在 IR 系統的前處理中，因為我們想要把資料建成 posting list，會需要先有相關的詞彙，才有辦法依據詞彙建立相應的 posting list。不過這時會有幾個常見的問題需要處理。
這篇會簡要紀錄一下書中提到的考量點。
1. Tokenization
Tokenization 是把句子分割並萃取的技術，萃取出來的單位被稱為 token，或者也可能被稱為 word、term，但事實上有時候我們可能會想要把 token 跟其他名詞做一點定義上的區分。以下是書中對於 token 的定義：
A token is an instance of a sequence of characters in some particular document that are grouped together as a useful semantic unit for processing.
除了 token 以外，另外還有 type 和 term 這兩個名詞。書中提供的定義分別如下：
A type is the class of all tokens containing the same character sequence.
A term is a (perhaps normalized) type that is included in the IR system’s dictionary.
直接用書中提供的例子應該會比較好懂。舉例來說，如果我們想對下述的句子做 tokenization：
to sleep perchance to dream
此時，會有 to, sleep, perchance, to, dream 共 5 個 token；但只會有 4 個 type：to, sleep, perchance, dream，因為有兩個 to 是重複的；而如果 IR 系統中有處理 stop words，我們可能會把 to 視為是 stop words 而將它移除，此時最終在 IR 系統中被 index 的 term 就只會有 3 個：sleep, perchance, dream 。
那麼我們通常會如何做 tokenziation 呢？初步看起來，似乎就是直接針對空白做分割，然後可能把標點符號什麼的都去除掉就可以了？然而現實上，還是會出現一些比較困難的問題，導致我們可能還需要考慮別的因子。例如：
'在英文中，可以代表所有格關係、也可以代表縮寫。- 不同語言有自己的語言特徵。
- 特定領域可能有自己特殊的 type。
-在英文中也存在多種不同用法。- 多個字組成的詞彙無法單純用空白切割來處理。
以下會分別針對這些狀況做點簡單的描述。
1.1. Apostrophe (‘)
' 這個符號在英文中有多種用法，例如以下這個句子：
Mr. O'Neill thinks that the boys' stories about Chile's capital aren't amusing.
這裡同時出現了三種不同的用法：
- O’Neill 中的
'是名字的一部分。 - boys’ 和 Chile’s 中的
'是所有格。 - aren’t 中的
'是縮寫。
此時針對 ' 做的處理的不同，可能會導致後續 IR 系統的 matching 受到影響。例如如果我們將 ' 拆開的話，aren't 被拆成 aren 跟 t 看起來就會很奇怪。同時，O'Neill 被拆成 O 跟 Neill 會導致搜尋時使用 o'neil 會無法 match 到相應的 token。
1.2. 語言特徵
tokenization 的行為往往跟語言有很大的關係，不同語言的 tokenization 作法會有蠻大的不同。例如中文和日文就沒有空白分隔的特性，每個字都是連在一起的。
1.3. 領域特徵
在特定領域，有可能有領域內專屬的詞彙需要能夠被識別成 term，例如 C++ 和 C#、或者飛機型號 B-52（戰略轟炸機）。另外網際網路中的 URL（https://xxx）、e-mail（abc@abc.com）、IP 位址（a.b.c.d）等等可能也會需要能夠被視為是獨立的 term。
1.4. 連字符號 Hyphenation (-)
英文中連字符號的處理可能會很複雜，書中舉出幾種連字符號的用法：
- 分隔單字之間的母音，像是
co-education。這個例子實際上它代表的是coeducaion。 - 將多個名詞連接成一個新的名稱，例如
Hewlett-Packard。 - 多個詞語的組成結果，例如
the hold-him-back-and-drag-him-away maneuver。這個例子應該要被拆解成各自獨立的 term。
1.5. 特殊詞彙
這類的資訊其實我覺得也可以算是領域特徵的一種。例如書中舉的一個例子是 New York University（紐約大學）跟 York University（約克大學）。如果他們沒有被獨立視為 term，而是純粹依據空白拆開的話，那麼搜尋 York University 時就會 match 到 New York University 了，但這顯然並非是使用者想找的東西。
2. Stop Words
停用詞（Stop Words）的目的，是去除出現頻率過高、但又跟文件本身關係不大的詞彙。不過由於去除停用詞的行為，有時會導致意義的流失，所以現代的 IR 系統比較會考慮不去除停用詞，改為將停用詞賦予較低的權重，使其影響變小。舉例來說，flights to London 如果把 to 給去除了，flights to London 的意義就流失了。
其實還有兩個小節，不過等有空時再補筆記了…。
是說搜尋是個在現代非常常見的行為，但最近的研究總覺得這個領域有點冷門？
沒有留言:
張貼留言