BBY 156 Bilgi Erişim�2024-2025�http://bby156.blogspot.com ��Bilgi erişim kuralları �(erişim modelleri/fonksiyonları)

​

👉 Olasılık modeli

👉 Sorgu modifikasyonları

�OBSANY

Erişim fonksiyonları (hatırlatma)

• Bilgi erişim sistemlerinde kullanılan erişim kuralları (fonksiyonları/modelleri) kabaca üç başlık altında sınıflandırılabilir:
• Boole (kesin çakışma - exact match)
• Sorgu ve dizin terimleri arasında kesin eşleşme (exact match) gerektiren erişim fonksiyonları
• Vektör uzayı
• Sorgu ve dizin terimlerinin n-boyutlu bir uzaydaki vektörler olarak işlem gördüğü ve ağırlıklandırıldığı erişim fonksiyonu
• Olasılık kuramı
• Sorgu ve dizin terimlerinin olasılık kuramına göre ağırlıklandırılmasına dayalı erişim fonksiyonları

Boole modeli ~ avantaj-dezavantaj (hatırlatma)

• Boole modelinin temel avantajı tasarımındaki basitlik.
• En önemli dezavantajı ise tam çakışma (exact match) erişim kuralının çok az ya da çok fazla sonuç getirebilecek olması.
• Benzerlik derecelendirmesi yok: Sorgu ile belgenin ne kadar ilgili olduğunu gösteren bir skor değeri üretilmiyor bunun yerine ilgili / ilgisiz (1/0) yargısı var.
• Eşleştirmelerde terim ağırlıklandırma yok: Bir belge içerisinde 1 kez geçen terimle 100 kez geçen terim aynı ağırlıkta, bu belge içeriğini ifade eden değerli terimleri seçmemizi engelliyor.
• Sorgu oluşturmak zor: Kullanıcıların bilgi ihtiyaçlarını ifade edebilmek için karmaşık sorgular kurabilmesi gerekiyor.
• Hata toleransı yok: Bilgi ihtiyacı tam ifade edilmek zorunda, yaklaşık sonuç alma olasılığı yok.

Vektör uzayı modeli (avantaj-dezavantaj)

• Sorgu sonucu derecelendirilebiliyor.
• Kosinüs ölçümüne göre her belgeye bir sorgu ile ilgili benzerlik değeri verilebiliyor.
• Terim ağırlıklandırma ile sorgu sonucu elde edilen belgelerin kalitesini artırmak mümkün oluyor (yani daha başarılı bilgi erişim süreci).
• Hızlı ve etkin bir model, hala popüler olarak kullanılıyor.
• Terimleri birbirlerinden bağımsız görmesi dezavantajı (belgedeki kelimeler arası ilişkiler göz ardı ediliyor).

Olasılık sıralama prensibi (probability ranking principle)

• Olasılığa dayalı etkin bir erişim modeli oluşturabilmek için:
• Belgelerin “ilgililiğe” ne tür bir katkı yaptığını tahmin etmek isteriz.
• Yani, bir belgenin ilgililik kararını verirken;
• terim sıklığı,
• belge sıklığı,
• belge uzunluğu ve
• hesaplanabilecek diğer istatistikleri

bilmek isteriz.

• Bu noktada, olasılık sıralama prensibi şu sorunun yanıtını arar:
• Bu istatistikler/veriler ne şekilde birleştirilsin ya da ne tür bir hesaplama yapılsın ki ilgililik olasılığı en iyi şekilde hesaplanabilsin?
• Böylece,
• yapılan bir sorgu ile elde edilecek sonuçlar içinde yer alacak, birbirine “benzer” belgeleri, ilgililiklerine (işe yararlılık ihtimallerine) göre azalan sırada dizmek mümkün olabilir.
• Bilgi erişim çalışmalarında ortaya konulan olasılık modellerinin hemen hemen tümü bu prensipten hareketle geliştirilmiştir.

