Skip to main content
LibreTexts - Ukrayinska

10.4: Впровадження взаємодії

  1. Last updated
  2. Save as PDF
  • Page ID
    53680

    • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)

    Наступні розділи описують деякі поширені взаємодії в цифрових організаційних системах. Один із способів розрізнити серед них - розглянути джерело алгоритмів, які використовуються для їх виконання. В основному ми можемо розрізняти взаємодію з пошуком інформації (наприклад, пошук та перегляд), взаємодії з машинним навчанням (наприклад, кластер, класифікація, витяг) або взаємодії з обробкою природної мови (наприклад, розпізнавання названих сутностей, узагальнення, аналіз настроїв, анафорна роздільна здатність). Інший спосіб розрізнити взаємодію - відзначити, чи змінюються ресурси під час взаємодії (наприклад, анотування, тег, швидкість, коментар) або незмінні (пошук, кластер). Ще одним способом було б розрізнити взаємодії на основі їх абсолютної та відносної складності, тобто на прогресуванні дій або кроків, необхідних для завершення взаємодії. Тут ми розрізнимо взаємодії на основі різних шарів опису ресурсів, на які вони діють.

    Діяльність в організації систем, введена концепція доступності або поведінкового репертуару — властиві дієві властивості, які визначають, що можна зробити за допомогою ресурсів. Тепер ми розглянемо доступність (і обмеження), які властивості ресурсів створюють для дизайну взаємодії. Взаємодії, які може підтримувати окремий ресурс, залежать від характеру і ступеня властивих йому і описаних властивостей і внутрішньої структури. Однак взаємодії, які можуть бути розроблені в організаційну систему, можуть бути розширені шляхом використання колекційних властивостей, похідних властивостей та будь-якої їх комбінації. Ці три типи властивостей ресурсів можна розглядати як створення шарів, оскільки вони будуються один на одному.

    Чим далі організуюча система рухається вгору по шарах, тим більше функціональних можливостей ввімкнено і більше взаємодій може бути розроблено. Ступінь можливих взаємодій визначається ступенем властивостей, які організовуються, описуються і створюються в організуючій системі. Це позначає кореляцію між ступенем організації та діапазоном можливих взаємодій: чим ширша організація та кількість ідентифікованих властивостей ресурсів, тим більший всесвіт «доступних» взаємодій.

    Взаємодії можна виділити за чотирма шарами:

    Взаємодії, засновані на властивостях окремих ресурсів

    Властивості ресурсу широко описані в розділі Ресурси в організації систем та опису ресурсів та метаданих. Будь-яка інформація або властивість, що описує сам ресурс, може бути використана для проектування взаємодії. Якщо властивість не описана в організаційній системі або не відноситься до певних ресурсів, взаємодія, яка потребує цієї інформації, не може бути реалізована. Наприклад, такий роздрібний сайт, як Shopstyle, не може запропонувати надійно шукати за кольором одягу, якщо ця властивість не міститься в описі ресурсу.

    Взаємодії на основі властивостей колекції

    Властивості на основі колекції створюються, коли ресурси агрегуються. (Див. Основи організації систем.) Взаємодія, яка порівнює окремі ресурси із середнім показником колекції (наприклад, середній вік публікацій у бібліотеці або середня ціна товарів у роздрібному магазині), може бути реалізована лише за умови обчислення середнього показника збору.

    Взаємодії на основі похідних або обчислюваних властивостей

    Похідні або обчислені властивості не притаманні ресурсам або колекціям, але їх потрібно обчислювати за допомогою зовнішньої інформації або інструментів. Популярність цифрового ресурсу можна обчислити, виходячи з частоти його використання, наприклад. Ця обчислювана властивість потім може бути використана для розробки взаємодії доступу, яка здійснює пошук ресурсів на основі їх популярності. Важливим варіантом використання похідних властивостей є аналіз нетекстових ресурсів, таких як зображення або аудіофайли. Для цих взаємодій на основі вмісту внутрішні властивості ресурсів, такі як розподіл кольорів, обчислювально виводяться та зберігаються як властивості ресурсів. Потім можна виконати пошук за розподілом кольорів (наприклад, пошук зображень природи на відкритому повітрі може повернути ресурси, які мають високу концентрацію синього у верхній половині та високу концентрацію зеленого на дні: луг у сонячний день).

