文本搜索系统的评估

说明：文章内容来源于课程视频和课程ppt。我只学习了课程没有做习题。文章不是翻译，是我对课程的理解。
　这部分本应该继续说反馈(FeedBack)的。但是课程中安排的是评估(Evaluation)。评估是用于衡量搜索引擎质量的。反馈是为了提高搜索引擎质量而进行的操作。所以在讲反馈之前需要先说明评估。

1为什么做评估

　为什么要评估搜索引擎呢？一方面是为了评估搜索引擎是否有用，另一方面用于比较不同算法、不同文本搜索系统的有效性。

2评估什么

　1 准确性accuracy。可以衡量搜索结果的准确程度，是不是把无关数据放在top列表中了。
　2 有效性(efficiency)。系统可以在多长时间内返回搜索结果。一次搜索需要多少资源。主要从space和 time overhead两方面衡量。
　3 有用性usability。搜索系统对用户是有用的吗？通过研究用户行为得出结论。

3评估方法

　Cranfield Evaluation Methodology克兰菲尔德评价方法。主要内容有两点：第一、建立一个可重用的测试集。第二、定义测量标准。

3.1建一个可重用测试集

　建立可重用测试集的步骤：1 从文档中抽样取得部分文档。2 从查询集中抽样得到部分查询。3 (人工)判断文档与查询是否相关，所有相关文档中理想的排序方式是什么(idea ranked list)。
　

3.2评估标准

　准确率与召回率
　a=搜索到的相关文档
　b=搜索到的不相关文档
　c=相关文档但是没有搜索到
　$precision = \dfrac{a}{a+b}$
　$recall = \dfrac{a}{a+b}$
　理想结果是：Precision=Recall=1.0。实际中高的recall必定会有一个较低的Precision。
　一般使用中不会定义全局的准确率，而是会设置一个阀值，计算top n的准确率。例如prcision@10。
　recall与precision结合使用得到$F_\beta=\dfrac{(\beta^2+1)P*R}{\beta^2P+R}$，$F_1=\dfrac{2P*R}{P+R}$
　提问：为什么不是0.5*P+0.5*R?
　回答：这是一个求和，求和的结果由式子中的大数来决定。就是说，如果有一个P值非常高，即使R值很低，结果页可能很高。而F1的式子，需要P和R都非常高，结果才可能非常大。

4评估排序文档

　评估排序文档 evaluate ranked list

4.1 设置cut off

　评估排序结果的第一步是要确定一个位置，简单的说是每页多少条数据。我们可以认为用户只有很小的可能会翻页。或者说这次引擎需要评估前两页数据的准确率和召回率。根据实际任务来定。这里假设cut off=10。查看前10条文档的情况。

4.2 计算不同位置的准确率和召回率

　在前10条文档中，我们又不知道用户会在哪个位置停下来。我们可以先计算用户在不同位置停止浏览的时候的准确率和召回率。

位置	文档	准确率	召回率
1	D1+	1/1	1/10
2	D2+	2/2	2/10
3	D3-	2/3	2/10
4	D4-	2/4	2/10
5	D5+	3/5	3/10
6	D6-	3/6	3/10
7	D7-	3/7	3/10
8	D8+	4/8	4/10
9	D9-	4/9	4/10
10	D10-	4/10	4/10

　
　可以看到随着位置增加，准确率逐渐降低，召回率逐渐增加。所以我们可以假设cut off(例如：10)之后的每个位置的准确率为0。
　

　