​

Olasılık modelleri..

• Olasılık modellerinde, kullanıcı geribildirimi aracılığı ile sorgu terimlerinin ilgili belgelerde bulunabilme olasılıkları temel alınarak sorgu terimleri ağırlıklandırılır.
• Bir belgenin bir sorgu sonucunda ilgili olarak değerlendirilip değerlendirilemeyeceği konusunda birçok model oluşturma girişimi olmuştur.
• Bu modeller, erişilen belgeleri ilgililik olasılığına göre sıralamayı amaçlar. Buna, «olasılık sıralama prensibi» (probability ranking principle) adı verilir.
• Temeli, olasılığın doğru tahmin edilmesi ile ilgili bazı matematiksel formüllere dayanır.

​

Olasılık modelleri, temel olarak, İLGİLİLİK olasılıklarının tahmin edilmesine yönelik hesaplamaları gerçekleştirebilmek için şu soruyla hareket eder:

«Bir kullanıcı sisteme t_i terimini kullanarak bir sorgu yöneltirse, derlemdeki B_j belgesinden memnun olma olasılığı nedir?»

..Olasılık modelleri

• Bir kullanıcı kendi bilgi ihtiyacını kapsayan bazı terimleri içeren Q sorgusunu sisteme yöneltti diyelim.
• Farklı kullanıcıların aynı sorgu ifadesini kullanarak sisteme sorgu yöneltmesi, onların başka kullanıcılarla aynı belgeyi “ilgili” olarak değerlendirecekleri anlamına gelmez.
• Bilgi erişim sisteminin görevi, Q sorgusunu yönelten kullanıcıların sorguya karşılık gelecek olan her bir belgeyi “ilgili” olarak değerlendirip değerlendirmeyecekleri olasılığını hesaplamaktır.

Robertson, Maron & Cooper, 1982

​

..Olasılık modelleri

• Belgelerin çok farklı özellikleri olabilir.
• Bazı belgeler kullanıcıların aradığı her özelliği karşılıyor olabilirken, bazı belgeler ise kısmen karşılıyor ya da hiç karşılamıyor olabilir.
• Sisteme sorgu yönelten kullanıcılar derlemde yer alan tüm belgeleri değerlendirse, bazıları (aynı özellikleri taşıyan) belgeleri “ilgili” bazıları ise “ilgisiz” olarak değerlendirebilir. Bunun tam tersi de geçerlidir.
• Bilgi erişim sisteminin işlevi, belgelerin aranılan belirli bir veya bir grup niteliğe göre ilgili olup olmama olasılığını hesaplamaktır.

Robertson, Maron & Cooper, 1982

​

​

..Olasılık modelleri - notasyon

• Olasılıklar, öncelikli kullanım ya da ilgililik olasılığı temel alınarak tahmin edilebilir:
• D = Sistemde var olan ve gelecekte var olacak olan tüm belgeler
• Q = Halihazırda sisteme yöneltilmiş ve gelecekte yöneltilebilecek olan sorgular
• x = benzer belgeler sınıfı
• y = benzer sorgular sınıfı
• (D_i,Q_j) = Bir belge-sorgu çifti

İlgililik (R) şöyle bir matematiksel ilişki ile temsil edilebilir:

​

Buna göre, D_i belgesi Q_j sorgusunu yönelten kullanıcı tarafından ilgili

olarak değerlendirilir.

D = Sistemde var olan ve gelecekte var olacak olan tüm belgeler

Q = Halihazırda sisteme yöneltilmiş ve gelecekte yöneltilecek olan sorgular

x = benzer belgeler sınıfı

y = benzer sorgular sınıf

(Di,Qj) = Bir belge-sorgu çifti

Probabilistic model seeks to answer this basic question:

​

What is the probability that this document is relevant to this query?

