Search (116 results, page 6 of 6)

  • × theme_ss:"Retrievalalgorithmen"
  1. Dadashkarimia, J.; Shakery, A.; Failia, H.; Zamani, H.: ¬An expectation-maximization algorithm for query translation based on pseudo-relevant documents (2017) 0.00 
    0.0029100755 = product of:
  0.005820151 = sum of:
    0.005820151 = product of:
      0.017460452 = sum of:
        0.017460452 = weight(_text_:h in 3296) [ClassicSimilarity], result of:
          0.017460452 = score(doc=3296,freq=4.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.15527807 = fieldWeight in 3296, product of:
              2.0 = tf(freq=4.0), with freq of:
                4.0 = termFreq=4.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.03125 = fieldNorm(doc=3296)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
  2. Abu-Salem, H.; Al-Omari, M.; Evens, M.W.: Stemming methodologies over individual query words for an Arabic information retrieval system (1999) 0.00 
    0.0025721677 = product of:
  0.0051443353 = sum of:
    0.0051443353 = product of:
      0.015433006 = sum of:
        0.015433006 = weight(_text_:h in 3672) [ClassicSimilarity], result of:
          0.015433006 = score(doc=3672,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.13724773 = fieldWeight in 3672, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.0390625 = fieldNorm(doc=3672)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
  3. Chen, H.; Lally, A.M.; Zhu, B.; Chau, M.: HelpfulMed : Intelligent searching for medical information over the Internet (2003) 0.00 
    0.0025721677 = product of:
  0.0051443353 = sum of:
    0.0051443353 = product of:
      0.015433006 = sum of:
        0.015433006 = weight(_text_:h in 1615) [ClassicSimilarity], result of:
          0.015433006 = score(doc=1615,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.13724773 = fieldWeight in 1615, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.0390625 = fieldNorm(doc=1615)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
  4. Kang, I.-H.; Kim, G.C.: Integration of multiple evidences based on a query type for web search (2004) 0.00 
    0.0025721677 = product of:
  0.0051443353 = sum of:
    0.0051443353 = product of:
      0.015433006 = sum of:
        0.015433006 = weight(_text_:h in 2568) [ClassicSimilarity], result of:
          0.015433006 = score(doc=2568,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.13724773 = fieldWeight in 2568, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.0390625 = fieldNorm(doc=2568)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
  5. Lanvent, A.: Know-how - Suchverfahren : Intelligente Suchmaschinen erzielen mit assoziativen und linguistischen Verfahren beste Ergebnisse. (2004) 0.00 
    0.0025721677 = product of:
  0.0051443353 = sum of:
    0.0051443353 = product of:
      0.015433006 = sum of:
        0.015433006 = weight(_text_:h in 2988) [ClassicSimilarity], result of:
          0.015433006 = score(doc=2988,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.13724773 = fieldWeight in 2988, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.0390625 = fieldNorm(doc=2988)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
    Source
    PC professionell. 2004, H.10, S.134
  6. Lanvent, A.: Praxis - Windows-Suche und Indexdienst : Auch Windows kann bei der Suche den Turbo einlegen: mit dem Indexdienst (2004) 0.00 
    0.0025721677 = product of:
  0.0051443353 = sum of:
    0.0051443353 = product of:
      0.015433006 = sum of:
        0.015433006 = weight(_text_:h in 3316) [ClassicSimilarity], result of:
          0.015433006 = score(doc=3316,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.13724773 = fieldWeight in 3316, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.0390625 = fieldNorm(doc=3316)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
    Source
    PC professionell. 2004, H.10, S.134
  7. Bhansali, D.; Desai, H.; Deulkar, K.: ¬A study of different ranking approaches for semantic search (2015) 0.00 
    0.0025721677 = product of:
  0.0051443353 = sum of:
    0.0051443353 = product of:
      0.015433006 = sum of:
        0.015433006 = weight(_text_:h in 2696) [ClassicSimilarity], result of:
          0.015433006 = score(doc=2696,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.13724773 = fieldWeight in 2696, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.0390625 = fieldNorm(doc=2696)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
  8. Liu, X.; Zheng, W.; Fang, H.: ¬An exploration of ranking models and feedback method for related entity finding (2013) 0.00 