    Взаємодії, засновані на об'єднанні ресурсів

    Об'єднання ресурсів та їх індивідуальних, колекційних або похідних властивостей може бути використано для проектування взаємодій на основі спільних властивостей, які не містять єдина організаційна система та її ресурси. Це може призвести до взаємодії, яку не можуть запропонувати окремі організаційні системи з їх конкретними цілями та описами ресурсів.

    Чи може бути реалізована бажана взаємодія, залежить від шарів властивостей ресурсів, які були включені в організаційну систему. Спосіб реалізації взаємодії (особливо в цифрових організаційних системах) залежить також від алгоритмів і технологій, доступних для доступу до ресурсів або описів ресурсів.

    У наших прикладах ми пишемо насамперед про текстові ресурси або описи ресурсів. Інформаційний пошук фізичних товарів (наприклад, пошук улюбленого бренду печива в супермаркеті) або нетекстових мультимедійних цифрових ресурсів (наприклад, пошук зображень логотипу UC Berkeley) передбачає подібні взаємодії, але з різними алгоритмами та різними властивостями ресурсів.

    Взаємодії на основі властивостей екземпляра

    Взаємодії в цій категорії залежать тільки від властивостей окремих екземплярів ресурсу. Часто використання властивостей ресурсу на цьому нижньому шарі збігається з основними комбінаціями дій у взаємодії.

    Логічне вилучення

    У логічному пошуку запит задається шляхом вказівки інформаційної потреби та використання операторів з логічної логіки (AND, OR, NOT) для об'єднання компонентів. Запит порівнюється з окремими властивостями ресурсу (найчастіше термінами), де результатом порівняння є або TRUE, або FALSE. Результати TRUE повертаються в результаті запиту, а всі інші результати ігноруються. Логічний пошук не порівнює та не ранжирує ресурси, тому кожен повернутий ресурс вважається однаково релевантним. Перевага логічного пошуку полягає в тому, що результати передбачувані і легко пояснюються. Однак, оскільки результати булевої моделі не ранжуються за релевантністю, користувачам доводиться просіювати всі повернуті описи ресурсів, щоб знайти найбільш корисні результати. [1] [2]

    Тег/Анотувати

    Взаємодія з тегами або анотаціями дозволяє користувачеві (людині або обчислювальному агенту) додавати інформацію до самого ресурсу або опису ресурсів. Типова взаємодія з тегами або анотаціями знаходить опис ресурсу або ресурсу і дозволяє користувачеві додавати вибрану властивість ресурсу. Отримані зміни зберігаються в організаційній системі і можуть бути доступні для інших взаємодій (наприклад, якщо для поліпшення пошуку використовуються додаткові теги). Взаємодія, яка додає інформацію від користувачів, також може підвищити якість системи та покращити її зручність використання. [3]

    Взаємодії на основі властивостей колекції

    Взаємодії в цій категорії використовують властивості на рівні колекції, щоб покращити взаємодію, наприклад, покращити рейтинг у пошуку або включити порівняння із середніми показниками колекції.

    Ранжирування пошуку з векторним простором або імовірнісними моделями

    Ранжований пошук сортує результати пошуку відповідно до їх релевантності щодо інформаційної потреби, вираженої в запиті. Представлені тут векторний простір та ймовірнісний підходи використовують окремі властивості ресурсу, такі як виникнення термінів або частота термінів у ресурсі та колекція середніх термінів та їх частот для обчислення рангу ресурсу для запиту. [4]

    Простота логічної моделі дозволяє легко зрозуміти і реалізувати, але її бінарне поняття релевантності не відповідає нашій інтуїції, що терміни відрізняються тим, наскільки вони пропонують, про що документ. Жерар Солтон винайшов векторну космічну модель пошуку інформації для забезпечення безперервної міри релевантності. [5] У векторній просторовій моделі кожен ресурс і запит в організаційній системі представлений у вигляді вектора термінів. Ресурси і запити порівнюються шляхом порівняння напрямків векторів в n-вимірному просторі (стільки ж вимірів, скільки і членів у колекції), з припущенням, що «близькість у просторі» означає «близькість у значенні». »