• This model ranks documents in order of their relevance, thus answering the basic question above.
• Therefore, here, retrieval is a ranking process.
• Ranking gives user the control of how much material to look at, and thus s/he has the choice to deal only with more precise results.

Othman, 2009, p.39

..Olasılık modelleri (hedef)

• Kullanıcılar, bir bilgiye ihtiyaç duyduklarında bunu genellikle bir sorguya (query) dönüştürerek bilgi erişim sistemlerine iletirler. Aynı şekilde, sistemdeki belgeler de belirli bir biçime sokularak belge temsillerine (dizin terimlerine) dönüştürülür. Bilgi erişim sistemi, bu iki temsil (yani sorgu ve belge temsilleri) arasındaki benzerliğe bakarak, belgelerin kullanıcının bilgi ihtiyacını ne kadar karşıladığını tahmin etmeye çalışır.
• Boole veya vektör uzayı modeli gibi klasik bilgi erişim yaklaşımlarında, sorgu ve belge eşleştirmesi belirli kurallara dayalı olarak yapılır (bkz. 11 Nisan 2025 dersi: https://bby156.blogspot.com/2025/04/4-nisan-bilgi-erisim-kurallar-boole.html). Ancak bu kurallar, terimler düzeyinde (örn. terim sıklığı) çalıştıkları için anlamsal olarak kesin bir eşleşme sunmazlar. Yani sistem, kullanıcının gerçekten ne aradığını tam olarak anlayamaz. Yalnızca sorgu-belge eşleşmesine bakıp belgelerdeki terim sıklıkları üzerinden bir hesaplama yaparak (örn. tf*idf) benzerliğe karar verir.
• Aslında, bir bilgi erişim sisteminin elinde sadece kullanıcıdan gelen sorgu vardır, fakat bu sorgu, kullanıcının gerçek bilgi ihtiyacının tam bir yansıması olmayabilir. Aynı şekilde sisteminin de yalnızca kullanıcının girdiği bir sorgu formülasyonuna bakarak bilgi ihtiyacını net bir şekilde algılaması zordur.
• İşte bu noktada olasılık kuramı, belirsizlik altında akıl yürütme yapmak için güçlü ve sistematik bir temel sunar. Yani sistem, belgelerin ilgili olup olmadığını belirlerken bu belirsizliği hesaba katar ve olasılıklara dayalı kararlar verir.

«»

«»

..Olasılık modelleri (avantaj-dezavantaj)

Avantaj

• “İlgililik” kavramının öznelliğinden kaynaklı belirsizliği azaltabilir: Kullanıcı sorguları çoğu zaman gerçek bilgi ihtiyacını tam olarak yansıtamaz; belgelerin de doğrudan ilgili olup olmadığını bilmeyiz. Olasılık modeli bu belirsizliği hesaba katar ve elde veri olması kaydıyla (önceki kullanımlara ait örüntüler, kullanıcı geribildirimleri, tercihleri vb.) gerçekçi bir yaklaşımla çalışır.
• Sorgu sonuçlarını “ilgililiğe” göre sıralama konusunda başarılıdır: Belgelerin sorguyla ne kadar ilgili olabileceğini istatistiksel tekniklerle skorlayarak sıralama yapar. Bu da kullanıcının gerçekten işine yarayacak belgelere daha kolay (örm. üst sıralarda) ulaşmasını sağlar.
• Kullanıcı geri bildirimi (relevance feedback) ile sistem performansı artırılabilir: Kullanıcı bir belgeyi "ilgili" veya "ilgisiz" olarak işaretlediğinde, sistem bu bilgiyi kullanarak sonraki benzer sorgularda listeleyeceği sonuçları daha isabetli hale getirebilir.
• Güçlü teorik ve matematiksel temellere dayanır: Olasılık kuramı gibi köklü bir temele dayandığı için modeli genişletmek ve farklı bağlamlarda uygulamak kolaydır.

