Erweitertes boolsches Retrieval
|
|
- Dominik Grosser
- vor 6 Jahren
- Abrufe
Transkript
1 Erweitertes boolsches Retrieval In diesem Unterabschnitt werden andere Ansätze zur Verbesserung des boolschen Retrievals vorgestellt. Im Gegensatz zum Vektorraummodell wird bei diesen Ansätzen versucht, die Dichotomie der boolschen Logik aufzuweichen. Man betrachte eine Anfrage der Art A and B and C and D and E, wobei A bis E Anfrageterme sind. Ein Dokument, das alle diese Anfrageterme bis auf einen enthält, könnte u.u. auch für die Anfrage relevant sein. Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
2 Analog wird im boolschen Retrieval ein Dokument, das für die Anfrage A or B or C or D or E nur einen der Terme enthält, als genauso relevant angesehen wie ein Dokument, das alle diese Terme enthält. Die Grundidee besteht nun darin, die Operatoren and und or aufzuweichen, d.h. and soll sich ein wenig wie or verhalten und umgekehrt. Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
3 Modelle für das erweiterte boolsche Retrieval gemischtes Min-Max-Modell Paice-Modell P-Norm-Modell Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
4 Eigenschaften dieser Modelle Weniger strikte Interpretation der boolschen Operatoren Ranking der Dokumente im Anfrageergebnis Gewichtung der Dokumentterme (Gewichte w i,k ) Im P-Norm-Modell können auch die Anfrageterme gewichtet werden. Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
5 Grundideen Das Gewicht w i,k ist ein Maß dafür, wie stark der Term t k das Dokument d i charakterisiert. O.b.d.A. liegen die w i,k im Intervall [0, 1]. Das Retrieval basiert auf der Berechnung des Werts einer Ähnlichkeitsfunktion zwischen der Anfrage und den Dokumenten. Sämtliche Modelle orientieren sich an grundlegenden Konzepten für sogenannte unscharfe Mengen (fuzzy sets). Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
6 Unscharfe Mengen Definition [Unscharfe Menge] Es sei D eine Menge. Eine unscharfe Menge X über dem Grundbereich D ist eine Abbildung: µ X (d) : D [0,1] Für ein d D drückt dabei µ X (d) [0,1] den Grad der Zugehörigkeit von d zu X aus. Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
7 Unscharfe und herkömmliche Mengen Herkömmliche Mengen (scharfe Mengen) lassen sich als Spezialfall einer unscharfen Menge schreiben. Hierzu wählt man für eine scharfe Menge X die charakteristische Funktion als µ X, d.h.: { 1 falls d X µ X (d) = 0 sonst Darstellung der leeren Menge: µ 0 Darstellung der Grundmenge: µ D 1 Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
8 Operationen für unscharfe Mengen Definition Es seien X und Y unscharfe Mengen über einer Grundmenge D. Dann werden Vereinigung X Y, Durchschnitt X Y und Komplement X c wie folgt definiert: µ X Y (d) := max{µ X (d),µ Y (d)} µ X Y (d) := min{µ X (d),µ Y (d)} µ X c(d) := 1 µ X (d) Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
9 Bemerkungen: Die meisten Gesetze der boolschen Algebra bzw. Mengenlehre sind auch für unscharfe Mengen gültig: Kommutativität, Assoziativität, Idempotenz, Monotonie, Distributivität, demorgansche Regeln. Nicht erfüllt sind teilweise Gesetze, die sich auf die Komplementbildung beziehen. So sind für unscharfe Mengen beispielsweise die beiden folgenden Gesetze der Mengenlehre i. A. nicht gültig: X c X = X c X = D Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
10 Das gemischte Min-Max-Modell Grundideen: Jedem Indexterm t k wird eine unscharfe Menge D k an Dokumenten zugeordnet. Die Funktion µ Dk : D [0, 1] gibt für jedes Dokument den Grad der Zugehörigkeit zur Menge der Dokumente an, die durch den Term t k charakterisiert werden. Die Gewichte w i,k entsprechen somit den Werten µ k (d i ). Einer konjunktiven Anfrage t r and t s könnte nun die unscharfe Menge Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
11 D r D s zugeordnet werden, wobei: µ Dr D s (d) = min{µ Dr (d),µ Ds (d)} Ebenso könnte einer disjunktiven Anfrage t r ort s die unscharfe Menge D r D s zugeordnet werden, mit: µ Dr D s (d) = max{µ Dr (d),µ Ds (d)} Das gemischte Min-Max-Modell versucht neben der Verwendung von unscharfen Mengen, die sich in den Dokumentgewichten niederschlagen, auch die boolschen Operatoren aufzuweichen. Dies geschieht durch die Bildung einer Linearkombination von min und max. Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
