Curso de Pós-graduação em Ciência da Computação
Recuperação de Informação - Máquinas de Busca na Web (DCC923)

Última alteração: 07 de Fevereiro de 2016

Primeira aula: 07 de Março de 2016

1º semestre de 2016
Carga horária: 60 horas
Pré-requisito para a disciplina: Algoritmos e Estruturas de Dados III
Horario : Segunda: 09:25 - 11:05, Quarta: 09:25 - 11:05
Professores: Berthier Ribeiro-Neto e Nivio Ziviani
Monitor: Alberto Ueda

Introdução

Recuperação de Informação (RI) é a atividade de recuperar itens de informação armazenados em um meio que possa ser acessado por computador. Um item de informação é geralmente constituído de texto (tais como documentos diversos, páginas Web, livros, etc.), embora possa conter outros tipos de dados tais como fotografias, gráficos e figuras. RI lida com a representação, armazenamento, organização e acesso a itens de informação. A representação e organização dos itens de informação deve prover ao usuário acesso facilitado à informação de seu interesse.

A área de RI cresceu muito em importância com a introdução da Web. A despeito de seu sucesso, a Web introduziu uma série de problemas por si mesma. De fato, encontrar informação util na Web é frequentemente uma tarefa tediosa e difícil. A maior dificuldade é a ausência de um modelo de dados claramente definido. Isto implica que a semântica e a estrutura dos dados é frequentemente mal definida e de baixa qualidade. Tais dificuldades tem atraído a atenção para a área de RI e suas técnicas como soluções promissoras. Além disso, máquinas de busca formam a principal infraestrutura tecnológica de empresas gigantes como Google e Yahoo.

O principal objetivo da disciplina é estudar algoritmos e estruturas de dados para sistemas de busca na Web. Uma máquina de busca localiza documentos a partir das necessidades de informação colocadas pelo usuário, por meio de uma consulta formal. Em máquinas de busca, essa necessidade de informação deve primeiro ser traduzida em termos de um conjunto de palavras chave que são então usados na formulação de uma consulta. Dada a consulta do usuário, o objetivo maior de uma máquina de busca é obter informação que é útil ou relevante para o usuário.

Objetivos Específicos da Disciplina

O objetivo principal da disciplina é investigar o projeto e implementação de técnicas e ferramentas que possibilitem o desenvolvimento de máquinas de busca para a WWW. Ao final do curso o aluno deverá conhecer em profundidade os principais componentes de uma máquina de busca para documentos Web. Além disso, são estudados tópicos adicionais tais como classificação de textos e algoritmos utilizados em sistemas de recomendação.

A disciplina terá três objetivos principais:

• Estudar os coletores de páginas Web.
• Estudar técnicas para geração de um índice para coleções de documentos web.
• Estudo e implementação dos principais modelos de recuperação de informação disponíveis na literatura. Esses modelos correspondem as estratégias de ranking implementadas pelas máquinas de busca.

Cada aluno terá que construir protótipos dos três principais componentes de uma máquina de busca para a Web: coletor, indexador e processador de consultas. A partir de um conjunto de páginas coletadas da Web deverá ser criado um índice para ser utilizado pelo processador de consultas.

Programa

1. Coleta: arquitetura de um coletor de páginas web, principais problemas envolvidos.
2. Indexação: Arquivos invertidos e listas invertidas, compressão de textos, compressão de listas invertidas.
3. Modelagem: Modelos de RI, modelos clássicos de RI (booleano, vetorial e probabilístico), BM25, language meodels, generalized vector space model, set-based model.
4. Relevance Feedback: Vector model, clicks, local analysis.
5. Avaliação da Recuperação: Precisão e revocação, coleções de referência, paradigma de Cranfield, bpref, Kendall-Tau, crowdsourcing, clickthrough data.
6. Consultas: Consultas lógicas, consultas ordenadas por relevância, estruturas de acesso ao vocabulário, busca sequencial no vocabulário, busca exata e aproximada.
7. Calssification: machine learning, unsupervised and supervised algorithms, feature selection, evaluation metrics.
8. Properties of documents: Modeling natural languages, elimination of stopwords, keyword selection, taxonomies, compression.
9. Introdução a Sistemas de recomendação: definição do problema; algoritmos: colaborativos, baseados em conteúdo e híbridos; exemplos de algoritmos.

