2.1.04
Varios sobre Recuperación de Información
Uno de los clásicos de la literatura científica
sobre recuperación de información (RI), es sin duda la obra
"Information Retrieval" de C. J. van Rijsbergen (Department
of Computing Science, Universidad de Glasgow). El texto completo de
la segunda
edición (1979) está disponible en Internet y se puede
consultar en dos formatos, HTML
y PDF,
siendo este último el más recomendable, ya que al tratarse
de un facsímil del original impreso, mantiene la integridad y por
tanto la legibilidad de las fórmulas y algoritmos descritos, muy
difíciles de representar correctamente en HTML
puro hasta que, plugins de todo tipo aparte, MathML
(estándar del W3C)
sea una realidad totalmente soportada por los navegadores más extendidos;
en el caso que nos ocupa se recurre, en la versión en HTML,
a simples imágenes para solventar esta limitación.
Hay que hacer notar a este respecto que Mozilla
soporta razonablemente
bien el estándar MathML,
como nos demuestra el excelente "weblog" Bitácora
de matemáticas, si bien es preciso instalar previamente una
serie de fuentes especiales (como se explica en esta bitácora).
A pesar de los años transcurridos desde la publicación
de la obra de van Rijsbergen, los fundamentos teóricos expuestos
son plenamente vigentes, no en vano es una obra de referencia en este campo
que, de forma condensada, pero al tiempo con el requerido nivel de complejidad
teórica, ofrece una visión general de las principales técnicas
y métodos involucrados en los procesos de RI.
Los temas o campos de la RI
que trata son los siguientes:
-
Automatic Text Analysis.
-
Automatic Classification.
-
File Structures.
-
Search Strategies.
-
Probabilistic Retrieval.
-
Evaluation.
Otras técnicas más o menos novedosas de representación
y procesamiento, aplicadas con mayor o menor fortuna al campo de la RI
(redes neuronales, conjuntos difusos, algoritmos genéticos... en
el portal generation5.org
existen una serie de artículos
e introducciones de carácter genérico sobre estos métodos),
no se contemplan en el libro ya que eran prácticamente desconocidas,
o aún estaban en una fase inicial de desarrollo en la fecha de publicación
original de la edición actualmente disponible electrónicamente.
Tampoco creo que la intención del autor fuese abordar excesivas
complejidades teóricas y conceptuales, sino por el contrario ofrecer
un texto "asequible", a modo de "estado de la cuestión", pero no
por ello carente de una más que suficiente profundidad teórica.
En un plano de menor nivel de complejidad
teórica, pero precisamente por ello más asequible y adecuado
para las personas no excesivamente versadas en estos asuntos, encontramos
en hipertext.net
una introducción relacionada con el tema que nos ocupa, "La
evaluación en recuperación de la información".
En este documento se describen los principales indicadores aceptados para
valorar los resultados obtenidos en los procesos de recuperación
de información. Existe en el texto alguna falta de correspondencia
entre la fórmula descrita en la explicación y la representada
gráficamente en la figura correspondiente, atención por tanto
a este punto. A destacar la consistente bibliografía
aportada.
Y ya que mencionamos el portal hipertext.net,
concebido
como punto de encuentro virtual para las personas interesadas en el área
de la Documentación digital, destacaremos otros tres interesantes
documentos, publicados en el Anuario
nº 1 (mayo 2003):
Introducción
a XML para Documentalistas
Introducción al lenguaje de marcado XML
desde la perspectiva de su aplicación práctica a representaciones
documentales, sin olvidar su presentación mediante XSLT.
Resource
Description Framework (RDF)
Introducción al concepto y sintaxis de este lenguaje para la
representación, procesamiento y recuperación de metadatos
[1]
[2].
Panorámica
y tendencias en Topic Maps
Los Topics Maps o mapas
conceptuales, son una forma de representación visual de la información,
en este caso referida a formas de navegación hipertextual entre
contenidos y recursos electrónicos, muy similares, tanto en concepto como en
lo que a la forma de representación formal se refiere, a los denominados
"Mind Maps" o mapas mentales [1]
[2]
[3].
Los mapas conceptuales que se describen en este último artículo
se basan en la especificación XML
Topic Maps (XTM; actualmente es un estándar ISO),
consistente en una gramática basada en el meta-lenguaje XML. Cito textualmente:
"Un mapa conceptual de navegación, es la representación
de un conjunto de relaciones conceptuales por medio de una estructura de
proposiciones formada por conceptos y palabras enlace. Cada concepto tiene
un listado de enlaces que permiten el acceso a todo tipo de documentos
con contenidos relacionados directamente con el concepto representado."
Podemos consultar sobre este particular, además del portal del consorcio
independiente TopicMaps.Org
(encargado de la elaboración y mantenimiento de la especificación
antes reseñada), la excelente introducción "What
Are Topic Maps?" publicada en XML.com,
y, a modo de marco teórico general, los ensayos "Concept
Maps as Hypermedia Components" y "Understanding
Information Collections with Maps and Visualizations", por citar algunas
posibles fuentes de referencia. En Deakialli también
han comentado este tema días atrás,
a propósito del buscador de pago Grokker.