12 Definition [gemischtes Min-Max-Modell] Gegeben seien die Anfragen Q or = t 1 or t 2 or... or t r und Q and = t 1 and t 2 and... and t r w i,k [0, 1] sei das Gewicht von Term t k (1 k r) im Dokument d i D. Für ein Dokument d i D wird die Ähnlichkeit SIM zwischen d i und den Anfragen wie folgt definiert: SIM(Q or,d i ) = C or max{w i,1,...,w i,r } + (1 C or ) min{w i,1,...,w i,r } SIM(Q and,d i ) = C and min{w i,1,...,w i,r }+(1 C and )max{w i,1,...,w i,r } Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
13 Bemerkungen: C or und C and sind die sogenannten Softness -Koeffizienten für den Orbzw. And-Operator. Für die Koeffizienten gilt: 0 C and, C or 1. Für C and = C or = 1 ergeben sich die Operationen der unscharfen Mengen. Gemäß der Vorgehensweise bei unscharfen Mengen sollte für den Or- Operator dem Maximum ein stärkere Bedeutung zukommen, also: C or > 1/2. Analog erhält beim And-Operator das Minimum ein stärkere Bedeutung, d.h. C and > 1/2. Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
14 Das Paice-Modell Grundideen: Beim gemischten Min-Max-Modell wirken sich nur die maximalen bzw. minimalen Dokumentgewichte auf den Ähnlichkeitswert aus. Beim Paice-Modell wird versucht, alle Dokumentgewichte in den Ähnlichkeitswert einfließen zu lassen. Definition [Paice-Modell] Gegeben seien die Anfragen Q or = t 1 or t 2 or... or t r und Q and = t 1 and t 2 and... and t r Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
15 w i,k [0, 1] sei das Gewicht von Term t k (1 k r) im Dokument d i D. Für ein Dokument d i D wird die Ähnlichkeit SIM zwischen d i und den Anfragen wie folgt definiert: SIM(Q or,d i ) = r i=1 λi 1 w i,k r i=1 λi 1 SIM(Q and,d i ) = r i=1 λi 1 w i,k r i=1 λi 1 Hierbei ergeben sich die Gewichte w i,k durch eine absteigende Sortierung der w i,k und w i,k durch eine aufsteigende Sortierung der w i,k. Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
16 Bemerkungen: Für λ sollte gelten: 0 λ 1. Durch die Sortierung in Verbindung mit den Termen λ i 1 werden beim Or-Operator größere Gewichte stärker berücksichtigt, beim And-Operator dagegen kleinere Gewichte. Für λ = 0 entspricht das Paice-Modell den Operationen bei unscharfen Mengen. Für r = 2 verhält sich das Paice-Modell wie das gemischte Min-Max- Modell. Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
17 Das P-Norm-Modell Grundideen: Beim P-Norm-Modell können auch die Anfrageterme gewichtet werden. Die Dokumentgewichte w i,1,...,w i,r zu den Anfragetermen t 1,...,t r werden als Punkte in einem r-dimensionalen Raum aufgefaßt. Man betrachte nun eine disjunktive Anfrage der Form t 1 or t 2 or... or t r. Der ungünstigste Punkt für diese Anfrage ist der Ursprung des r- dimensionalen Raums. Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
18 Für eine konjunktive Anfrage der Form t 1 and t 2 and... and t r ist der Punkt (1, 1,..., 1) am günstigsten. Dementsprechend bietet es sich an, für disjunktive Anfragen die Dokumente absteigend nach der Distanz zum Ursprung zu reihen und für konjunktive Anfragen aufsteigend nach der Distanz zum Punkt (1,1,...,1). Anfragen: Anfragen im P-Norm-Modell haben die folgende Form: Q or = (t 1, q 1 ) or (t 1, q 2 ) or... or (t r, q r ) Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
19 Q and = (t 1,q 1 ) and(t 1, q 2 ) and... and(t r, q r ) Q not = not Q Die q i sind hierbei die Gewichte der Anfrageterme. Definition [P-Norm-Modell] Gegeben seien Anfragen Q or, Q and und Q not wie oben. w i,k [0,1] sei das Gewicht von Term t k im Dokument d i D. Für ein Dokument d i D wird die Ähnlichkeit SIM zwischen d i und den Anfragen wie folgt definiert: SIM(Q or, d i ) = ( r k=1 qp i wp i,k r k=1 qp i )1 p Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
20 SIM(Q and, d i ) = 1 ( r k=1 qp i (1 w i,k) p )1 p r k=1 qp i SIM(Q not,d i ) = 1 SIM(Q,d i ) Bemerkungen: Der Parameter p gibt die Striktheit des Operators or bzw. and an. Der Wert für p reicht von 1 (am wenigsten strikt) bis (am striktesten). p = 2 entspricht einer (gewichteten) euklidischen Norm bei der Abstandsberechnung, p = einer (gewichteten) Maximumsnorm. Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