Bibliografia Básica

• Ricardo Baeza-Yates and Berthier Ribeiro-Neto: Modern Information Retrieval, Addison Wesley, 2011, 913 pages, Second edition.
• Ian H. Witten, Alistair Moffat e Timothy C. Bell: Managing Gigabytes: Compressing and Indexing Documents and Images, Morgan Kaufmann Publishers, 1999, second edition.
• Principais conferências:
• World Wide Web Conference (WWW)
• ACM Conference on Research and Development in Information Retrieval (SGIR)
• String processing and Information Retrieval (SPIRE)
• European Conference on Information Retrieval (ECIR)
• ACM Conference Information and Knowledge Management (CIKM)
• ACM Conference on Recommender Systems (RECSYS)
• Conferências de bancos de dados: por ex. Very Large Data Bases (VLDB), SIGMOD
• Principais periódicos:
• ACM Transactions on Information Systems (TOIS)
• ACM Transactions on Information Systems and Technology (TIST)
• Journal of the American Society for Information Science and Technology (JASIST)
• IEEE Transactions on Knowledge and Data Engineering (TKDE)
• Information Management and Processing
• Information Retrieval
• World Wide Web Journal (w3j.com)

Avaliação da Aprendizagem

Os alunos serão avaliados por meio de:

• Construção dos principais componentes de uma máquina de busca na web: coletor, indexador e processador de consultas.
• Duas provas

Acesso a Bibliotecas Online

Mais instruções no site www.biblioteca.icex.ufmg.br seguindo a opção Sites de Pesquisa dentro de links (ou com a bibliotecária).

• Portal Periódicos da CAPES (permite acesso a várias bibliotecas, inclusive a todo IEEE, a partir de qualquer endereço da UFMG, podendo ser acessado via site da biblioteca do ICEx (www.biblioteca.icex.ufmg.br)
• ACM: acesso a todas as publicações e conferências, de qualquer máquina do DCC/UFMG (www.acm.org/dl)
• Computer Science Bibliography, permite busca por autor, titulo de papers em geral (www.acm.org/sigs/sigmod/dblp/db/)
• IEEE: acesso a vários títulos da biblioteca online (www.computer.org), acesso via portal Periódicos da CAPES permite um acesso de cada vez, pegar senha com a bibliotecária
• Web of Science: contém informação bibliográfica de três bancos de dados: Science Citation Index Expanded, Social Science Citation Index, Arts and Humanities Citation Index (www.webofscience.fapesp.br)
• DBLP: computer science bibliography
• USENIX: Advanced Computing Systems Association (www.usenix.org), pegar senha com a bibliotecária
• Mathscinet (www.ams.org/mathscinet): acesso aos banco de dados Association Mathematical Society com cobertura nas áreas de matemática e computação, podendo ser acessado via site da biblioteca do ICEx (www.biblioteca.icex.ufmg.br)

Links úteis

1. Codigo para ser usado no TP1
2. Search Engines Information Retrieval in Practice
3. High Performance Index and Query Evaluation for IR
• Justin Zobel
4. Programa para geração de curvas revocação vs. precisão

Aulas, Slides e TPs (calendário tentativo: pode mudar)

Aula	Mês	Dia	Assunto	Referência	TPs
01	Mar	14	Apres, IR slides 1, 8-12,16-18, Crawling slides 1-13, 18-24,29-37, 58-66, 69-72 (Berthier e Nivio)	MIR Chap1, MIR Chap12
02		16	Crawling (Berthier)	Crawling, MIR Chap12	TP1 (E)
03		21	Crawling (Nivio)	SPIRE11, SPIRE13, Tese-Cristiano
04		23	Ranking in IR, Boolean model (Berthier)	MIR Chap3
05		28	Term weighting, Vector model (Berthier)	MIR Chap3
06		30	Probabilistic model, BM25 model (Berthier)	MIR Chap3
07	Abr	04	Nao havera aula
07	Abr	06	Set-based model (Berthier)	MIR Chap3
08		11	Monitoria sobre TP1 (Alberto)
09		13	Monitoria sobre TP1 (Alberto)
10		18	Indexing (Nivio)	Indexing	TP2 (E)
11		20	Indexing (Nivio)	Vocabulario
12		25	Index Compression (Nivio)	Index compression
13		27	Vocabulario (Nivio)	Perfect hashing
14	Mai	02	Prova 1
15		04	Pagerank (Alberto)	Paper, Pagerank, MIR Chap11
16		09	Language models (Berthier)	MIR Chap3
17		11	Search evaluation: recall/precision (Berthier)	MIR Chap4
18		16	Monitoria sobre TP2 (Alberto)
19		18	Monitoria sobre TP2 (Alberto)
20		23	Query processing (Nivio)	Querying	TP3 (E)
21		25	Query processing (Nivio)	Querying
22		30	Text compression (Nivio)	Text compression, Z8.2, MIR Chap6
23	Jun	01	Search evaluation: other metrics (Berthier)	MIR Chap4
24	Jun	06	Text classification: decision trees, KNN (Berthier)	MIR Chap8
25		08	Relevance feedback; Text classification: Rochio, Naive Bayes (Berthier)	MIR Chap5, MIR Chap8
26		13	Deep Learning: introdução (Nivio)	Deep Neural Networks
27		15	Deep Learning (Juliano Viana, CTO Kunumi)
28		20	Não haverá aula
29		22	Avaliação de relevância das consultas do TP3 (Berthier)
30		27	Prova 2
31		29	Monitoria sobre TP3 (Alberto)