    0.0025721677 = product of:
  0.0051443353 = sum of:
    0.0051443353 = product of:
      0.015433006 = sum of:
        0.015433006 = weight(_text_:h in 2714) [ClassicSimilarity], result of:
          0.015433006 = score(doc=2714,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.13724773 = fieldWeight in 2714, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.0390625 = fieldNorm(doc=2714)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
  9. Xu, B.; Lin, H.; Lin, Y.: Assessment of learning to rank methods for query expansion (2016) 0.00 
    0.0025721677 = product of:
  0.0051443353 = sum of:
    0.0051443353 = product of:
      0.015433006 = sum of:
        0.015433006 = weight(_text_:h in 2929) [ClassicSimilarity], result of:
          0.015433006 = score(doc=2929,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.13724773 = fieldWeight in 2929, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.0390625 = fieldNorm(doc=2929)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
  10. Jiang, X.; Sun, X.; Yang, Z.; Zhuge, H.; Lapshinova-Koltunski, E.; Yao, J.: Exploiting heterogeneous scientific literature networks to combat ranking bias : evidence from the computational linguistics area (2016) 0.00 
    0.0025721677 = product of:
  0.0051443353 = sum of:
    0.0051443353 = product of:
      0.015433006 = sum of:
        0.015433006 = weight(_text_:h in 3017) [ClassicSimilarity], result of:
          0.015433006 = score(doc=3017,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.13724773 = fieldWeight in 3017, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.0390625 = fieldNorm(doc=3017)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
  11. Cross-language information retrieval (1998) 0.00 
    0.0024791197 = product of:
  0.0049582394 = sum of:
    0.0049582394 = product of:
      0.014874717 = sum of:
        0.014874717 = weight(_text_:c in 6299) [ClassicSimilarity], result of:
          0.014874717 = score(doc=6299,freq=2.0), product of:
            0.15612034 = queryWeight, product of:
              3.4494052 = idf(docFreq=3817, maxDocs=44218)
              0.045260075 = queryNorm
            0.09527725 = fieldWeight in 6299, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.4494052 = idf(docFreq=3817, maxDocs=44218)
              0.01953125 = fieldNorm(doc=6299)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
    Content
    Enthält die Beiträge: GREFENSTETTE, G.: The Problem of Cross-Language Information Retrieval; DAVIS, M.W.: On the Effective Use of Large Parallel Corpora in Cross-Language Text Retrieval; BALLESTEROS, L. u. W.B. CROFT: Statistical Methods for Cross-Language Information Retrieval; Distributed Cross-Lingual Information Retrieval; Automatic Cross-Language Information Retrieval Using Latent Semantic Indexing; EVANS, D.A. u.a.: Mapping Vocabularies Using Latent Semantics; PICCHI, E. u. C. PETERS: Cross-Language Information Retrieval: A System for Comparable Corpus Querying; YAMABANA, K. u.a.: A Language Conversion Front-End for Cross-Language Information Retrieval; GACHOT, D.A. u.a.: The Systran NLP Browser: An Application of Machine Translation Technology in Cross-Language Information Retrieval; HULL, D.: A Weighted Boolean Model for Cross-Language Text Retrieval; SHERIDAN, P. u.a. Building a Large Multilingual Test Collection from Comparable News Documents; OARD; D.W. u. B.J. DORR: Evaluating Cross-Language Text Filtering Effectiveness
  12. Langville, A.N.; Meyer, C.D.: Google's PageRank and beyond : the science of search engine rankings (2006) 0.00 
    0.0021825565 = product of:
  0.004365113 = sum of:
    0.004365113 = product of:
      0.013095339 = sum of:
        0.013095339 = weight(_text_:h in 6) [ClassicSimilarity], result of:
          0.013095339 = score(doc=6,freq=4.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.11645855 = fieldWeight in 6, product of:
              2.0 = tf(freq=4.0), with freq of:
                4.0 = termFreq=4.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.0234375 = fieldNorm(doc=6)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
    Content