    На відміну від векторної космічної моделі, основна ідея імовірнісної моделі полягає в тому, що з урахуванням запиту та опису ресурсу або ресурсу (найчастіше тексту) теорія ймовірності використовується для оцінки ймовірності того, що ресурс має відношення до інформаційної потреби. Імовірнісна модель повертає список ресурсів, які ранжуються за оцінюваною ймовірністю релевантності щодо інформаційної потреби, щоб ресурс з найбільшою ймовірністю бути релевантним ранжирувався найвищим. У векторній космічній моделі, для порівняння, ресурс, терміновий вектор якого найбільш схожий на запит терміновий вектор (на основі частотних підрахунків) займає найвищий рейтинг. [6]

    Обидві моделі використовують властивість власного ресурсу, яка називається терміном частота (tf). Для кожного терміну термін частота (tf) вимірює, скільки разів термін з'являється в ресурсі. Інтуїтивно зрозуміло, що сам термін частота має здатність узагальнювати ресурс. Якщо такий термін, як «автомобіль», часто з'являється в ресурсі, ми можемо припустити, що однією з тем, що обговорюються на ресурсі, є автомобілі і що запит на «автомобіль» повинен отримати цей ресурс. Ще одна проблема з терміном вимірювання частоти виникає, коли описи ресурсів мають різну довжину (дуже поширене явище в організаційних системах). Для того, щоб компенсувати різні довжини опису ресурсів, які зміщують кількість частот термінів та розраховану релевантність до довших документів, довжина векторів термінів нормалізується у відсотках від довжини опису, а не сирої кількості.

    Покладатися виключно на частоту термінів для визначення релевантності ресурсу для запиту має недолік: якщо термін зустрічається у всіх ресурсах колекції, він не може розрізнити ресурси. Наприклад, якщо кожен ресурс обговорює автомобілі, всі ресурси потенційно актуальні для «автомобільного» запиту. Отже, повинен бути додатковий механізм, який покарає термін, який з'являється у занадто великій кількості ресурсів. Це робиться з зворотною частотою документа, яка сигналізує про те, як часто термін або властивість зустрічається в колекції.

    Частота зворотного документа (idf) є властивістю рівня колекції. Частота документа (df) - це кількість ресурсів, що містять певний термін. Частота зворотного документа (idf) для терміна визначається як idf t = log (n/df t), де N - загальна кількість документів. Частота зворотного документа терміна зменшується, чим більше документів містять термін, забезпечуючи дискримінуючим фактором важливості термінів у запиті. Наприклад, у колекції, що містить ресурси про автомобілі, взаємодія з пошуком інформації може обробляти запит на «автомобільну аварію», знижуючи важливість «автомобіля» та збільшуючи важливість «аварії» у ресурсах, які вибрано як результат набору.

    В якості першого кроку пошуку описи ресурсів порівнюються з термінами в запиті. У векторній просторовій моделі метрика обчислення подібності між векторами опису ресурсу та запитів, що поєднує частоту термінів та зворотну частоту документа, використовується для ранжування ресурсів відповідно до їх релевантності щодо запиту. [7]

    Принцип ранжування ймовірностей математично та теоретично краще мотивований, ніж принцип ранжирування векторного простору. Однак для оцінки ймовірності релевантності запропоновано декілька методів. Загальновідомими методами імовірнісного пошуку є Okapi BM25, мовні моделі ([8] Хоча ці моделі різняться за своїми оцінками ймовірності релевантності для даного ресурсу і відрізняються своєю математичною складністю, внутрішніми властивостями ресурсів на кшталт частоти термінів і Для цих розрахунків використовуються властивості рівня колекції, такі як зворотна частота документів та інші.