21 Die Festlegung auf ein geeignetes p kann auch durch das Retrievalsystem erfolgen. p = 2 hat sich als i.d.r. geeignet erwiesen. Nachteil des P-Norm-Modells: Für p > 1 sind durch die Exponentenberechnung viele aufwendige Gleitkommaoperationen notwendig. Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
22 Implementierung des erweiterten boolschen Retrievals Aus der Anfrage wird ein Operatorbaum aufgebaut: and or or Operatorbaum zu der Anfrage: (t 1 or t 2 or t 3 ) and (t 4 or t 5 ) t1 t2 t3 t4 t5 Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
23 Die Anfrageterme befinden sich an den Blättern, die inneren Knoten enthalten die Operatoren. Der Operatorbaum wird bottom-up ausgewertet. Zunächst werden über eine invertierte Liste die Dokumentgewichte zu den in den Blättern verzeichneten Termen ermittelt. An den inneren Knoten müssen die verschiedenen Gewichte zu einem Dokument gemäß den Formeln des zugrundeliegenden Modells akkumuliert werden. Es ist hilfreich, wenn die Fundstellen sortiert vorliegen (vgl. Vektorraummodell). Dann können an einem inneren Knoten die Gewichte zu einem Dokument einfacher akkumuliert werden. Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
24 Veranschaulichung: Auswertung der Anfrage (t 1 or t 2 or t 3 )and (t 4 or t 5 ) für ein Dokument d i nach dem gemischten Min-Max-Modell (C and = C or = 0.75): w(i, (t1 or t2 or t3) and (t4 or t5) ) = w(i, t1 or t2 or t3 ) = 0.7 w(i, t4 or t5 ) = 0.6 w(i,1) = 0.7 w(i,3) = 0.8 w(i,2) = 0.4 w(i,t4) = 0.8 w(i,t5) = 0 t1 t2 t3 t4 t5 Bei inneren Knoten, die als Söhne keine Terme haben, werden die Formeln der Modelle analog angewendet (siehe Beispiel). Information Retrieval Hochschule Bonn-Rhein-Sieg, SS
Vorlesung Information Retrieval Wintersemester 04/05
Vorlesung Information Retrieval Wintersemester 04/05 14. Oktober 2004 Institut für Informatik III Universität Bonn Tel. 02 28 / 73-45 31 Fax 02 28 / 73-43 82 jw@informatik.uni-bonn.de 1 Themenübersicht
MehrI. Aussagenlogik. Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen.
I. Aussagenlogik 2.1 Syntax Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen. Sätze selbst sind entweder wahr oder falsch. Ansonsten
MehrTeil 1: Digitale Logik
Teil 1: Digitale Logik Inhalt: Boolesche Algebra kombinatorische Logik sequentielle Logik kurzer Exkurs technologische Grundlagen programmierbare logische Bausteine 1 Analoge und digitale Hardware bei
Mehr5. Aussagenlogik und Schaltalgebra
5. Aussagenlogik und Schaltalgebra Aussageformen und Aussagenlogik Boolesche Terme und Boolesche Funktionen Boolesche Algebra Schaltalgebra Schaltnetze und Schaltwerke R. Der 1 Aussagen Information oft
Mehr4. Nicht-Probabilistische Retrievalmodelle
4. Nicht-Probabilistische Retrievalmodelle 1 4. Nicht-Probabilistische Retrievalmodelle Norbert Fuhr 4. Nicht-Probabilistische Retrievalmodelle 2 Rahmenarchitektur für IR-Systeme Evaluierung Informations
MehrÜbungsaufgaben. Aufgabe 1 Internetsuchmaschinen. Einführung in das Information Retrieval, 8. Mai 2008 Veranstaltung für die Berufsakademie Karlsruhe
Otto-Friedrich-Universität Bamberg Lehrstuhl für Medieninformatik Prof. Dr. Andreas Henrich Dipl. Wirtsch.Inf. Daniel Blank Einführung in das Information Retrieval, 8. Mai 2008 Veranstaltung für die Berufsakademie
MehrTheorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie
Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Johannes Leitner Inhalt I Modellierung von Unschärfe Unscharfe Mengen Unscharfe
MehrÄhnlichkeitssuche auf XML-Daten
Ähnlichkeitssuche auf XML-Daten Christine Lehmacher Gabriele Schlipköther Übersicht Information Retrieval Vektorraummodell Gewichtung Ähnlichkeitsfunktionen Ähnlichkeitssuche Definition, Anforderungen
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume
Effiziente Algorithmen und Datenstrukturen I Kapitel 9: Minimale Spannbäume Christian Scheideler WS 008 19.0.009 Kapitel 9 1 Minimaler Spannbaum Zentrale Frage: Welche Kanten muss ich nehmen, um mit minimalen
Mehr2 Evaluierung von Retrievalsystemen
2. Evaluierung von Retrievalsystemen Relevanz 2 Evaluierung von Retrievalsystemen Die Evaluierung von Verfahren und Systemen spielt im IR eine wichtige Rolle. Gemäß der Richtlinien für IR der GI gilt es,...