Dezavantaj

• Başlangıçta, belgelerin "ilgili" olup olmadığına dair veri (ground truth) yoktur. Bu da modelin ilk aşamadaki tahminlerinin zayıf olmasına neden olabilir.
• “İlgili” belgelerin hangileri olduğuna dair veri toplanması gerekir, yani ilgililik bir şekilde net olarak tahmin edilmelidir. Ne kadar çok ve kaliteli veri varsa, sistemin tahminleri o kadar iyi olur. Veri azsa veya kalitesizse, olasılık modeli doğru çalışmayabilir.
• Basit olasılık modelleri terimlerin birbirinden bağımsız olduğunu varsayar. Örneğin “aşk” ve “romantik” sözcükleri anlamsal olarak birbiriyle ilişkili olsa da temel olasılık modelleri bu semantik bağlantıyı dikkate almaz.
• Sisteme yeni eklenen belgelerin ilgililik değerlendirmesinin de sürekli olarak yapılmasını gerektirir.

..Olasılık modelleri

• Olasılık modelleri, belgelerin ve sorguların temsilleri üzerinde çalışır. Bu temsiller,
• kelimelerin geçiş sıklığı,
• kelimelerin sırası
• belgelerin diğer belgelerle olan ilişkisi

gibi faktörleri içerebilir. Model daha sonra bu temsilleri kullanarak, her bir belgenin sorgu ile ne kadar ilgili olduğunu tahmin eden bir algoritma uygular.

• Olasılık modellerine dayalı algoritmalar sayesinde
• Kişiselleştirilmiş (personalised) arama sonuçları
• Doğal dille arama yapılabilen arama motorları (örn. Google)
• Öneri sistemleri (Örn. Netflix, Trendyol vb. platformlarda kullanıldığı gibi)
• E-posta düzenleme/Spam filtreleme
• Makine öğrenmesi modelleri
• Üretici yapay zeka (generative AI) sistemleri
• …

ortaya çıkarılabilir.

Örnek: Film öneri sistemi

🎬 Senaryo: Bir kullanıcı "romantik komedi" türünde bir film arıyor.

​

💬 Sorgu: romantik komedi

​

📚 Belge kümesi (Belgeler = Filmler): Aşağıdaki listenin her bir filmin özetinden elde edilmiş dizin terimleri olduğunu düşünelim.

Film: Temsili Terimler:

D1 romantik, komedi, Paris, romantik, çift, tatil, komik, romantik, aşk, romantik komedi

D2 aksiyon, gerilim, ajan, görev, polis

D3 komedi, lise, arkadaşlık, gençlik, gençler, romantik, komik

D4 romantik, aşk, komik, dram, aşıklar

​

📌 Boolean modeline göre tasarlanmış sistemde: yalnızca D1’e erişilir.

📌 Vektör uzayı modeline göre tasarlanmış sistemde: D1 çok yüksek skora sahip olur, D3 ve D4 düşük skorlarla da olsa eşleşebilir. Muhtemelen sonuç listesi sırasıyla D1, D3, D4 olur.

📌 Yukarıda örneklenen iki modelin yaklaşımı terim sıklıklarına dayalı. Olasılık kuramına göre tasarlanmış sistemde bu verilerin dışında kullanıcı tercihleri, oylamaları, tıklama sayıları, beğenilerine yönelik geribildirimleri vb. veriler de olur. Bu verilere dayalı olarak yapılan istatistiksel hesaplamalarla sorgu sonucunda gelen sıralama (ilgililik sıralaması) bambaşka bir hal alabilir.