    Розширення синонімів із прихованою семантичною індексацією

    Латентна семантична індексація - це варіація векторної просторової моделі, де математична техніка, відома як декомпозиція сингулярних значень, використовується для об'єднання подібних термінових векторів у меншу кількість векторів, які описують їх «статистичний центр». » [9] Цей метод базується здебільшого на властивостях рівня колекції, таких як спільне виникнення термінів у колекції. Виходячи з термінів, які зустрічаються у всіх ресурсах колекції, метод обчислює, які терміни можуть бути синонімами один одного або іншим чином пов'язані. Іншим способом, прихована семантична індексація груп термінів на теми. Припустимо, терміни «троянди» і «квіти» часто зустрічаються разом на ресурсах тієї чи іншої колекції. Методологія латентно-семантичної індексації статистично визнає, що ці терміни пов'язані, і замінює уявлення термінів «троянди» і «квітка» обчисленим «прихованим семантичним» терміном, який фіксує той факт, що вони пов'язані, зменшуючи розмірність опису ресурсу (див. «Керування лексикою як зменшення розмірності»). Оскільки запити переводяться в один і той же набір компонентів, запит «троянди» також отримає ресурси, які згадують «квітка». » Це збільшує ймовірність того, що ресурс буде знайдений релевантним запиту, навіть якщо терміни запиту не відповідають термінам опису ресурсу точно; отже, техніка може покращити якість пошуку.

    Показано, що латентно-семантичне індексування є практичним прийомом оцінки замінності або семантичної еквівалентності слів у великих текстових сегментах, що робить його ефективним у пошуку інформації, категоризації тексту тощо [10]

    Іншим підходом для підвищення якості пошуку є додавання подібних термінів або властивостей до запиту з керованої лексики або системи класифікації. Коли запит може бути зіставлений з термінами в керованій лексиці або класами в класифікації, властива семантична структура словникового запасу або класифікації може припустити додаткові терміни (ширші, вужчі, синонімічні), поява яких у ресурсах може сигналізувати про їх релевантність для запиту.

    Пошук на основі структури

    Коли внутрішня структура ресурсу представлена в описі ресурсу, пошукова взаємодія може використовувати структуру для отримання більш конкретних частин ресурсу. Це вмикає параметричний або зональний пошук, де можна шукати певний компонент або властивість ресурсу, а всі інші властивості не враховуються. [11] Наприклад, пошук «Шекспір» у полі заголовка в бібліографічній системі організації буде отримувати лише книги з Шекспіром у назві, а не як автор. Оскільки всі ресурси використовують одну і ту ж структуру, ця структура є властивістю рівня колекції.

    Поширеним методом пошуку на основі структури є пошук в реляційних базах даних за допомогою Structured Query Language (SQL). За допомогою інструментів для полегшення вибору та перетворення, конкретні таблиці та поля в таблицях та у багатьох комбінаціях або з різними обмеженнями можуть бути застосовані для отримання високоточних результатів.

    Формат типу «Структурні відносини всередині ресурсу») описує, як окремі частини XML-документів можуть бути досягнуті всередині внутрішньої структури. Мова запитів XML (XQuery), мова пошуку на основі структури для XML, виконує запити, які можуть виконувати як актуальні, так і структурні обмеження в XML-документах. Наприклад, запит може бути виражений для документів, що містять слово «apple» в тексті, і де «apple» також згадується в заголовку або підзаголовку, або в глосарії термінів.

    Кластеризація/Класифікація

    Кластеризація («Категорії, створені кластеризацією») та обчислювальна класифікація («Ключові моменти у восьмій главі») є взаємодіями, які використовують індивідуальні властивості ресурсів та властивості ресурсів на рівні збору для виконання своєї операції. Під час кластеризації (неконтрольованого навчання) всі ресурси порівнюються і групуються щодо їх схожості один з одним. Під час обчислювальної класифікації (контрольоване навчання) індивідуальний ресурс або група ресурсів порівнюється з заданою класифікацією або контрольованою лексикою в організаційній системі і ресурс присвоюється найбільш схожому класу або дескриптору. Іншим прикладом класифікаційної взаємодії є виявлення спаму. (Див. «Ключові моменти у восьмій главі».) Алгоритми ідентифікації або характеристики автора намагаються визначити автора даної роботи (класифікаційна взаємодія) або охарактеризувати тип автора, який має або повинен написати твір (кластеризаційна взаємодія).

    Взаємодії на основі похідних властивостей

    Взаємодії в цій категорії отримують або обчислюють властивості або особливості, які не притаманні самим ресурсам або колекції. Для підтримки цих взаємодій використовуються зовнішні джерела даних, служби та інструменти. Побудова взаємодії з умовністю на основі зовнішніх властивостей зазвичай підвищує якість взаємодій, підвищуючи контекстну обізнаність системи.