4.3 比较两种算法

　比较两种算法就是比较两种算法的P-R曲线。
　
　
　如果算法A、B的效果可以用上图表示，毫无疑问算法A要优于算法B。因为在每一个相同召回率的点上，A的准确率>B的准确率。
　
　
　如果算法A、B的效果用上面的图表示，那哪种算法好呢？我们是否应该用算法B替换算法A呢？在最前面的位置，算法B具有较高的准确率；总体来看，算法A具有较高的召回率。如果是今日头条这样的场景，一个用户就想知道今天或者近几个小时发生了什么事情，而且还不一定看几条数据就不停下来了。所以最前面的数据一定要是准确的，要求高的准确率。这时候算法B比较好。如果这是一个科技查新的系统，是一个专利调研项目，想要知道哪类技术是不是已经研究过，或者进行了哪方面的研究，这时候有一些错误数据是可以的，但是一定要保证相关的文献能被查询到。也就是说要有较高的召回率。这时候选择算法Ａ。

4.4 summarize a ranking

　概述排序文档：平均准确率。
　上面例子的平均准确率=$\dfrac{\dfrac{1}{1}+\dfrac{2}{2}+\dfrac{3}{5}+\dfrac{4}{8}+0+0+0+0+0+0}{10}$，这里的分母=相关文档的数量。这里有几个问题。
　问题1：相关文档的数量是在cut off范围内，还是在所有数据范围内？我比较偏向于前者。因为这是评价Top k 排序结果的。如果你要评价前10条数据，但在数据集中相关文档只有8，那这个时候分母就应该是8。
　问题2：分母为什么不是4，也就是查询到的相关文档数量？作者的解释，我看得不是很明白。
　“In fact, that you are favoring a system, that would retrieve very few random documents, as in that case, the denominator would be very small. So, this would be, not a good matching. ”
　大意是说：分母很小，我可以从数据中随机选择几个文档，就能提高准确率。（大概是这意思）。
　好处：这样的计算结果同时考虑了准确率和召回率，而且还与相关文档的位置有关系。在上面例子中如果把D5移动到D3，计算结果就会变大（因为分子的$\dfrac{3}{5}$变成了$\dfrac{3}{3}$）。

4.5 MAP

　平均准确率衡量了一个检索结果列表的好坏。那如果是一个查询（检索表达式）集合呢？之前提到可重用的测试集是由文档集和查询集组成的。
　MAP=Mean Average Precision 平均准确率的平均值。可以用来表示一个查询集的检索结果的好坏。
　MAP分为算术平均准确率(MAP)和几何平均准确率(gMAP)。
　$MAP=\dfrac{1}{n}\sum_{i=1}^{n}p_i$。它主要由大数控制。如果一个数非常大，而其他值非常小，最后的结果页可能非常大。
　$gMAP=(\prod_{i=1}^{n}p_i)^{\dfrac{1}{n}}$。它主要由一些较小的数控制。它要求所有数都比较大，结果才能比较大。
　
　如果要衡量搜索引擎的搜索效果，想要提高（几乎）所有查询语句的搜索效果，显然gMAP更合适。如果只需要提高部分查询的检索结果，那MAP可能更合适。
　
　特殊情况：只有一个相关文档。例如：问答系统，只有一个答案正确；或者页面中只有一个位置展示相关文档。这样：
　平均准确率=Reciprocal Rank=1/r。r是相关文档在检索结果中的排序位置。
　MAP=Mean Reciprocal Rank
　r代表了用户想要看到相关文档需要的努力程度。如果r=1，用户看1篇文档就找到了相关文档。如果r=100，用户就需要看100篇文档才能找到相关文档（已然放弃）。为什么不用r表示搜索效果的好坏呢？在多个查询结果中，假设有三个查询结果，相关文档的位置分别是4、5、3。一种表示方式是：$\dfrac{1}{4}+\dfrac{1}{5}+\dfrac{1}{3}$，另外一种表示方式是：{4+5+3}。在第一种方式中，结果大，就代表效果好；第二种方式结果大，代表效果差，思维不同。人们对于$\dfrac{1}{4}$与$\dfrac{1}{5}$的差别，和对4与5的差别的感觉是不一样的，前者能感觉到更有差距。

4.6 多级别相关性排序评价

　上面介绍的都是一个文档要么相关，要么不相关。实际中我们会给文档分成不同级别的相关性。例如r=1：不相关；r=2：有点相关；r=3：非常相关。我们这里假设关心top10结果。

文档	相关性	相关性累加	Discounted Cumulative Gain
D1	3	3	3
D2	2	3+2	3+2/log2
D3	1	3+2+1	3+2/log2+1/log3
D4	1	3+2+1+1	3+2/log2+1/log3+1/log4
D5	3	…	…
D6	1	…	…
D7	1	…	…
D8	2	…	…
D9	1	…	…
D10	1	….	..

