1 Signal-to-Noise Ratio t Information theory 에 기반  1948, Claude Shannon t information (Shannon 의 정의 )  unexpectedness of a message ( 의미와는 무관 ) t information content of a choice  H(p 1,p 2,…,p n ) u n 개의 message(event), message i 의 발생확률 p i u p 1 +p 2 +…+p n =1(p i :nonnegative) t goal  to measure the information content of the choice of a message from this set of messages

2 Signal-to-Noise Ratio t H 를 정의하기 위한 3 가지 가정  H is a continuous function of the p i u 확률이 조금 변하면 H 도 조금 변한다  각 확률 p i 가 같다면 (p i = 1/n), H 는 n 의 단조 증가 함 수이다 u 후보 메시지의 수가 많으면 H 가 크다  하나의 선택을 2 개의 연속적인 선택으로 분할할 수 있으면, 분할 후의 H 의 합은 원래의 H 와 같아야 한다

3 Signal-to-Noise Ratio t 세번째 가정을 설명하는 예  p1=1/2, p2=1/3, p3=1/6  3 가지 메시지 중 1 개를 직접 선택하는 경우 u H(1/2, 1/3, 1/6)  첫번째와 나머지 중 하나를 먼저 선택하는 경우 u H(1/2, 1/3, 1/6 ) = H(1/2, 1/2) + 1/2 H(2/3, 1/3)  두번째와 나머지 중 하나를 먼저 선택하는 경우 u H(1/2, 1/3, 1/6 ) = H(2/3, 1/3) + 2/3 H(3/4, 1/4)

4 Signal-to-Noise Ratio t H 의 3 가지 가정을 모두 만족하는유일한 함수 는 물리학의 entropy 함수이다  H = -K  p i log 2 p i  K=1 일 때, H =  p i log 2 (1/p i ) u average information content

5 [ 정리 ] 2 가지 information content 1. 사건 (event) 의 information content  사건 발생의 unexpectedness  log 2 (1/p i ) 2. 사건 선택 (choice) 의 information content  각 후보 사건의 확률합 = 1  각 후보 사건의 information content 들의 평균적인 information content  H =  p i log 2 (1/p i )  각 사건의 확률이 비슷할수록 높은 값  선택의 information content 가 낮더라도, 확률이 낮은 (information content 가 큰 ) 사건의 발생은 높 은 unexpectedness

6 Signal-to-Noise Ratio(continued) t Signal-to-noise ratio: s k  정보 이론의 관점에서 index term 의 가치를 측정 t weight w ik =f ik s k  noise of term k n k =  (f ik /t k )log 2 (t k /f ik )= log 2 [(t k /f ik ) (f ik /t k ) ] s t : the total frequency in the collection s f : the frequency of the document  signal of term k s k =log 2 t k - n k (>0, why?)

7 Term Discrimination Value t How well a term distinguish one document from another  need to measure the similarity of two documents u 같은 key term 을 가지고 있는가 ? u Document similarity :  s  (D 1,D 2 ) : 매우 비슷하면 1, 전혀 다르면 0 t Average similarity of a document collection  1/(N(N-1))   (D 1,D 2 ) (O(N 2 ) 의 복잡도 )  a simpler computation u centroid document, D* ( O(N) 의 복잡도 ) u f* k =  f ik /N = t k /N,  * = c  (D*, D i )

8 Term Discrimination Value t discrimination value of term k   k =  * k -  * u  * k : deleted average similarity for term k u  * : average similarity containing term k   k >0 : term k increases the dissimilarity   k <0 : term k decreases the dissimilarity  좋은 식별자일수록 더 큰 양의  k 값을 가진다 t weight w ik =f ik  k

9 Other methods of analysis t document 는 단순한 통계 정보 이상의 것을 담 고 있다  e.g. natural language processing t Pragmatic factors  trigger phrases u 특정 유형의 정보가 있음을 알림 u figure, table, for example, conclusion,...  source of document u 유명한 저자, 저명 학술지,...  사용자에 대한 정보 u high school student or Ph.D.?, well versed or not?