Bilgi erişim sistemlerinde sorgu modifikasyonları

Seçilen ilgili belgeler

Sorun:

• Kullanıcılar mutlaka kendileri ile ilgili olmayan belgeleri de sonuç listesinde görüyor.
• Ya da kullanıcıların her ilgili belgeyi sonuç listesinde görebilmeleri mümkün değil.
• Bu, bilgi erişim sistemlerinin “mekanik” yapısının dezavantajı.
• Yapılan çalışmalar gösteriyor ki, tek bir sorguya dayalı olarak sonuç listesi getirilmesindense sorguların birkaç aşamalı olarak modifiye edilmesi bilgi erişim sisteminin etkinliğini ve kullanıcı memnuniyetini artırıyor.

​

Sorgu modifikasyonu

(query modification/reformulation)..

• Neden sorgu modifikasyonu?
• Kullanıcılar genellikle sorguları sonucunda bazı ilgili belgelere ulaşırlar ama sistemdeki “tüm” ilgili belgelere neredeyse asla ulaşamazlar.
• Bu durum, çoğu kullanıcı için önemli değildir, ancak sistemdeki tüm ilgili belgelere erişmenin kritik önem taşıdığı durumlarda, kullanıcılar için daha fazla ilgili belgeye erişme imkânı nadiren vardır.

​

Soru: Bir sistemdeki tüm ilgili belgelere ulaşmak örneğin nasıl bir senaryoda kritik öneme sahip olabilir?

​

..Sorgu modifikasyonu

(query modification/reformulation)..

• Kullanıcılar her zaman sorgu modifikasyonuna ihtiyaç duyarlar (önceki haftalarda da belirttiğimiz gibi tek bir sorgu ile ihtiyaç duyulan belgelere ulaşmak çoğu zaman mümkün olmaz).
• Kullanıcılar ilk seçenek olarak genellikle aramalarını “genişletirler” (expanding the search).
• Örnek?
• Bu iş için genelde ya aradıkları terimin kavramsal olarak daha geniş olanını (broader term) kullanarak yeniden bir Boole sorgusu oluştururlar ya da ilk sorguları sonucunda elde ettikleri sıralanmış sonuç listesinde daha aşağılara bakarlar.
• Bu, çoğu zaman boşuna bir çabadır. Çünkü genişletilmiş terimleri kullanarak yapılan Boole sorgusu çok fazla ilgisiz sonucu da beraberinde getirecektir.
• Kullanıcılar için ikinci seçenek, orijinal sorgularını değiştirmek olabilir.
• Örnek sorgu:
• => «indeks değeri belirleme yöntemi» / «madde analizi»
• Bu da genellikle rastgele bir işlemdir çünkü kullanıcı muhtemelen bilgi ihtiyacı ile ilgili orijinal sorguyu ilk tasarlarken zaten en iyi performansını sergilemiştir ve dolayısı ile hangi değişikliği yapsa daha iyi sonuç elde edeceği belirsizdir.

​

Bu noktada sistem, kullanıcıya yardımcı olarak şekilde tasarlanmışsa sistem tarafından sorgu modifikasyonu devreye sokulur.

• Sorgu modifikasyonu genelde ya sistem tarafından otomatik olarak yapılır ya da kullanıcı geri bildirimi alınarak gerçekleştirilir.

​

​

..Sorgu modifikasyonu

(query modification/reformulation)..

• Kullanıcılar her zaman sorgu modifikasyonuna ihtiyaç duyarlar (önceki haftalarda da belirttiğimiz gibi tek bir sorgu ile ihtiyaç duyulan belgelere ulaşmak çoğu zaman mümkün olmaz).
• Kullanıcılar ilk seçenek olarak genellikle aramalarını “genişletirler” (expanding the search).
• Örnek?
• Bu iş için genelde ya aradıkları terimin kavramsal olarak daha geniş olanını (broader term) kullanarak yeniden bir Boole sorgusu oluştururlar ya da ilk sorguları sonucunda elde ettikleri sıralanmış sonuç listesinde daha aşağılara bakarlar.
• Bu, çoğu zaman boşuna bir çabadır. Çünkü genişletilmiş terimleri kullanarak yapılan Boole sorgusu çok fazla ilgisiz sonucu da beraberinde getirecektir.
• Kullanıcılar için ikinci seçenek, orijinal sorgularını değiştirmek olabilir.
• Örnek sorgu:
• => «indeks değeri belirleme yöntemi» / «madde analizi»
• Bu da genellikle rastgele bir işlemdir çünkü kullanıcı muhtemelen bilgi ihtiyacı ile ilgili orijinal sorguyu ilk tasarlarken zaten en iyi performansını sergilemiştir ve dolayısı ile hangi değişikliği yapsa daha iyi sonuç elde edeceği belirsizdir.