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrInformation Retrieval
Information Retrieval Bisher: Datenbankabfrage mit Hilfe von SQL in relationalen Datenbanken. Die Informationen liegen geordnet in Tabellen -> exakte Ergebnisse Neu: Die Informationen liegen in Datensammlungen
MehrFormeln. Signatur. aussagenlogische Formeln: Aussagenlogische Signatur
Signatur Formeln Am Beispiel der Aussagenlogik erklären wir schrittweise wichtige Elemente eines logischen Systems. Zunächst benötigt ein logisches System ein Vokabular, d.h. eine Menge von Namen, die
MehrSQL. strukturierte Datenbankabfragesprache eine Datenbanksprache zur. Structured Query Language:
SQL Structured Query Language: strukturierte Datenbankabfragesprache eine Datenbanksprache zur Definition, Abfrage und Manipulation von Daten in relationalen Datenbanken In der SQL-Ansicht arbeiten In
MehrSignalverarbeitung 1
TiEl-F000 Sommersemester 2008 Signalverarbeitung 1 (Vorlesungsnummer 260215) 2003-10-10-0000 TiEl-F035 Digitaltechnik 2.1 Logikpegel in der Digitaltechnik In binären Schaltungen repräsentieren zwei definierte
MehrEinführung in die Fuzzy Logic
Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]
MehrComputergrundlagen Boolesche Logik, Zahlensysteme und Arithmetik
Computergrundlagen Boolesche Logik, Zahlensysteme und Arithmetik Institut für Computerphysik Universität Stuttgart Wintersemester 2012/13 Wie rechnet ein Computer? Ein Mikroprozessor ist ein Netz von Transistoren,
Mehr183.580, WS2012 Übungsgruppen: Mo., 22.10.
VU Grundlagen digitaler Systeme Übung 2: Numerik, Boolesche Algebra 183.580, WS2012 Übungsgruppen: Mo., 22.10. Aufgabe 1: Binäre Gleitpunkt-Arithmetik Addition & Subtraktion Gegeben sind die Zahlen: A
MehrÜbungsaufgaben mit Lösungsvorschlägen
Otto-Friedrich-Universität Bamberg Lehrstuhl für Medieninformatik Prof. Dr. Andreas Henrich Dipl. Wirtsch.Inf. Daniel Blank Einführung in das Information Retrieval, 8. Mai 2008 Veranstaltung für die Berufsakademie
MehrGrundlagen der Informationverarbeitung
Grundlagen der Informationverarbeitung Information wird im Computer binär repräsentiert. Die binär dargestellten Daten sollen im Computer verarbeitet werden, d.h. es müssen Rechnerschaltungen existieren,
MehrKapitel IR:III (Fortsetzung)
Kapitel IR:III (Fortsetzung) III. Retrieval-Modelle Modelle und Prozesse im IR Klassische Retrieval-Modelle Bool sches Modell Vektorraummodell Retrieval-Modelle mit verborgenen Variablen Algebraisches
MehrPersonalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.
Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen
Mehr5. Suchmaschinen Herausforderungen beim Web Information Retrieval. 5. Suchmaschinen. Herausforderungen beim Web Information Retrieval
5. Suchmaschinen Herausforderungen beim Web Information Retrieval 5. Suchmaschinen Herausforderungen beim Web Information Retrieval Architektur von Suchmaschinen Spezielle Bewertungsfunktionen Information
MehrWiederholung ADT Menge Ziel: Verwaltung (Finden, Einfügen, Entfernen) einer Menge von Elementen
Was bisher geschah abstrakter Datentyp : Signatur Σ und Axiome Φ z.b. ADT Menge zur Verwaltung (Finden, Einfügen, Entfernen) mehrerer Elemente desselben Typs Spezifikation einer Schnittstelle Konkreter
MehrA.1 Schaltfunktionen und Schaltnetze
Schaltfunktionen und Schaltnetze A. Schaltfunktionen und Schaltnetze 22 Prof. Dr. Rainer Manthey Informatik II Bedeutung des Binärsystems für den Rechneraufbau Seit Beginn der Entwicklung von Computerhardware
Mehr4. Übungsblatt Matrikelnr.: 6423043
Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613
Mehr2 Volltext-Suchmaschinen
2 Volltext-Suchmaschinen Volltext-Suchmaschinen werden vor allem für die Suche im Internet benutzt, jedoch gibt es auch Erweiterungen (Data Cartridge, Oracle) um Volltextsuche bei SQL-Suchmaschinen wie
Mehr1. Speicherbausteine. 1.1. JK-RS-Master-Slave-Flip-Flop
1. Speicherbausteine 1.1. JK-RS-Master-Slave-Flip-Flop Dieser Speicherbaustein (Kurz JK-RS) hat 5 Eingänge (J,K,R,S und Clk) und zwei Ausgänge ( und ). Funktion Werden die Eingänge J,K und Clock auf 0
MehrÜbung Medienretrieval WS 07/08 Thomas Wilhelm, Medieninformatik, TU Chemnitz
02_Grundlagen Lucene Übung Medienretrieval WS 07/08 Thomas Wilhelm, Medieninformatik, TU Chemnitz Was ist Lucene? (1) Apache Lucene is a high-performance, full-featured text search engine library written
Mehr1. Einfach verkettete Liste unsortiert 2. Einfach verkettete Liste sortiert 3. Doppelt verkettete Liste sortiert
Inhalt Einführung 1. Arrays 1. Array unsortiert 2. Array sortiert 3. Heap 2. Listen 1. Einfach verkettete Liste unsortiert 2. Einfach verkettete Liste sortiert 3. Doppelt verkettete Liste sortiert 3. Bäume
MehrSuchmaschinen. Anwendung RN Semester 7. Christian Koczur
Suchmaschinen Anwendung RN Semester 7 Christian Koczur Inhaltsverzeichnis 1. Historischer Hintergrund 2. Information Retrieval 3. Architektur einer Suchmaschine 4. Ranking von Webseiten 5. Quellenangabe
MehrNumerisches Programmieren
Technische Universität München SS 2012 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Alexander Breuer Dipl-Math Dipl-Inf Jürgen Bräckle Dr-Ing Markus Kowarschik Numerisches
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 3 30.04.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Letztes Mal Aussagenlogik Syntax: welche Formeln? Semantik:
MehrEine Abfrage (Query) ist in Begriffe und Operatoren unterteilt. Es gibt zwei verschiedene Arten von Begriffen: einzelne Begriffe und Phrasen.
