Técnicas vectoriales de búsqueda de documentos

Abstract

Pese a que existe una gran cantidad de artículos sobre una gran variedad de temas, las técnicas de búsqueda y catalogación de dichos artículos en función de sobre qué temas tratan en ocasiones resultan ser insuficientes. Una forma de plantear la relación entre artículos y sus ámbitos es expresar cada artículo como un vector cuyas componentes indican su relación un ámbito dado. El proceso de búsqueda por ámbitos se basa en la expresión de la petición como otro vector con el mismo formato para después realizar operaciones relativamente simples entre él y los vectores correspondientes a los artículos de la base de datos. Aplicando ciertas descomposiciones matriciales es posible disminuir la incertidumbre en los datos. Este trabajo explora cómo aplicar estas técnicas de álgebra lineal al proceso de búsqueda de documentos en colecciones de gran tamaño.

Despite there being an overwhelming amount of papers over an equally vast range of topics, techniques to efficently find relevant articles for a particular subject are sometimes lacking. A way to represent this relationswhip between articles and topic related to it models the article as a vector each of whose components represents its relationswhip with a given topic. A given user query is likewise converted into vector form following the same scheme, turning the search process into algebraic operations between it and the vectors corresponding to the articles stored in the database. Certain matrix decompositions help deal with uncertainty and noise in the original data. This paper explores how to apply these linear algrebra techniques to the search process in large text collections.