​

Bu noktada sistem, kullanıcıya yardımcı olarak şekilde tasarlanmışsa sistem tarafından sorgu modifikasyonu devreye sokulur.

• Sorgu modifikasyonu genelde ya sistem tarafından otomatik olarak yapılır ya da kullanıcı geri bildirimi alınarak gerçekleştirilir.

​

​

..Sorgu modifikasyonu

(query modification/reformulation)..

• Kullanıcılar her zaman sorgu modifikasyonuna ihtiyaç duyarlar (önceki haftalarda da belirttiğimiz gibi tek bir sorgu ile ihtiyaç duyulan belgelere ulaşmak çoğu zaman mümkün olmaz).
• Kullanıcılar ilk seçenek olarak genellikle aramalarını “genişletirler” (expanding the search).
• Örnek?
• Bu iş için genelde ya aradıkları terimin kavramsal olarak daha geniş olanını (broader term) kullanarak yeniden bir Boole sorgusu oluştururlar ya da ilk sorguları sonucunda elde ettikleri sıralanmış sonuç listesinde daha aşağılara bakarlar.
• Bu, çoğu zaman boşuna bir çabadır. Çünkü genişletilmiş terimleri kullanarak yapılan Boole sorgusu çok fazla ilgisiz sonucu da beraberinde getirecektir.
• Kullanıcılar için ikinci seçenek, orijinal sorgularını değiştirmek olabilir.
• Örnek sorgu:
• => «indeks değeri belirleme yöntemi» / «madde analizi»
• Bu da genellikle rastgele bir işlemdir çünkü kullanıcı muhtemelen bilgi ihtiyacı ile ilgili orijinal sorguyu ilk tasarlarken zaten en iyi performansını sergilemiştir ve dolayısı ile hangi değişikliği yapsa daha iyi sonuç elde edeceği belirsizdir.

​

Bu noktada sistem, kullanıcıya yardımcı olarak şekilde tasarlanmışsa sistem tarafından sorgu modifikasyonu devreye sokulur.

• Sorgu modifikasyonu genelde ya sistem tarafından otomatik olarak yapılır ya da kullanıcı geri bildirimi alınarak gerçekleştirilir.

​

​

Sorgu modifikasyonu yöntemleri..

• Yazım denetimi / düzeltmesi (spelling correction):

​

​

..Sorgu modifikasyonu yöntemleri..

• Sorgu genişletme: (Query expansion / expanding the search)
• Bu yöntemde sorgu terimlerine benzer terimler sistem tarafından (genellikle sistemdeki thesaurustan yararlanılarak) kullanıcıya önerilir.

..Sorgu modifikasyonu yöntemleri..