Lucene Hilfe Begriffe Eine Abfrage (Query) ist in Begriffe und Operatoren unterteilt. Es gibt zwei verschiedene Arten von Begriffen: einzelne Begriffe und Phrasen. Ein einzelner Begriff ist ein einzelnes
MehrInformatik I WS 07/08 Tutorium 24
Info I Tutorium 24 Informatik I WS 07/08 Tutorium 24 3.2.07 astian Molkenthin E-Mail: infotut@sunshine2k.de Web: http://infotut.sunshine2k.de Organisatorisches / Review is zum 2.2 müssen alle Praxisaufgaben
MehrBinäre Suchbäume (binary search trees, kurz: bst)
Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.
MehrBitte schreiben Sie sich in die Mailingliste der Vorlesung ein! Den Link finden Sie auf der Vorlesungshomepage.
Mailingliste Bitte schreiben Sie sich in die Mailingliste der Vorlesung ein! Den Link finden Sie auf der Vorlesungshomepage. ZUR ERINNERUNG Regulärer Stundenplan Freitag, 14-16 Uhr: Vorlesung, ExWi A6
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Dipl. Inform. Andreas Wilkens aw@awilkens.com Überblick Grundlagen Definitionen Elementare Datenstrukturen Rekursionen Bäume 2 1 Datenstruktur Baum Definition eines Baumes
MehrEinleitung Projektion Selektion Join Mengenop. Vollst.keit. Einleitung Projektion. Selektion Join. Vollst.keit. Einleitung Projektion Selektion Join
Parsen der Anfrage (SQL) Transformation in eine Standardform (Relationenalgebra) Logische Optimierung Transformation in alternative Zugriffspläne, Physische Optimierung Ausführung des gewählten Zugriffsplans
Mehr5. Suchmaschinen Herausforderungen beim Web Information Retrieval. Herausforderungen beim Web Information Retrieval. Architektur von Suchmaschinen
5. Suchmaschinen Herausforderungen beim Web Information Retrieval 5. Suchmaschinen 5. Suchmaschinen Herausforderungen beim Web Information Retrieval Verweisstrukturen haben eine wichtige Bedeutung Spamming
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
MehrFuzzy Logik. Ausarbeitung zur Vorlesung Methoden der Künstlichen Intelligenz Betreuung: Prof. Dr. Harald Gläser
Fuzzy Logik Ausarbeitung zur Vorlesung Methoden der Künstlichen Intelligenz Betreuung: Prof. Dr. Harald Gläser an der Fachhochschule Furtwangen Hochschule für Technik und Wirtschaft Fachbereich Wirtschaftsinformatik
MehrWintersemester 2008/2009
Fakultät für Informatik LS VI Information Engineering Prof. Dr. G. Kern-Isberner Patrick Krümpelmann, Jan-Hendrik Lochner, Max Vorderstemann Probeklausur zur Vorlesung Darstellung, Verarbeitung und Erwerb
MehrINEX. INitiative for the Evaluation of XML Retrieval. Sebastian Rassmann, Christian Michele
INEX INitiative for the Evaluation of XML Retrieval Was ist INEX? 2002 gestartete Evaluierungsinitiative Evaluierung von Retrievalmethoden für XML Dokumente Berücksichtigt die hierarchische Dokumentstruktur
MehrFoundations of Systems Development
Foundations of Systems Development Vergleich und Zusammenfassung Martin Wirsing in Zusammenarbeit mit Moritz Hammer und Axel Rauschmayer WS 2007/08 2 Ziele Wichtige Aspekte von algebraischen Spezikationen
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg : Gliederung 1 Aussagenlogik 2 Lineare Algebra 3 Lineare Programme 4 Folgen
MehrProtokoll zu Grundelemente der Digitaltechnik
Protokoll zu Grundelemente der Digitaltechnik Ronn Harbich 22. uli 2005 Ronn Harbich Protokoll zu Grundelemente der Digitaltechnik 2 Vorwort Das hier vorliegende Protokoll wurde natürlich mit größter Sorgfalt
MehrLösungen zu den Übungsaufgaben aus Kapitel 3
Lösungen zu den Übungsaufgaben aus Kapitel 3 Ü3.1: a) Die Start-Buchungslimits betragen b 1 = 25, b 2 = 20 und b 3 = 10. In der folgenden Tabelle sind jeweils die Annahmen ( ) und Ablehnungen ( ) der Anfragen
MehrTeil II. Schaltfunktionen
Teil II Schaltfunktionen 1 Teil II.1 Zahlendarstellung 2 b-adische Systeme Sei b IN mit b > 1 und E b = {0, 1,..., b 1} (Alphabet). Dann ist jede Fixpunktzahl z (mit n Vorkomma und k Nachkommastellen)
MehrInformatik A ( Frank Hoffmann)
Teillösungen zum 1. Aufgabenblatt zur Vorlesung Informatik A ( Frank Hoffmann) 1. Improvisieren Stellen Sie die Zahl 6 dar durch einen Ausdruck, der genau dreimal die Ziffer i enthält und ansonsten neben
MehrIV. Spieltheorie. H. Weber, FHW, OR SS07, Teil 7, Seite 1
IV. Spieltheorie 1. Gegenstand der Spieltheorie 2. Einführung in Matrixspiele 3. Strategien bei Matrixspielen 4. Weitere Beispiele 5. Mögliche Erweiterungen H. Weber, FHW, OR SS07, Teil 7, Seite 1 1. Gegenstand
