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 Die Qualität medizinischer Leistungen im Krankenhaus bei deren Vergütung by Irene Götz
Cover of the book Die Krankheit Diabetes Mellitus - Entstehung, Verlauf und Therapiemöglichkeit by Irene Götz
Cover of the book Der Bedarf an psychosozialer Begleitung bei Patientinnen mit Mammakarzinom by Irene Götz
Cover of the book Die Bedeutung von Mezzanine-Finanzierung für KMU in Abgrenzung zu vergleichbaren Finanzierungsformen by Irene Götz
Cover of the book Herbert Marcuse, 'Triebstruktur und Gesellschaft' und die 68er Bewegung by Irene Götz
Cover of the book Zum Aufstandsgeschehen in der Grafschaft York: Ursachen, Verlauf und Ergebnisse by Irene Götz
Cover of the book Solidarität im Bundesstaat by Irene Götz
Cover of the book Integration der Gestalttherapie in ein transpersonal erweitertes Weltbild by Irene Götz
Cover of the book Mobbing in der Grundschule: Untersuchung ausgewählter Präventions- und Interventionsprojekte by Irene Götz
Cover of the book How does EU's external policy affect the foreign policy of the country where you live or where you come from? by Irene Götz
Cover of the book Google: Zur Anatomie einer Suchmaschine by Irene Götz
Cover of the book Multi-Channel-Vertrieb by Irene Götz
Cover of the book Engines and fuels of the future in the automotive industry by Irene Götz
Cover of the book Verantwortlichkeit von Providern by Irene Götz
Cover of the book Darstellung und Bewertung von Ansätzen zur frühzeitigen und fortlaufenden Kostenbeeinflussung im Rahmen eines marktorientierten Zielkostenmanagement 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