประเด;นำแต1เอกสารนำ#&นำไม1ได�อย�1ในำดรรชินำ'จำ�งออกแบบโมเดลใหม1ๆ เพื่��อแก�ไขป8ญหาด#งกล1าวโดยม'หล#กการค�อเป4นำการโยงเทอมหร�อค�าศ#พื่ท,ท'�ปรากฏิในำเอกสาร ม'การสร�าง Concept Model ค#�นำระหว1างกลางของเทอมและเอกสารร�ปแบบจำ�งเป4นำการโยงเทอมไปส�1เร��อง(topic)และจำากเร��องไปส�1เอกสารซึ่��งม'ล#กษณ์ะท'�เด1นำค�อม'ม�ต� มากกว1าโมเดลของเด�มด#งนำ#&นำดารค�านำวณ์ลดลงจำากเทอมท'�เป4นำเวกเตอร,ด�วยม�ต�ส�งๆเป4นำ topic ท'�เป4นำเวคเตอร,ด�วยม�ต�ต��าๆ ซึ่�งม'การย�นำย#นำหล#กการด#งกล1าวด�วยงานำว�จำ#ย ท'�บ1งชิ'&ว1าได�ความเร;วในำการค�นำหาส�ง




2.4 Neural Network Modelในำว�ชิาป8ญญาประด�ษฐ,ได�ม'การพื่#ฒนำาโมเดลของสมองมนำ<ษย,เพื่��อจำะให�คอมพื่�วเตอร,ท�างานำคล�ายมนำ<ษย,ไม1ว1าจำะส#�งงานำ การประมวลผู้ล การร��จำ�า โดยสร�างเป4นำเคร�อข1ายท'�ซึ่#บซึ่�อนำ เป4นำการแทนำเคร�อข1ายเซึ่ลล,สมองของมนำ<ษย,ด�วยร�ปแบบอย1างง1ายโดยNode ต1างๆในำเคร�อข1ายแทนำหนำ1วยประมวลผู้ลต1างๆและ Edge ต1างเป4นำเส�นำประสาทแทนำส1วนำเชิ��อมต1อระหว1างเซึ่ลล,สมอง และเพื่��อเล'ยนำแบบการท�างานำของสองและเส�นำประสาทจำ�งม'การก�าหนำดค1านำ�&าหนำ#กให�ก#บแต1ละ Edge ในำ Neural Network โดยแต1ละสถึานำะของ Node จำะถึ�กก�าหนำดด�วยการกระต<�นำซึ่��งฟั8งก,ชิ#�นำของสถึานำะเร��มต�นำและของส#ญญาณ์ท'�ได�ร#บเข�ามา Node A ไปกระต<�นำ Node B เป4นำต�นำ



โมเดลแบบ Probabilistic Relevance Model

3.1Interface Network Modelใชิ�หล#กการของ Bayesian network เพื่��อใชิ�ในำการสร�างระบบส�บค�นำต#วเคร�อข1ายอย�1ในำร�ป Directed Acyclic Graphs(DAG) ซึ่��งประกอบด�วย Node และ Edge ต1างๆส�าค#ญค�อท<ก Edge จำะม'ล<กศรชิ'&โยงจำาก Node หนำ��งไปส�1อ'ก Node หนำ��งและ Nodeต1างๆใชิ�ต#วแปรส<1ม (Random Variables) ต1างๆการท'�ม'ล�กศรชิ'&โยงในำ Edge แสดงถึ�งความส#มพื่#นำธ์,ท'�ต#วแปรหนำ��งม'ผู้ลต1อต#วแปรหนำ��งม'การนำ�ากฎีของ Bayes มาใชิ�ม'การก�าหนำดค1าความนำ1าจำะเป4นำต1างๆท�าให�สามารถึสร�าง Inference Network ซึ่��งครอบคล<มระบบส�บค�นำสาระสนำเทศร�ปแบบต1างๆด�วยการจำ#กอ#นำด#บก1อนำหล#ง (Ranking)ท'�เก'�ยวพื่#นำธ์,ได�อย1างเป4นำสาระ ม'การกระจำายเอกสารแบบ Uniforms เพื่��อให�นำ�&าหนำ#กเท1าก#นำโดยไม1ล�าเอ'ยงนำ�&าหนำ#กเอกสาร



โมเดลแบบ Probabilistic Relevance Model

3.2 Belief Network Modelค�ดค�นำโดย Ribeiro-Neto และ Muntz ด�วยต�องการใชิ�ทฤษฏิ'ของ bayes ท'�เป4นำ Chain Rule ของ Conditional Probability ในำการประย<กต,ชิ��อโมเดล จำ�งม'ชิ��อเร'ยกเต;มว1า Bayesian Belief Network Model ในำทางว�ชิาการจำะต�องลายก#บโมเดลก1อนำหนำ�านำ'& แต1ในำทาง Topology นำ#&นำม'ความแตกต1างก#นำโดยเฉพื่าะ BNM นำ#&นำจำะแยกชิ#ดเจำนำในำส1วนำของค�าสอบถึาม q และส1วนำของเอกสารd ออกจำากก#นำจำ�งม'ผู้ลแตกต1างก#นำ



โมเดลส�าหร#บ Browsing

1. Directory Model เป4นำร�ปแบบท'�จำ#ดเป4นำหมวดหม�1อย1างเป4นำระบบเป4นำข#&นำตอนำ โดยม'ชิ��อก�าก#บ ปะเภทท#�วไปอย�1บนำประเภทเจำาะจำงอย�1ล1าง เชิ1นำ ว�ชิาฟั@ส�กส, เคม' ชิ'วะว�ทยา ก;จำ#ดอย�1ในำหมวดว�ชิาว�ทยาศาสตร,




2. Hypertext Modelเป4นำร�ปแบบท'�ม'โครงสร�างเป4นำ Directed Graph จำากข�อความหนำ��งในำเอกสารชิ'&ไปย#งอ'กข�อความหนำ��งอ'กแหล1งหนำ��ง กล1าวค�อจำาก Node หนำ��งบนำ Graph ชิ'&ไปย#งอ'ก Node หนำ��งโดยไม1จำ�าเป4นำต�องเป4นำหมวดหม�1เด'ยวก#นำเม��อเป4นำเชิ1นำนำ'& Node หนำ��งบนำ Graph อาจำจำะชิ'&ไปย#งหลายๆ Node อย1างม'ท�ศทางได� และ Node ล�กหนำ��งก;ย#งสามารถึชิ'&ต1อย#งหลายๆ Nodeล�กของล�กได�



Question/AnswerThank you


chapter 3 modeling (การ สร้าง โมเดล)

Documents