Mehr13. Binäre Suchbäume
1. Binäre Suchbäume Binäre Suchbäume realiesieren Wörterbücher. Sie unterstützen die Operationen 1. Einfügen (Insert) 2. Entfernen (Delete). Suchen (Search) 4. Maximum/Minimum-Suche 5. Vorgänger (Predecessor),
MehrPhysische Datenorganisation
Physische Datenorganisation Physische Datenorganisation 2002 Prof. Dr. Rainer Manthey Informationssysteme 1 Übersicht Datenbanken, Relationen und Tupel werden auf der untersten Ebene der bereits vorgestellten
MehrN Bit binäre Zahlen (signed)
N Bit binäre Zahlen (signed) n Bit Darstellung ist ein Fenster auf die ersten n Stellen der Binär Zahl 0000000000000000000000000000000000000000000000000110 = 6 1111111111111111111111111111111111111111111111111101
MehrUniversität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5
Universität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5 Aufgabe 1: Projektion Datenbanksysteme I π A1,...,A n (π B1,...,B
MehrDatenstruktur, die viele Operationen dynamischer Mengen unterstützt
Algorithmen und Datenstrukturen 265 10 Binäre Suchbäume Suchbäume Datenstruktur, die viele Operationen dynamischer Mengen unterstützt Kann als Wörterbuch, aber auch zu mehr eingesetzt werden (Prioritätsschlange)
MehrAdaption von Information Retrieval-Verfahren zur automatisierten Produktsuche und -klassifikation
Adaption von Information Retrieval-Verfahren zur automatisierten Produktsuche und -klassifikation Stefan Naumann, Rolf Krieger, Norbert Kuhn, Cordula Schürmann, Christian Sommer Institut für Softwaresysteme
MehrDatenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer:
Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.
MehrAnalysis. mit dem Computer-Algebra-System des TI-92. Anhang 2: Gedanken zum Lehrplan. Beat Eicke und Edmund Holzherr 11.
ETH EIDGENÖSSISCHE TECHNISCHE HOCHSCHULE ZÜRICH Analysis mit dem Computer-Algebra-System des TI-92 Anhang 2: Gedanken zum Lehrplan Beat Eicke und Edmund Holzherr 11. November 1997 Eidgenössische Technische
Mehr1. Grundlegende Konzepte von Information Retrieval Systemen
1. Grundlegende Konzepte von IR-Systemen Charakterisierung von Information Retrieval 1. Grundlegende Konzepte von Information Retrieval Systemen Charakterisierung des Begriffs Information Retrieval Beispiele
MehrQuantitative BWL 2. Teil: Finanzwirtschaft
Quantitative BWL 2. Teil: Finanzwirtschaft Mag. Tomáš Sedliačik Lehrstuhl für Finanzdienstleistungen Universität Wien 1 Themenübersicht 1. Portfoliotheorie und Portfoliomodelle i. Grundbegriffe: Rendite,
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
MehrRecommender Systems. Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006
Recommender Systems Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006 Inhalt 1 - Einführung 2 Arten von Recommender-Systemen 3 Beispiele für RCs 4 - Recommender-Systeme und
MehrTechnische Informatik 2
TiEl-F Sommersemester 24 Technische Informtik 2 (Vorlesungsnummer 2625) 23--- TiEl-F Prof. Dr.-Ing. Jürgen Doneit Zimmer E29 Tel.:73 54 455 doneit@fh-heilronn.de 23--- TiEl-F35 Digitltechnik 23--3- . Digitlschltungen,
MehrBeteiligung der Beschäftigten an betrieblicher Weiterbildung. und Unternehmensgröße
Beteiligung der Beschäftigten an betrieblicher Weiterbildung und Unternehmensgröße Befunde auf der Grundlage von CVTS3 Friederike Behringer, Gudrun Schönfeld Bonn, Februar 2011 1 Vorbemerkung Im Folgenden
MehrMathematikaufgaben zur Vorbereitung auf das Studium
Hochschule für Technik und Wirtschaft Dresden (FH) Fachbereich Informatik/Mathematik Mathematikaufgaben zur Vorbereitung auf das Studium Studiengänge Informatik Medieninformatik Wirtschaftsinformatik Wirtschaftsingenieurwesen
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrCayuga. A General Purpose Event Monotoring System. David Pfeiffer. 19. Juli 2007
Cayuga A General Purpose Event Monotoring System David Pfeiffer 19. Juli 2007 1 / 24 Themen 1 2 Aufbau Operatoren 3 Das Modell der Zustandsübergang Zustandstypen 4 Beispiel Kritik & Fragen 2 / 24 Was ist
MehrAlgorithmen und Datenstrukturen Balancierte Suchbäume
Algorithmen und Datenstrukturen Balancierte Suchbäume Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Überblick Einführung Einfügen und Löschen Einfügen
MehrKapitel MK:IV. IV. Modellieren mit Constraints
Kapitel MK:IV IV. Modellieren mit Constraints Einführung und frühe Systeme Konsistenz I Binarization Generate-and-Test Backtracking-basierte Verfahren Konsistenz II Konsistenzanalyse Weitere Analyseverfahren