    Пошук на основі популярності

    Google PageRank (див. «Структурні відносини між ресурсами») є найбільш відомим показником популярності для веб-сайтів. [12] Основна ідея PageRank полягає в тому, що веб-сайт настільки ж популярний, як і кількість посилань на веб-сайт. Фактичний розрахунок PageRank веб-сайту передбачає більш складну математику, ніж підрахунок кількості вхідних посилань, оскільки джерело посилань також має важливе значення. Посилання, які надходять з якісних веб-сайтів, більше сприяють PageRank веб-сайту, ніж інші посилання, а посилання на якісно низькі веб-сайти зашкодять PageRank веб-сайту.

    Модель пошуку інформації для веб-сторінок тепер може використовувати PageRank для визначення значення веб-сторінки щодо запиту. Google та інші веб-пошукові системи використовують безліч різних функцій ранжирування для визначення остаточного рангу веб-сторінки для будь-якого пошуку, PageRank як показник популярності є лише одним з них.

    Інші заходи популярності можуть бути використані для ранжування ресурсів. Наприклад, частота використання, частота купівлі роздрібних товарів, кількість циклів прання, через які пройшов певний предмет одягу, і навіть чи належить це до циклу прання прямо зараз.

    Пошук на основі цитувань

    Пошук на основі цитування - це складна і високоефективна техніка, яка використовується в бібліографічних інформаційних системах. Бібліографічні ресурси пов'язані один з одним цитатами, тобто коли одна публікація цитує іншу. Коли бібліографічний ресурс посилається іншим ресурсом, ці два ресурси, ймовірно, тематично пов'язані. Ідея пошуку на основі цитувань полягає у використанні відомого ресурсу як необхідної інформації та отримання інших ресурсів, пов'язаних цитуванням.

    Пошук на основі цитувань може бути реалізований шляхом безпосереднього проходження посилань з вихідного ресурсу або пошуку ресурсів, які цитують вихідний ресурс. Іншим методом порівняння є принцип бібліографічного зв'язку, коли інформаційно-пошукова система шукає інші ресурси, які цитують ті ж ресурси, що і вихідний ресурс. Результати пошуку на основі цитувань також можуть бути ранжировані, наприклад, за кількістю ін-цитат, які отримала публікація (показник популярності PageRank фактично випливає з цього принципу).

    Переклад

    Під час перекладу ресурси трансформуються на іншу мову, з різним ступенем успіху. На відміну від перетворень, які виконуються з метою об'єднання ресурсів з різних систем організації для підготовки їх до подальшої взаємодії, переклад перетворює ресурс після того, як він був отриманий або розташований. Словники або паралельні корпуси - це зовнішні ресурси, які керують перекладом.

    Під час перекладу на основі словника кожен окремий термін (іноді фрази) в описі ресурсу шукається в словнику і замінюється найбільш ймовірним перекладом. Це простий переклад, оскільки він не може враховувати граматичні структури речень чи контекст. Контекст може мати важливий вплив на найбільш ймовірний переклад: французьке слово avocat слід перекласти на юриста в більшості організаційних систем, але, ймовірно, не в колекції кулінарних книг, в якій це фрукт авокадо.

    Паралельні корпуси - це спосіб подолати багато з цих викликів. Паралельні корпуси - це однакові або схожі тексти на різних мовах. Біблія або протоколи засідань Організації Об'єднаних Націй (ООН) є популярними прикладами, оскільки вони існують паралельно на багатьох різних мовах. Алгоритм машинного навчання може навчитися з цих тіл, щоб отримати, які фрази та інші граматичні структури можуть бути перекладені в яких контекстах. Ці знання потім можуть бути застосовані для подальшої взаємодії з перекладом ресурсів.

    Взаємодії, засновані на об'єднанні ресурсів

    Взаємодії в цій категорії об'єднують ресурси здебільшого з різних організаційних систем для надання послуг, які не могла дозволити єдина організаційна система. Іноді різні організаційні системи з суміжними ресурсами створюються спеціально для того, щоб захистити конфіденційність особистої інформації або захистити бізнес-інтереси. Випуск систем організації для громадськості може мати небажані наслідки, коли розумні розробники виявляють потенціал підключення раніше не пов'язаних джерел даних.