• İlgililik geri bildirimi (relevance feedback)
• Temel amaç: Kullanıcının ilk arama sonuçlarıyla etkileşiminden yola çıkarak sorguyu iyileştirmek ve daha isabetli sonuçlar sunmak. Yani sistem şunu yapar: “Kullanıcının beğendiği belgelerde hangi terimler var? O zaman bu terimler önemli olmalı!”
• İki temel yaklaşım:
• Otomatik (“uydurma” [psuedo] ilgililik geribildirimi)
• Sistem, kullanıcının hiçbir şey söylemesine gerek kalmadan ilk sıralardaki birkaç belgeyi "muhtemelen ilgili" kabul eder. Bu belgelerdeki terimlerden yeni bir sorgu oluşturur ya da var olan sorguyu genişletir.
• Örn: İlk 10 belgeyi alır → sık geçen kelimeleri seçer → yeni sorgu = eski sorgu + bu kelimeler
• Yani, "ilk sırada gelen sonuçlarda işe yarar terimler vardır, onları kullanalım." mantığıyla çalışır.
• Kullanıcı destekli geribildirim
• Kullanıcı, ilgili olduğunu düşündüğü belgeleri manuel olarak seçer.
• Sistem, bu belgelerdeki örüntülere bakarak sorguyu geliştirir.
• Daha etkili ama kullanıcıdan katkı istendiği için pratikte her zaman işe yaramayabilir. Neden?
• Kullanıcıların genelde buna ayıracak vakti yok.
• Çoğu kullanıcı bu tarz gelişmiş sistemlerle etkileşime girmek istemiyor.
• Arama süreci uzuyor.

«Bike» sorugusu için kullanıcının seçtiği sonuçlar (yeşil ile işaretli)

Kullanıcının «ilgili» olarak işaretlediği sonuçların ardından gelen yeni sonuç listesi.

..Sorgu modifikasyonu yöntemleri..

• İlgililik geri bildirimi (relevance feedback)
• Sorunlar
• Alternatif kullanım alanlarında çok fazla dikkate alınması gereken nokta var:
• Örtük (implicit) / açık (explicit) değerlendirmeler.
• Örtük: «Implicit feedback is inferred from user behavior, such as noting which documents they do and do not select for viewing, the duration of time spent viewing a document, or page browsing or scrolling actions.»
• Açık: «Explicit feedback is obtained from assessors of relevance indicating the relevance of a document retrieved for a query. This type of feedback is defined as explicit only when the assessors (or other users of a system) know that the feedback provided is interpreted as relevance judgments. Users may indicate relevance explicitly using a binary or graded relevance system.»
• Bireysel / grup değerlendirmeleri
• Durağan / dinamik konu başlıkları
• Değerlendirilen belgelerin benzerliği / değerlendirenlerin benzerliği

..Sorgu modifikasyonu yöntemleri..

• Sosyal filtreleme (collaborative / social filtering)
• Bu yapı, içeriği bir tarafa bırakıp yalnızca değerlendiricilerin benzer düşüncelerine bakar.
• Beğenilere dayalı veriler söz konusu olduğunda sosyal filtreleme daha çok işe yarar.

​

..Sorgu modifikasyonu yöntemleri..

• Sosyal filtreleme (collaborative / social filtering)
• Bazı sosyal filtreleme yöntemleri
• Kullanıcılar arasında tercihleri sizinkine benzer olanları bulma.
• Örneğin: “Onların beğendiğini siz de beğenebilirsiniz.”
• Sistemin arka planında kullanıcı hareketlerini izleme.
• Örneğin: “Sistemde gerçekleştirdiği son işlemler, kullanıcıların gelecekte ne talep edeceğini tahmin etmek için kullanılabilir.”
• Bir çok insanın ne yapmakta olduğunu tahmin etme.
• Örneğin, “Belirli bir sayıda / sürede belirli bir içeriğe odaklanılmışsa benzer içerikler etkileşimi artırabilir.”

​

​

..Sorgu modifikasyonu yöntemleri..

• Sosyal filtreleme (collaborative / social filtering)
• “Ahmet bu makaleyi beğendiyse ben de beğenirim”
• “Eğer Yıldız Savaşları’nı sevdiysen, Kurtuluş Günü’nü de seversin”
• Bu örneklerde derecelendirme (rating), benzer insanlar tarafından yapılan sıralamalara dayanmaktadır.
• Temel mantık: Sistemi halihazırda kullanan kullanıcılar gelecekteki kullanıcıların görüşlerini tahmin etmeyi sağlayabilir..