Mehr2.4 Adaptive Verfahren mit Schrittweitensteuerung
0 0 0 Euler und RK4 fuer f(t,y) = t 0. Euler RK4 /N 0 0 f(t,y) =. t 0., graduiertes Gitter RK4 /N 4 Fehler bei T = 0 3 0 4 0 5 Fehler bei T = 0 5 0 0 0 6 0 7 0 0 0 0 2 0 3 0 4 0 5 Anzahl Schritte N 0 5
MehrDatenstrukturen und Algorithmen
Datenstrukturen und Algorithmen VO 708.031 Bäume robert.legenstein@igi.tugraz.at 1 Inhalt der Vorlesung 1. Motivation, Einführung, Grundlagen 2. Algorithmische Grundprinzipien 3. Sortierverfahren 4. Halden
MehrLogische Programmierung
Logische Programmierung B-82 Deklaratives Programmieren in Prädikatenlogik: Problem beschreiben statt Algorithmus implementieren (idealisiert). Grundlagen: Relationen bzw. Prädikate (statt Funktionen);
MehrBoole'sche Algebra. Inhaltsübersicht. Binäre Funktionen, Boole'sche Algebren, Schaltalgebra. Verknüpfungen der mathematischen Logik
Boole'sche Algebr Binäre Funktionen, Boole'sche Algebren, Schltlgebr Inhltsübersicht Verknüpfungen der mthemtischen Logik Boole sche Algebren Grundelemente der Schltlgebr Regeln der Schltlgebr Normlformen
MehrZusammenfassung. 1 Wir betrachten die folgende Signatur F = {+,,, 0, 1} sodass. 3 Wir betrachten die Gleichungen E. 4 Dann gilt E 1 + x 1
Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 7 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 1 Wir betrachten die folgende Signatur
MehrTheoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 7: Einführung Aussagenlogik schulz@eprover.org Logisches Schließen 2 gold +1000, 1 per step, Beispiel: Jage den Wumpus Performance measure death 1000 10
MehrRahmenarchitektur für IR-Systeme. Internet-Suchmaschinen Nicht-Probabilistische Retrievalmodelle. Notationen. Notationen.
Rahmenarchitektur für IR-Systeme Internet-Suchmaschinen Nicht-Prbabilistische Retrievalmdelle Infrmatins bedürfnis Frage Repräsentatin Evaluierung Frage Beschreibung Nrbert Fuhr Wissensrepräsentatin Vergleich
MehrUndirected Single-Source Shortest Paths with Positive Integer Weights in Linear Time
Universität Konstanz Mathematisch-naturwissenschaftliche Sektion Fachbereich Mathematik und Statistik Wintersemester 2001/02 Mikkel Thorup: Undirected Single-Source Shortest Paths with Positive Integer
MehrMathematischer Vorkurs für Physiker WS 2009/10
TU München Prof. Dr. P. Vogl, Dr. S. Schlicht Mathematischer Vorkurs für Physiker WS 2009/10 Vorlesung 1, Montag vormittag Vektoralgebra Ein Vektor lässt sich geometrisch als eine gerichtete Strecke darstellen,
MehrBinäre Bäume Darstellung und Traversierung
Binäre Bäume Darstellung und Traversierung Name Frank Bollwig Matrikel-Nr. 2770085 E-Mail fb641378@inf.tu-dresden.de Datum 15. November 2001 0. Vorbemerkungen... 3 1. Terminologie binärer Bäume... 4 2.
MehrÜbung RA, Kapitel 1.2
Übung RA, Kapitel 1.2 Teil 1: Zahlen und Logik A) Aufgaben zu den ganzen Zahlen 1. Konvertieren Sie die folgenden Zahlen in die Binärform: 1984 Immer durch 2 teilen, der Rest ergibt das Bit. Jeweils mit
MehrFormale Methoden II. Gerhard Jäger. SS 2008 Universität Bielefeld. Teil 8, 11. Juni 2008. Formale Methoden II p.1/30
Formale Methoden II SS 2008 Universität Bielefeld Teil 8, 11. Juni 2008 Gerhard Jäger Formale Methoden II p.1/30 Beispiele Anmerkung: wenn der Wahrheitswert einer Formel in einem Modell nicht von der Belegungsfunktion
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrWeb Information Retrieval. Zwischendiskussion. Überblick. Meta-Suchmaschinen und Fusion (auch Rank Aggregation) Fusion
Web Information Retrieval Hauptseminar Sommersemester 2003 Thomas Mandl Überblick Mehrsprachigkeit Multimedialität Heterogenität Qualität, semantisch, technisch Struktur Links HTML Struktur Technologische
MehrKontextbasiertes Information Retrieval
Kontextbasiertes Information Retrieval Modell, Konzeption und Realisierung kontextbasierter Information Retrieval Systeme Karlheinz Morgenroth Lehrstuhl für Medieninformatik Fakultät Wirtschaftsinformatik
MehrSudoku-Informatik oder wie man als Informatiker Logikrätsel löst
Sudoku-Informatik oder wie man als Informatiker Logikrätsel löst Peter Becker Hochschule Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@h-brs.de Kurzvorlesung am Studieninformationstag, 13.05.2009
MehrVerwendet man zur Darstellung nur binäre Elemente ( bis lat.: zweimal) so spricht man von binärer Digitaltechnik.