10 Document Similarity t Similarity  key concept behind information storage and retrieval.  목적 u query 에 의해 표현된 정보와 유사한 내용을 가지고 있 는 document 를 검색하는 것. t Lexically based measures are dominant.  문서 길이 등에 의한 편차를 줄이기 위해 정규 화된 (normalized) similarity measure 를 사용

11 Lexically based measure t Basic representation  vector form  D = u t i : ith term in the vocabulary u t1, t2, …, tN s term frequencies, s or indicator of term occurrence

12 Occurrence-oriented(0-1 vector) t Basic comparison unit   (D 1, D 2 ) = w - (n 1 n 2 /N) s 0 보다 클수도 있고 작을수도 있다 ( 클수록 비슷 ) s 0 인 경우 : independence value of w (w = n1n2/N) u n 1 = w+x u n 2 = w+y u N = w+x+y+z u w = the number of terms for which t 1i = t 2i = 1 u x = the number of terms for which t 1i = 1, t 2i = 0 u y = the number of terms for which t 1i = 0, t 2i = 1 u z = the number of terms for which t 1i = 0, t 2i = 0

13 Occurrence-oriented(0-1 vector)

14 t Coefficient of association  상관 계수 C  (D 1,D 2 ) =  (D 1, D 2 ) /    만 단독으로 사용하면 너무 큰 값이 될 수 있으 므로 계수  로 나눈 값을 최종 상관 ( 유사 ) 계수 로 사용 u N=10,000, w=1000, n1=1000, n2=1000 이면,  는 900 t Separation Coefficient u 두 문서가 분리된 정도 ( 유사도의 반대 개념 ) (>0, <1) u 유사도 = 평균적 분리도 – 두 문서 간 분리도 u  (S)=N/2 Occurrence-oriented(0-1 vector)

15 Occurrence-oriented(0-1 vector)

16 t Other coefficients Occurrence-oriented(0-1 vector)

17 t  를 사용하지 않는 coefficient( 상관계수 )  Dice’s Coefficient u independant value 를 사용하지 않음 u w 항만을 사용 ( 산술 평균으로 나눈값 )  Cosine Coefficient Occurrence-oriented(0-1 vector)

18 frequency-oriented t 빈도수 기반 유사도  based on metric or distance measure  3 가지 가정 u nonnegative, 동일 문서간 거리 =0 u symmetric u triangle inequality: d(A, B)+d(B, C) > d(A, C)  similarity 는 distance 에 반비례  pseudo-metric u 실제로는 다른 문서간 거리가 0 이 되는 것을 허용 u list of key terms 를 사용하는 경우 : full text 검색에 적합

19 frequency-oriented t 유사도 (similarity) 는 distance 의 반비례 함수  ex) if d is distance, e -d can be the similarity function t L p metrics  일반적으로 p 는, u 1:city block(or Manhatan) distance u 2:Euclidean distance u  :maximal direction distance

20 frequency-oriented t 예제 : D 1 =, D 2 =, D 3 =, D 4 =  D1 으로부터 D2, D4 까지의 상대 거리는 측정값의 종류에 따라 달라짐

21 7. Problems of using a uncontrolled vocabulary t The impact of very common terms  stop list t variants of a given term  stemming t the use of different terms with similar meanings  thesaurus

22 Stop list (Negative dictionary) t most common words(the,of,and,…) in English account for 50% or more of any given text. t maintaining stop list can increase performance t But, the use of stop words should be carefully considered.  ex) “To be, or not to be”  Adding subject dependent stop list to general one can solve this problem more or less.

23 Stemming t a given word may occur in many different forms. t for example,  computer, computers, computing, compute, computes, computation, computational, computationally t stemming algorithm can increase performance t 주로 접미사 (suffix) 를 반복적으로 제거  맨끝으로부터 가장 긴 접미사를 찾는 것이 목적

24 Stemming t 접두사 (prefix) 를 활용하지 않는 이유  접두사인지 단어의 일부인지를 구별하기 힘들다 u inner, interior, into  접두사의 제거가 단어의 뜻을 크게 변화시킬 수도 있다 u negative prefixes (unfortunate vs. fortunate) t problems  Result of stemming can make the meaning of words change. u ex) breed = bre + ed  Stem changes in plural of noun in English. u ex) knives = knive + s  full text 의 stemming 에는 매우 큰 비용 u 대안 : query 에 대해서만 stemming 하고 * 를 사용한다 s computers -> comput*

25 Thesaurus t different terms can assume similar meanings.  ex) post a letter = mail a letter t Thesaurus contains  synonyms and antonyms  broader and narrower terms  closely related terms t during stroage process,  control the vocabulary  replace each term variant with a standard term chosen on the basis of the thesaurus

26 Thesaurus t During query process,  broaden a query and ensures that relevant documents are not missed. t problems  Homographs u two words with distinct meanings but identical spellings u 구분을 위해서는 syntactic, semantic, pragmatic analysis 가 모두 필요하다 u ex) I can can a can.  Homonyms (multimedia document 의 경우 ) u words that sound alike but have distinct meanings u ex) bore vs boar