টেক্সট পুনরুদ্ধার হল অর্থপূর্ণ নিদর্শন এবং নতুন অন্তর্দৃষ্টি সনাক্ত করার জন্য কাঠামোবিহীন পাঠকে একটি কাঠামোগত বিন্যাসে রূপান্তরিত করার প্রক্রিয়া। Naïve Bayes, Support Vector Machines (SVM), এবং অন্যান্য ডিপ লার্নিং অ্যালগরিদম সহ উন্নত বিশ্লেষণাত্মক কৌশলগুলি ব্যবহার করে, সংস্থাগুলি তাদের অগঠিত ডেটার মধ্যে লুকানো সম্পর্কগুলি অন্বেষণ করতে এবং খুঁজে পেতে সক্ষম হয়। পাঠ্য পুনরুদ্ধারের দুটি পদ্ধতি রয়েছে যা নিম্নরূপ -
নথি নির্বাচন - নথি নির্বাচন পদ্ধতিতে, প্রশ্নটিকে প্রাসঙ্গিক নথি নির্বাচন করার জন্য সংজ্ঞায়িত সীমাবদ্ধতা হিসাবে বিবেচনা করা হয়। এই বিভাগের একটি সাধারণ পদ্ধতি হল বুলিয়ান পুনরুদ্ধার মডেল, যেখানে একটি নথিকে কীওয়ার্ডের একটি সেট দ্বারা সংজ্ঞায়িত করা হয় এবং একজন ব্যবহারকারী কীওয়ার্ডের একটি বুলিয়ান অভিব্যক্তি প্রদান করে, যেমন গাড়ি এবং মেরামতের দোকান, চা বা কফি, বা ডাটাবেস সিস্টেম কিন্তু ওরাকল নয় .
পুনরুদ্ধার ব্যবস্থা এমন একটি বুলিয়ান প্রশ্ন নিতে পারে এবং বুলিয়ান অভিব্যক্তিকে সন্তুষ্ট করে এমন রেকর্ড ফেরত দিতে পারে। বুলিয়ান ক্যোয়ারির সাথে ব্যবহারকারীর ডেটা নির্ধারণে জটিলতার কারণে, বুলিয়ান পুনরুদ্ধারের কৌশলগুলি সাধারণত তখনই ভাল কাজ করে যখন ব্যবহারকারী নথি সেট সম্পর্কে অনেক কিছু বোঝেন এবং এইভাবে সেরা ক্যোয়ারী তৈরি করতে পারেন৷
ডকুমেন্ট র্যাঙ্কিং − নথি র্যাঙ্কিং পদ্ধতিগুলি প্রযোজ্যতার ক্রম অনুসারে সমস্ত রেকর্ডকে র্যাঙ্ক করার জন্য ক্যোয়ারী ব্যবহার করে। সাধারণ ব্যবহারকারী এবং অনুসন্ধানমূলক প্রশ্নের জন্য, এই কৌশলগুলি নথি নির্বাচন পদ্ধতির চেয়ে বেশি উপযুক্ত। বেশিরভাগ বর্তমান ডেটা পুনরুদ্ধার সিস্টেমগুলি ব্যবহারকারীর কীওয়ার্ড প্রশ্নের উত্তরে ফাইলগুলির একটি র্যাঙ্ক করা তালিকা উপস্থাপন করে৷
বীজগণিত, যুক্তিবিদ্যা, সম্ভাব্যতা এবং পরিসংখ্যানের মতো সংখ্যাসূচক ভিত্তির বিশাল বর্ণালীর উপর ভিত্তি করে বেশ কয়েকটি র্যাঙ্কিং পদ্ধতি রয়েছে। এই সমস্ত কৌশলগুলির পিছনে সাধারণ অন্তর্দৃষ্টি হল যে এটি একটি ক্যোয়ারীতে কীওয়ার্ডগুলিকে রেকর্ডের সাথে সংযুক্ত করতে পারে এবং প্রতিটি রেকর্ড স্কোর করতে পারে তার উপর নির্ভর করে যে এটি কোয়েরির সাথে কতটা মেলে৷
উদ্দেশ্য নথিতে শব্দের ফ্রিকোয়েন্সি এবং পুরো সেট সহ তথ্যের উপর নির্ভর করে গণনা করা স্কোর সহ রেকর্ডগুলির প্রাসঙ্গিকতার ডিগ্রি আনুমানিক করা। কীওয়ার্ডের একটি সেটের মধ্যে প্রাসঙ্গিকতার মাত্রার একটি সুনির্দিষ্ট পরিমাপ প্রদান করা সহজাতভাবে কঠিন। উদাহরণস্বরূপ, ডেটা মাইনিং এবং ডেটা বিশ্লেষণের মধ্যে দূরত্ব পরিমাপ করা কঠিন।
এই পদ্ধতির সবচেয়ে জনপ্রিয় পদ্ধতি হল ভেক্টর স্পেস মডেল। ভেক্টর স্পেস মডেলের মূল ধারণাটি নিম্নরূপ:এটি একটি নথি এবং একটি কোয়েরি উভয়কে ভেক্টর হিসাবে উপস্থাপন করতে পারে একটি উচ্চ-মাত্রিক স্থানে সমস্ত কীওয়ার্ডের সাথে সম্পর্কিত এবং একটি উপযুক্ত সাদৃশ্য পরিমাপ ব্যবহার করে কোয়েরিভেক্টর এবং রেকর্ড ভেক্টরের মধ্যে সাদৃশ্য মূল্যায়ন করতে পারে। সাদৃশ্য মান তারপর র্যাঙ্কিং নথির জন্য ব্যবহার করা যেতে পারে।