Kursleiter : W. Zimmer 1/24 Digitale Darstellung von Größen Eine Meßgröße ist digital, wenn sie in ihrem Wertebereich nur eine endliche Anzahl von Werten annehmen kann, also "abzählbar" ist. Digital kommt
Mehr... MathML XHTML RDF
RDF in wissenschaftlichen Bibliotheken (LQI KUXQJLQ;0/ Die extensible Markup Language [XML] ist eine Metasprache für die Definition von Markup Sprachen. Sie unterscheidet sich durch ihre Fähigkeit, Markup
MehrInformation Retrieval Modelle und neue Technologien. Prof. Dr. Wolfgang Riggert FDH Flensburg
Information Retrieval Modelle und neue Technologien Prof. Dr. Wolfgang Riggert FDH Flensburg Gliederung IR-Modelle Suchmaschinen Beispiel: Google Neue Technologien Retrievalmodell - allgemein Ein Retrievalmodell
MehrDruckvorlagen Als Druckvorlagen sind dafür vorhanden:!liste1.ken (Kennzahlen)!Liste2.KEN (Kontennachweis)
Kennzahlen und Kennzeichen Dieses Dokument zeigt Ihnen in wenigen kurzen Schritten die Logik und Vorgehensweise der Definition der Kennzahlen und Kennzeichen und deren Auswertung in eigens dafür vorhandenen
MehrFragenkatalog zum Kurs 1666 (Datenbanken in Rechnernetzen) Kurstext von SS 96
Fragenkatalog zum Kurs 1666 (Datenbanken in Rechnernetzen) Kurstext von SS 96 Dieser Fragenkatalog wurde aufgrund das Basistextes und zum Teil aus den Prüfungsprotokollen erstellt, um sich auf mögliche
MehrNull-Werte in Relationalen Datenbanken
Seminar: Imperfektion in Datenbanken WS03/04 Null-Werte in Relationalen Datenbanken Thomas Bierhance Einführung Null-Werte in DBen sind notwendiges Übel, da... (1) das Wissen über die tatsächliche Welt
MehrSpieltheorien und Theoreme
Spieltheorien und Theoreme Seminar: Randomisierte Algorithmen Prof. Dr. R. Klein Alexander Hombach Eine bilinguale Ausarbeitung von Alexander Hombach, Daniel Herrmann und Ibraguim Kouliev (Teil 1) Rheinische
Mehr12..2.15: Polylog/ Uni Wien: Ik Kompetenz in der Kritik (Volkskundemuseum Wien) 19.2.15, 18.30h: Sietar-Webinar (www.intercultural-campus.
12..2.15: Polylog/ Uni Wien: Ik Kompetenz in der Kritik (Volkskundemuseum Wien) 19.2.15, 18.30h: Sietar-Webinar (www.intercultural-campus.org) 15.-17.5.15: Hochschulverband IKS: Jahrestagung (Kochel) November
MehrInformation Retrieval
Information Retrieval Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik peter.becker@fh-bonn-rhein-sieg.de Vorlesung Sommersemester 2004 In die Vorlesung integriert Übungen Bearbeitungszeit:
MehrSuch- und Klassifizierungsstrategien in elektronischen Produktkatalogen
Such- und Klassifizierungsstrategien in elektronischen Produktkatalogen Stefan Naumann, Rolf Krieger, Norbert Kuhn, Cordula Schürmann, Christian Sommer Institut für Softwaresysteme in Wirtschaft, Umwelt
MehrEinführung in die Fuzzy-Logik (zur Anwendung in Fuzzy-Reglern)
Seminar Datenverarbeitung SS 98 Einführung in die Fuzzy-Logik (zur Anwendung in Fuzzy-Reglern) Bearbeiter: Michael Hubo Betreuer: Matthias Ortmann Inhaltsverzeichnis 1. MOTIVATION...2 2. WAS BEDEUTET FUZZY-LOGIK?...2
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
MehrErfüllbarkeit und Allgemeingültigkeit
Theoretische Informatik: Logik, M. Lange, FB16, Uni Kassel: 3.3 Aussagenlogik Erfüllbarkeit 44 Erfüllbarkeit und Allgemeingültigkeit Def.: eine Formel ϕ heißt erfüllbar, wennesein I gibt, so dass I = ϕ
Mehr