　相关性累加(Cumulative Gain)是把结果中每个文档的相关性等级相加。
　带折扣的相关性累加（Discounted Cumulative Gain，DCG）是在相加过程中依据位置因素带了折扣：等级／logr,r=位置。
　最后还要计算正则化的DCG，用于不同查询之间的比较，表示为nDCG=$\dfrac{DCG@10}{IdealDCG@10}$。
　$DCG@10=3+2/log2+1/log3+...+1/log10$
　IdealDCG@10是对于某个搜素最理想情况下的DCG值。如果对于当前查询，文档集中有9篇非常相关文档（3级），一篇有点相关文档（2级），那么$IdealDCG@10=3+3/log2+3/log3+...+2/log10$
　nDCG的范围就是0-1之间，用于衡量不同级别相关性的搜索。
　

5 评估问题实际中的问题

　在评估中我们需要创建一个文档集、查询集以及相关评价集。在实际中这几方面都是很有挑战的。
　首先，我们选择的文档和查询语句要具有代表性，能代表了真实的用户需求。
　其次，文档和查询的量要大，尽量数据的抽样不均衡（这里可以翻译的更好点）。对于每个查询，要保证有很多的相关文档。
　第三，对每个查询的每个文档的相关性需要大量的人工标记。这是一个劳动密集型的事情，所以我们需要尽可能少的使用人力。
　第四，在制定相关度级别方面，我们需要认真考虑什么是用户想要的，再考虑定什么样的相关度级别是合适的。
　
　

5.1 统计显著性检验

　统计显著性测试(statistical significant test)用来解决这样的问题:我们通过试验比较算法A和算法B谁更好,计算得到平均值之后,我们怎么确定较好的算法是不是因为某几个特定的查询引起的.也就是说对于结果较好的算法,是几乎在每个查询上表现都好,还是只在某些查询上表现优异.例如下图。我们得到的试验结果有多少可信度。

　首先看一个符号测试Sign Test。如果SystemB比SystemA好，则标记为+，否则标记为-。7个查询中4个位+，3个位-，这和抛7枚硬币得到的结果相同，所以这个结果完全是随机因素影响的，p=1.0。
　其次看Wilcoxon检验法。Wilcoxon检验法同时考虑了符号和差值大小。我们需要考虑在一定的置信水平上（例如$\alpha=0.95$），计算得到的|W|值是否在临界值范围外。详细内容看看统计学课本或者Wikipedia。

5.2 Judgments

　如果我们不能对所有文档的相关性做相关性标记，那我们应该选择哪部分文档去标注相关性呢呢？抽样。要尽可能选择多样性的文档；选择Top k文档（多个算法可能会选到重复的文档）；把N个算法选出的文档作为测试集，人工标记相关性；其余未被选中的文档被认为是不相关文档。

6 未涉及到的相关策略

　A-B Test
　用户学习
　可以参考的资料:
　Donna Harman, Information Retrieval Evaluation. Synthesis Lectures on Information Concepts, Retrieval, and Services, Morgan & Claypool Publishers 2011
　Mark Sanderson, Test Collection Based Evaluation of Information Retrieval Systems. Foundations and Trends in Information Retrieval 4(4): 247-375 (2010)
　Diane Kelly, Methods for Evaluating Interactive Information Retrieval Systems with Users. Foundations and Trends in Information Retrieval 3(1-2): 1-224 (2009)