​

Benzerlik (similarity) hesaplaması

Sosyal filtreleme yöntemi örneği:

Ringo Collaborative Filtering

• Kullanıcıların aktörler için beğenmemeden beğenmeye doğru giden puanlama sistemi ile sıralama yaptıklarını düşünelim. Buna göre puanlama;
• 1= nefret ederim .. 4 = kararsızım .. 7= onsuz yaşayamam

olsun.

• 4 puan civarında normal bir dağılım söz konusu olacaktır.
• Ancak bu durumda uç noktalar daha önemlidir.
• «En Yakın Komşu» Stratejisi (Nearest Neighbors Strategy)=> “Benzer puan vermiş kullanıcıları ve tahmini (ağırlıklandırılmış) ortalama kullanıcı puanlarını bul”
• Pearson r algoritması: kullanıcı U ve kullanıcı J arasındaki korelasyon derecesine bakarak ağırlıklandırma
• 1, iki kullanıcının görüşlerinin çok benzer olduğunu, 0, korelasyon olmadığını, -1 görüşler arasında benzeşme olmadığını gösterir

..Sorgu modifikasyonu yöntemleri

• Öğrenebilir arayüzler:
• Kullanıcı arayüzüne eklenen bazı uygulamalara (agents), bazı görevler atanır.
• Makine öğrenme (machine learning) teknikleri kullanılarak bilgi erişim performansının artırılması amaçlanır.
• Kullanıcı davranışları ve tercihleri takip edilir. Öneri sistemleri (recommendation systems) geliştirilir.
• Şu durumlarda işe yarar:
• Geçmiş davranışlar gelecekteki davranışların tahmin edilmesine yarar.
• Çok farklı kullanıcı davranışı biçimlerini ortaya koyar.
• Örnekler:
• Posta düzenleyici: gelen postaları doğru klasörlere ya da posta kutularına gönderir
• Takvim yöneticisi: toplantı zamanlarını otomatik olarak ayarlar

Örnek: Rank Dynamics (Surf Canyon)

• «Discovering discovery»

​

Sorgu modifikasyonu (query modification/reformulation) ~ ö z e t

• Modifikasyon doğrudan ya da dolaylı kullanıcı girdisi ile yapılabilir.
• Modifikasyon birey ya da grupların geçmiş girdileri temel alınarak yapılabilir.
• Bir sorgu modifikasyonu yöntemi olan «ilgililik geribildirimi» kullanıcı güdümlü (user-directed) sorgu modifikasyonlarında daha etkilidir.

​

​

​

Okuma listesi

Tonta, Y. (1995). Bilgi erişim sistemleri. (http://yunus.hacettepe.edu.tr/~soydal/bby156_2013/3/BilgiErisimSistemleri_tonta1995.pdf)

Buckland, M. (1991). Information as thing. (http://people.ischool.berkeley.edu/~buckland/thing.html)

Tonta, Y., Bitirim, Y. ve Sever, H. (2002). Türkçe Arama Motorlarında Performans Değerlendirme. (Tam metin)

Manning, C.D., Raghavan, P. & Schütze, H. (2008). Principles of Information Retrieval.

* Relevance feedback and query expansion: http://nlp.stanford.edu/IR-book/html/htmledition/relevance-feedback-and-query-expansion-1.html

* Probabilistic information retrieval: http://nlp.stanford.edu/IR-book/html/htmledition/probabilistic-information-retrieval-1.html

​

Baeza-Yates, R. and Ribeiro-Neto, B. (1999). Modern Information Retrieval. (Tam metin)

​

Bu derste kullanılan slaytların çoğunluğu

Information organization and retrieval (R. Larson & W. Sack, 2001)

Bilgi erişim ilkeleri (Y. Tonta, 2002)

Bilgi erişim (G. Köse, 2012)

derslerine ait slaytlardan derlenmiştir.