টেক্সট রিট্রিভাল
টেক্সট রিট্রিভাল হল অকাঠামোগত টেক্সটকে কাঠামোগত ফরম্যাটে রূপান্তর করার প্রক্রিয়া যাতে অর্থপূর্ণ প্যাটার্ন এবং নতুন অন্তর্দৃষ্টি শনাক্ত করা যায়। উন্নত বিশ্লেষণ কৌশল ব্যবহার করে, নেইভ বেইস, সাপোর্ট ভেক্টর মেশিন (SVM), এবং অন্যান্য ডিপ লার্নিং অ্যালগরিদম সহ, প্রতিষ্ঠানগুলো তাদের অকাঠামোগত ডেটার ভিতরে লুকানো সম্পর্ক গভীরভাবে জানতে এবং আবিষ্কার করতে সক্ষম হয়। টেক্সট রিট্রিভালের দুটি পদ্ধতি রয়েছে:
ডকুমেন্ট সিলেকশন
ডকুমেন্ট সিলেকশন পদ্ধতিতে, কোয়েরিটি প্রাসঙ্গিক ডকুমেন্ট বেছে নেওয়ার জন্য বাধ্যতা নির্ধারণকারী হিসেবে বিবেচনা করা হয়। এই বিভাগের একটি সাধারণ পদ্ধতি হল বুলিয়ান রিট্রিভাল মডেল, যেখানে একটি ডকুমেন্ট কীওয়ার্ডের একটি সেট দ্বারা সংজ্ঞায়িত হয় এবং একজন ব্যবহারকারী কীওয়ার্ডের একটি বুলিয়ান এক্সপ্রেশন প্রদান করে, যেমন: car and repair shops, tea or coffee, or database systems but not Oracle।
রিট্রieval সিস্টেম এমন একটি বুলিয়ান কোয়েরি গ্রহণ করতে পারে এবং বুলিয়ান এক্সপ্রেশন সন্তুষ্টকারী রেকর্ড ফেরত দিতে পারে। একজন ব্যবহারকারীর সুনির্দিষ্ট তথ্য প্রয়োজন বুলিয়ান কোয়ারীতে নির্দিষ্ট করার জটিলতার কারণে, বুলিয়ান রিট্রিভাল কৌশল সাধারণত তখনই ভালো কাজ করে যখন ব্যবহারকারী ডকুমেন্ট সেট সম্পর্কে অনেক জানেন এবং এই পদ্ধতিতে সেরা কোয়েরি তৈরি করতে পারেন।
ডকুমেন্ট র্যাঙ্কিং
ডকুমেন্ট র্যাঙ্কিং পদ্ধতিতে কোয়েরিটি ব্যবহার করে সমস্ত রেকর্ডকে প্রাসঙ্গিকতার ক্রমে র্যাঙ্ক করা হয়। সাধারণ ব্যবহারকারীরা এবং এক্সপ্লোরেটরি কোয়েরির জন্য, এই কৌশলগুলো ডকুমেন্ট সিলেকশন পদ্ধতির চেয়ে বেশি উপযুক্ত। বর্তমান অধিকাংশ ইনফরমেশন রিট্রিভাল সিস্টেম ব্যবহারকারীর কীওয়ার্ড কোয়েরির প্রতিক্রিয়ায় ফাইলের একটি র্যাঙ্কড তালিকা উপস্থাপন করে।
বীজগণিত, লজিক, সম্ভাবনা, এবং পরিসংখ্যানের মতো বিস্তৃত সংখ্যাসূচক ভিত্তির উপর ভিত্তি করে বেশ কিছু র্যাঙ্কিং পদ্ধতি রয়েছে। এই সব কৌশলের পেছনে সাধারণ trựcবোধ হল কোয়েরিতে থাকা কীওয়ার্ডকে রেকর্ডে থাকা কীওয়ার্ডের সাথে সংযুক্ত করা এবং প্রতিটি রেকর্ডকে স্কোর করা যে কত ভালোভাবে এটি কোয়েরির সাথে মিলে যায়।
উদ্দেশ্য হল ডকুমেন্টে শব্দের ফ্রিকোয়েন্সি এবং পুরো সেটের ওপর ভিত্তি করে গণনা করা স্কোরের মাধ্যমে রেকর্ডের প্রাসঙ্গিকতার ডিগ্রি অনুমান করা। একটি কীওয়ার্ড সেটের সাথে প্রাসঙ্গিকতার ডিগ্রির একটি নির্ভুল মাপ প্রদান করা অন্তর্নিহিতভাবে কঠিন। উদাহরণস্বরূপ, ডেটা মাইনিং এবং ডেটা অ্যানালাইসিসের মধ্যে দূরত্ব পরিমাপ করা কঠিন।
এই পদ্ধতির সবচেয়ে জনপ্রিয় পদ্ধতি হল ভেক্টর স্পেস মডেল। ভেক্টর স্পেস মডেলের মৌলিক ধারণা হল: এটি একটি ডকুমেন্ট এবং একটি কোয়েরি উভয়কেই সমস্ত কীওয়ার্ডের সাথে মিলে যাওয়া উচ্চ-মাত্রিক স্পেসে ভেক্টর হিসেবে উপস্থাপন করে এবং কোয়েরি ভেক্টর এবং রেকর্ড ভেক্টরের সাদৃশ্য মূল্যায়ন করতে একটি উপযুক্ত সাদৃশ্য মাপ ব্যবহার করে। সাদৃশ্য মানগুলো ডকুমেন্ট র্যাঙ্ক করতে ব্যবহার করা যেতে পারে।
