Informationsrückgewinnung

Suchmaschinen arbeiten nach einem ganz logischen Prinzip.

crawling“ ist eine Software, die eine website ausliest und dann mit allen darin vorkommenden Links weitermacht. Wenn eine website also von nirgendwoher verlinkt ist, dann wird diese auch nicht von den Suchmaschinen gefunden.

Indexierung“ hilft dabei, eine Webseite schnell auffindbar zu machen, indem man sie nach Suchkriterien geordnet abspeichert. Dabei gibt es zwei verschiedene Möglichkeiten, einmal durch die Ordnung nach den einzelnen Wörtern des Volltext und einmal durch eine Ordnung von beschreibenden Metadaten. Für die Indexierung muss das Dokument identifizierbar sein, damit die Liste der Erschließungsinformationen auf das Dokument verweisen kann. Als Erschließungsinformationen können im die Metadaten, Wörter im Text und Verlinkung verwendet werden.

Zur Volltextsuche ist es nötig, dass Wörter effizient auffindbar sind. Das Grundkonzept hierbei liegt darin, dass das Auffinden schneller geht, wenn man in der Mitte einer Liste zum Suchen beginnt. Hierfür ist der b-tree (der binäre Baum) ein gutes Beispiel; denn alle Wege sind von der Wurzel aus zu den Blättern gleich lang. Also bei einer Zahlenreihe nimmt man die mittlere Zahl und differenziert dann immer ob die anderen Zahlen größer oder kleiner sind.

Die Gewichtung von Treffern in der Ergebnisliste einer Suche wird auch ranking genannt. Dabei können z.B. untersucht die relative Worthäufigkeit (TF) und die inverse Dokumentenhäufigkeit (IDF) untersucht werden. Bei der Gewichtung von Dokumenten kann die Vertrauenswürdigkeit der Quelle (beispielsweise die/der AutorIn), oder auch automatische Kriterien angewendet werden (wie häufig wird die Quelle verlinkt, Verzeichnistiefe, …).

Suchsyntax kann Boolescher Operatoren zulasen. Dieser verwendet bei der Suche die Worte „UND“, „ODER“ und NICHT und führt somit zu gezielteren Suchergebnissen. Sie sind z.B. bei der Volltextsuche mit Lucene verwendbar. Diese Software hilft zusätzlich dabei, bessere Suchergebnisse zu erzielen, in dem man Anführungszeichen verwenden, wenn Phrasen gesucht werden, oder durch einen Stern (*) kann ein Suchbegriff „trunkierT“ werden kann.

Precision/Recall beschreibt die Trefferquote und die Genauigkeit/Relevanz des gesuchten Ergebnisses im Vergleich mit der Suche. Als zusammengefasstes Genauigkeitsmaß kann man ein gewichtetes harmonisches Mittel von Genauigkeit und Trefferquote (also 2*(precision*recall)/(precision*recall)).

Bei der Bildersuche hilft „content based image retrieval“. Hierbei wird das Bild mithilfe der vorkommenden Farben, der Gleichmäßigkeit der Textur sowie der zuerkennenden Formen untersucht. Dieses tool kommt beispielsweise bei google image oder Bavarikon (http://bavarikon.de/imagesimilarity) zum Einsatz.

Klara Klambauer