2022-02-20 《信息检索导论》学习笔记（一）

第一章——布尔检索

1.1 基本概念

信息检索：信息检索是从大规模非结构化数据(通常是文本)的集合(通常保存在计算机上)中找出满足用户信息需求的资料(通常是文档)的过程。

非结构化数据(unstructured data)：指的是那些没有清晰、明显语义结构的数据，而计算机不易处理这类数据。

半结构化数据(semistructured data)：有一些文本无明显语义的结构，但其仍然具有例如标题、段落、脚注等结构，信息检索往往也支持这种半结构化数据的搜索。

聚类(clustering)：聚类是一种基于文档的内容进行自动聚团的任务。

分类(classification)：分类是一种将每篇文档分到一个或者多个类别的任务。

信息检索按照处理数据的规模区分三个级别：Web搜索(Web search)、个人信息检索(personal information retrieval)、面向企业机构和行业领域的搜索(domain-specific search)。

线性扫描：线性扫描就是将文本从头到尾扫描一遍，并且在扫描中还可以通过使用正则表达式来支持通配符查找，这是一种最简单的文档检索方式。这个过程通常称为grepping。

线性扫描方式的不足：
① 不适合大规模文档集合条件下的快速查找。
② 不适合一些包含特殊含义词的词条的查找。
③ 不能对结果进行排序。

关联矩阵(incidence matrix)：给定词表