Latent Semantic Indexing (LSI) - ein kurzer Überblick

ein kurzer Überblick

Business & Finance, Industries & Professions, Information Management
Cover of the book Latent Semantic Indexing (LSI) - ein kurzer Überblick by Irene Götz, GRIN Verlag
View on Amazon View on AbeBooks View on Kobo View on B.Depository View on eBay View on Walmart
Author: Irene Götz ISBN: 9783638252065
Publisher: GRIN Verlag Publication: February 7, 2004
Imprint: GRIN Verlag Language: German
Author: Irene Götz
ISBN: 9783638252065
Publisher: GRIN Verlag
Publication: February 7, 2004
Imprint: GRIN Verlag
Language: German

Studienarbeit aus dem Jahr 2001 im Fachbereich Informationswissenschaften, Informationsmanagement, Note: 2,0, Universität Hildesheim (Stiftung) (Angewandte Sprachwissenschaft), Veranstaltung: Virtuelles Hauptseminar, Sprache: Deutsch, Abstract: Bei dieser Retrieval-Methode werden in einem n -dimensionalen Raum A nfragen und Dokumente in Form von Vektoren repräsentiert, wobei jeder Suchbegriff eine Dimension darstellt. Die gefundenen Dokumente werden aufgrund ihrer Deskriptoren als Vektoren in den Raum eingeordnet, ihre Position im R aum bezeichnet ihre Relevanz. Messbar wird die Ähnlichkeit zwischen Anfrage und Dokument anhand des Cosinus- Winkels zwischen Anfrage- und Dokumentvektor: Je kleiner das Cosinus-Maß des Winkels zwischen Anfrage und Dokument, desto größer die Ähnlichkeit zwischen Dokument und Anfrage. Die Vektor-Retrieval-Methode ist weit verbreitet, hat jedoch den Nachteil, dass sie Terme als voneinander unabhängig betrachtet. Wie bei den anderen 'klassischen' Retrieval-Techniken (Boolsches Retrieval, probabilistisches Retrieval, vgl. http://www.iud.fh-darmstadt.de/iud/wwwmeth/LV/ss97/wpai/grpTexte/textgr2.htm#Heading26) werden exakte Übereinstimmungen zwischen in der Anfrage enthaltenen und in den Dokumenten verwendeten Termen, unabhängig vom Kontext, in dem sie gebraucht werden gesucht. Diese Technik ist in der Hinsicht problematisch, dass es z.B. für ein und dieselbe Sache oft verschiedene Bezeichnungen gibt, und somit relevante Dokumente oft nicht ausgegeben werden, weil im Dokument eine andere Bezeichnung als in der Anfrage verwendet wurde. Hier setzt Latent Semantic Indexing an: Dokumente werden aufgrund von Wort-Assoziationen und kontextue llen Zusammenhängen indexiert, sodass auch relevante Dokumente, die mit der Anfrage keine Wörter gemeinsam haben gefunden werden.

View on Amazon View on AbeBooks View on Kobo View on B.Depository View on eBay View on Walmart

Studienarbeit aus dem Jahr 2001 im Fachbereich Informationswissenschaften, Informationsmanagement, Note: 2,0, Universität Hildesheim (Stiftung) (Angewandte Sprachwissenschaft), Veranstaltung: Virtuelles Hauptseminar, Sprache: Deutsch, Abstract: Bei dieser Retrieval-Methode werden in einem n -dimensionalen Raum A nfragen und Dokumente in Form von Vektoren repräsentiert, wobei jeder Suchbegriff eine Dimension darstellt. Die gefundenen Dokumente werden aufgrund ihrer Deskriptoren als Vektoren in den Raum eingeordnet, ihre Position im R aum bezeichnet ihre Relevanz. Messbar wird die Ähnlichkeit zwischen Anfrage und Dokument anhand des Cosinus- Winkels zwischen Anfrage- und Dokumentvektor: Je kleiner das Cosinus-Maß des Winkels zwischen Anfrage und Dokument, desto größer die Ähnlichkeit zwischen Dokument und Anfrage. Die Vektor-Retrieval-Methode ist weit verbreitet, hat jedoch den Nachteil, dass sie Terme als voneinander unabhängig betrachtet. Wie bei den anderen 'klassischen' Retrieval-Techniken (Boolsches Retrieval, probabilistisches Retrieval, vgl. http://www.iud.fh-darmstadt.de/iud/wwwmeth/LV/ss97/wpai/grpTexte/textgr2.htm#Heading26) werden exakte Übereinstimmungen zwischen in der Anfrage enthaltenen und in den Dokumenten verwendeten Termen, unabhängig vom Kontext, in dem sie gebraucht werden gesucht. Diese Technik ist in der Hinsicht problematisch, dass es z.B. für ein und dieselbe Sache oft verschiedene Bezeichnungen gibt, und somit relevante Dokumente oft nicht ausgegeben werden, weil im Dokument eine andere Bezeichnung als in der Anfrage verwendet wurde. Hier setzt Latent Semantic Indexing an: Dokumente werden aufgrund von Wort-Assoziationen und kontextue llen Zusammenhängen indexiert, sodass auch relevante Dokumente, die mit der Anfrage keine Wörter gemeinsam haben gefunden werden.

More books from GRIN Verlag

Cover of the book Geschlechterdifferenzen auf dem Arbeitsmarkt und ihre Konsequenzen für den Schulunterricht by Irene Götz
Cover of the book Outsourcing von Logistikprozessen by Irene Götz
Cover of the book Chinas Position im System der internationalen Beziehungen - Auf dem Weg zur Weltmacht? by Irene Götz
Cover of the book Die Überwindung institutioneller Anreiz- und Kontrollprobleme by Irene Götz
Cover of the book Ausdauertraining. Trainingsplan für einen untrainierten 58-jährigen Mann by Irene Götz
Cover of the book Spam Mails - Geschichte, Technische Aspekte und Schutzmaßnahmen by Irene Götz
Cover of the book Stilleübungen im Religionsunterricht by Irene Götz
Cover of the book Zur sozialen Konstruktion von Vertrauen in der Paarbeziehung am Beispiel der Ratgeberliteratur by Irene Götz
Cover of the book Die Übersetzbarkeit der Zeit by Irene Götz
Cover of the book Altruismus - 'zwischen Natur und Kultur' - ein soziobiologischer Ansatz by Irene Götz
Cover of the book Der Palazzo Farnese in Rom by Irene Götz
Cover of the book Critically discuss why service businesses sector has grown, but the businesses are often barley profitable? by Irene Götz
Cover of the book Das interaktionistische Paradigma und sein Bezug zur Lernbehindertenpädagogik by Irene Götz
Cover of the book Die Behandlung im pädagogisch-therapeutischen Team by Irene Götz
Cover of the book Die 'Korridormethode' im Rahmen der Bilanzierung von Pensionsverpflichtungen nach IFRS by Irene Götz
We use our own "cookies" and third party cookies to improve services and to see statistical information. By using this website, you agree to our Privacy Policy