    Меш-UPS

    Меш-ап поєднує дані з декількох ресурсів, що дозволяє взаємодії представити нову інформацію, яка виникає в результаті комбінації. [13] Наприклад, оголошення про житло поєднуються зі статистикою злочинності на картах, щоб графічно визначити оренду, яка доступна у відносно безпечних районах.

    Mash-ups - це, як правило, спеціальні комбінації на рівні ресурсів і тому не впливають на внутрішні структури або словники систем організації «mash-up»; вони можуть бути ефективним інструментом для швидкого прототипування в Інтернеті. З іншого боку, це робить їх не дуже надійними або надійними, оскільки меш-ап може вийти з ладу в роботі, як тільки змінюються основні організаційні системи.

    Зв'язане пошук даних та виявлення ресурсів

    У «The Semantic Web World» пов'язані дані пов'язують ресурси між різними технологіями системи організації за допомогою стандартизованих та унікальних ідентифікаторів ([14] Наприклад, два різних інтернет-магазини, які продають покривало Марти Стюарт, можуть посилатися на веб-сайт, що описує покривало на Сайт Марти Стюарт. Обидва роздрібні торговці використовують один і той же унікальний ідентифікатор для покривала, який веде назад на сайт Martha Stewart.

    Виявлення ресурсів або пошук зв'язаних даних - це пошукові взаємодії, які проходять мережу (або семантичний веб-граф) за допомогою підключення посилань, щоб виявити семантично пов'язані ресурси. Тому пошукова взаємодія може використовувати посилання одного продавця на веб-сайт Martha Stewart, щоб виявити іншого продавця, який може мати дешевшу або зручнішу пропозицію.

    1. Кожна з чотирьох моделей пошуку інформації, розглянутих у розділі, має різні комбінації дій щодо порівняння, ранжування та розташування. Булеві та векторні космічні моделі порівнюють опис інформаційної потреби з описом інформаційного ресурсу. Векторний простір і імовірнісні моделі ранжують інформаційний ресурс в тому порядку, щоб ресурс міг задовольнити запит користувача. Структурний пошук локалізує інформацію, використовуючи внутрішню або зовнішню структуру інформаційного ресурсу.

      БІРЮЩ


    2. Наше обговорення моделей пошуку інформації в цьому розділі не намагається вирішити пошук інформації на рівні теоретичної та технічної деталізації, що інформує роботу та дослідження в цій галузі (Manning et al. 2008), (Croft et al. 2009). Натомість наша мета - представити IR з більш концептуальної точки зору, максимально висвітлюючи його основні теми та проблеми, використовуючи словниковий запас та принципи IO.

      БІРЮЩ


    3. Хороше обговорення переваг та недоліків тегів у бібліотечному полі можна знайти в (Furner 2007).

      БІРЮЩ


    4. (Меннінг та співавт. 2008), гл. 1.

      БІРЮЩ


    5. Солтон, як правило, розглядався як провідний дослідник у галузі пошуку інформації протягом останньої частини 20 століття, поки він не помер у 1995 році. Векторна модель була вперше описана в (Салтон, Вонг і Ян 1975).

      БІРЮЩ


    6. (Меннінг та співавт. 2008), с.221.

      БІРЮЩ


    7. Див. (Manning et al. 2008), гл. 6 для отримання додаткових пояснень та посилань на векторну просторову модель.

      БІРЮЩ


    8. Див. (Робертсон 2005), (Меннінг та співавт. 2008), гл. 12 для отримання додаткових пояснень та посилань.

      БІРЮЩ


    9. (Дірвестер, Думаїс та ін. 1990).

      БІРЮЩ


    10. Див. (Думаїс 2003).

      БІРЮЩ


    11. (Меннінг та співавт. 2008), розділ 6.1.

      БІРЮЩ


    12. (Сторінка та співавт. 1999).

      БІРЮЩ


    13. (Так 2008).

      БІРЮЩ


    14. (Бізер, Хіт та Бернерс-Лі 2009).

      БІРЮЩ