A fecha de hoy el único navegador que soporta la representación
formal de los mapas conceptuales es IE.
Y esta puntualización da pie a comentar un grave fallo de accesibilidad
del portal hipertext.net,
sólo se puede acceder a sus contenidos mediante el navegador de MS,
lo cual no es de recibo en el actual contexto de diseño y usabilidad
web, en el que la tendencia es (o pretende ser) tratar de ofrecer contenidos
y recursos abiertos a toda clase de usuarios y sistemas, sin (im)poner
a priori limitaciones de ningún tipo.
Retomando el tema de la RI
mencionaremos también las siguientes monografías:
Otros textos y artículos sobre RI
y disciplinas conexas:
Tim Craven, cuya
obra "String
Indexing" acabamos de referenciar, es profesor de la Facultad
de Información y Estudios de Medios, Universidad Western
Ontario (Canadá). En su página web encontramos recursos
relacionados con su actividad docente y profesional, destacando un tutorial
para la creación
de tesauros, y, especialmente, una serie de programas
de carácter "freeware" (para la plataforma MS Windows únicamente)
orientados a prestar ayuda, fundamentalmente, en tareas relacionadas con
los procesos de indexación, resumen y RI,
a saber: extracción de palabras y frases (ExtPhr32), indexación
de a) cadenas de texto (NEPHIS32) y b) documentos web (XRefHT32), seguimiento
y ayuda automatizados en el proceso de elaboración de resúmenes
(TexNet32) y, por último, creación y mantenimiento de tesauros (TheW32).
Personalmente he probado el programa que sirve
como asistente y gestor en la tarea de elaborar y mantener tesauros (TheW32),
y mi intención es hacer lo propio con el resto de ellos. Su funcionamiento
es muy sencillo e intuitivo (ver las páginas Documentation
e Introduction),
siempre que se conozcan mínimamente los fundamentos teóricos
relativos a los lenguajes de indización en general y los tesauros
en particular, y existen varias posibilidades de visualización y
exportación de parte o la totalidad de los glosarios terminológicos
confeccionados, tanto en lo que se refiere al formato de archivo capaz
de generar el programa (HTML, XML, RTF,
texto plano...), como en lo relativo a la presentación en sí
de los términos y sus relaciones.
Para obtener más información acerca de este tipo de programas,
recomiendo visitar la página "Software
for building and editing thesauri" en la que se recogen enlaces comentados
y fuentes de referencia sobre el particular. Comienza con una breve explicación
que versa sobre en qué consiste un tesauro, aunque también
es posible acceder a una exposición
más detallada.
Finalmente mencionar, dentro del ámbito de la RI,
el proyecto SRIM
("Construcción de un sistema de recuperación de información
multilingüe en la web"; finalizado en diciembre de 2003), desarrollado
por investigadores procedentes de las universidades de Alicante, Jaén
y Sevilla, y cuyo objetivo es la construcción de un sistema de recuperación
de información multilingüe (la pregunta de consulta y los documentos
recuperados no han de estar necesariamente en el mismo idioma), con capacidades
añadidas de procesamiento del lenguaje natural (PLN
ó NLP)
tales como análisis léxico y sintáctico, entre otras.
Actualmente el sistema está formado por las siguientes herramientas,
operativas en línea:
-
Localizador geográfico (sistema de consultas a una base de datos
geográfica en lenguaje natural);
-
Sistema de RI,
trabaja sobre una base de datos de documentos de prensa, consultable mediante
expresiones de búsqueda en lenguaje natural, o mediante palabras
clave;
-
Aplicación para la desambigüación de textos;
-
Sistema de PLN
orientado a la resolución del problema de la anáfora (repetición
de una o más palabras al principio de enunciados sucesivos);
-
Herramienta de pos tagging para anotar texto con información
sobre el lema (entrada objeto de atención) y las partes de la oración
correspondientes (part-of-speech).
Sobre la técnica pos tagging de etiquetado de las categorías
gramaticales de las palabras -o etiquetado léxico de textos-, ver,
en el artículo "Técnicas
básicas en el tratamiento informático de la lengua" (Quark
nº 19, julio-diciembre 2000, especial Las tecnologías
de la lengua), el apartado "Desambiguación morfosintáctica".
Como material de apoyo, y además de la correspondiente ayuda y manuales
referidos a cada una de las herramientas, también encontramos una
serie de artículos y ponencias (en formato PDF,
ver el apartado "Publicaciones derivadas del proyecto"), cuyo objeto de
estudio es la descripción de los diversos aspectos del PLN
involucrados en el desarrollo del proyecto SRIM. En general se trata de
textos sólo aptos para personas muy metidas en estas cuestiones,
dado su carácter especializado y su considerable nivel de complejidad
teórica.
[0] comentarios | # | lista |