    Inhalt: Chapter 1. Introduction to Web Search Engines: 1.1 A Short History of Information Retrieval - 1.2 An Overview of Traditional Information Retrieval - 1.3 Web Information Retrieval Chapter 2. Crawling, Indexing, and Query Processing: 2.1 Crawling - 2.2 The Content Index - 2.3 Query Processing Chapter 3. Ranking Webpages by Popularity: 3.1 The Scene in 1998 - 3.2 Two Theses - 3.3 Query-Independence Chapter 4. The Mathematics of Google's PageRank: 4.1 The Original Summation Formula for PageRank - 4.2 Matrix Representation of the Summation Equations - 4.3 Problems with the Iterative Process - 4.4 A Little Markov Chain Theory - 4.5 Early Adjustments to the Basic Model - 4.6 Computation of the PageRank Vector - 4.7 Theorem and Proof for Spectrum of the Google Matrix Chapter 5. Parameters in the PageRank Model: 5.1 The a Factor - 5.2 The Hyperlink Matrix H - 5.3 The Teleportation Matrix E Chapter 6. The Sensitivity of PageRank; 6.1 Sensitivity with respect to alpha - 6.2 Sensitivity with respect to H - 6.3 Sensitivity with respect to vT - 6.4 Other Analyses of Sensitivity - 6.5 Sensitivity Theorems and Proofs Chapter 7. The PageRank Problem as a Linear System: 7.1 Properties of (I - alphaS) - 7.2 Properties of (I - alphaH) - 7.3 Proof of the PageRank Sparse Linear System Chapter 8. Issues in Large-Scale Implementation of PageRank: 8.1 Storage Issues - 8.2 Convergence Criterion - 8.3 Accuracy - 8.4 Dangling Nodes - 8.5 Back Button Modeling
  13. Lanvent, A.: Licht im Daten Chaos (2004) 0.00 
    0.0020577342 = product of:
  0.0041154684 = sum of:
    0.0041154684 = product of:
      0.012346405 = sum of:
        0.012346405 = weight(_text_:h in 2806) [ClassicSimilarity], result of:
          0.012346405 = score(doc=2806,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.10979818 = fieldWeight in 2806, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.03125 = fieldNorm(doc=2806)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
    Source
    PC professionell. 2004, H.10, S.128-137
  14. Ackermann, J.: Knuth-Morris-Pratt (2005) 0.00 
    0.0020577342 = product of:
  0.0041154684 = sum of:
    0.0041154684 = product of:
      0.012346405 = sum of:
        0.012346405 = weight(_text_:h in 865) [ClassicSimilarity], result of:
          0.012346405 = score(doc=865,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.10979818 = fieldWeight in 865, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.03125 = fieldNorm(doc=865)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
    Abstract
    Im Rahmen des Seminars Suchmaschinen und Suchalgorithmen beschäftigt sich diese Arbeit mit dem Auffinden bestimmter Wörter oder Muster in Texten. Der Begriff "Text" wird hier in einem sehr allgemeinen Sinne als strukturierte Folge beliebiger Länge von Zeichen aus einem endlichen Alphabet verstanden. Somit fällt unter diesen Bereich ganz allgemein die Suche nach einem Muster in einer Sequenz von Zeichen. Beispiele hierfür sind neben der Suche von Wörtern in "literarischen" Texten, z.B. das Finden von Pixelfolgen in Bildern oder gar das Finden von Mustern in DNS-Strängen. Das Anwendungsgebiet für eine solche Suche ist weit gefächert. Man denke hier allein an Texteditoren, Literaturdatenbanken, digitale Lexika oder die besagte DNADatenbank. Betrachtet man allein das 1989 publizierte Oxford English Dictionary mit seinen etwa 616500 definierten Stichworten auf gedruckten 21728 Seiten, so gilt es, einen möglichst effizienten Algorithmus für die Suche in Texten zu nutzen. Der in der Arbeit zugrunde liegende Datentyp ist vom Typ String (Zeichenkette), wobei hier offen gelassen wird, wie der Datentyp programmtechnisch realisiert wird. Algorithmen zur Verarbeitung von Zeichenketten (string processing) umfassen ein bestimmtes Spektrum an Anwendungsgebieten [Ot96, S.617 f.], wie z.B. das Komprimieren, das Verschlüssen, das Analysieren (parsen), das Übersetzen von Texten sowie das Suchen in Texten, welches Thema dieses Seminars ist. Im Rahmen dieser Arbeit wird der Knuth-Morris-Pratt Algorithmus vorgestellt, der wie der ebenfalls in diesem Seminar vorgestellte Boyer-Moore Algorithmus einen effizienten Suchalgorithmus darstellt. Dabei soll ein gegebenes Suchwort oder Muster (pattern) in einer gegeben Zeichenkette erkannt werden (pattern matching). Gesucht werden dabei ein oder mehrere Vorkommen eines bestimmten Suchwortes (exact pattern matching). Der Knuth-Morris-Pratt Algorithmus wurde erstmals 1974 als Institutbericht der Stanford University beschrieben und erschien 1977 in der Fachzeitschrift Journal of Computing unter dem Titel "Fast Pattern Matching in Strings" [Kn77]. Der Algorithmus beschreibt eine Suche in Zeichenketten mit linearer Laufzeit. Der Name des Algorithmus setzt sich aus den Entwicklern des Algorithmus Donald E. Knuth, James H. Morris und Vaughan R. Pratt zusammen.
  15. Ayadi, H.; Torjmen-Khemakhem, M.; Daoud, M.; Xiangji Huang, J.; Ben Jemaa, M.: MF-Re-Rank : a modality feature-based re-ranking model for medical image retrieval (2018) 0.00 
    0.0020577342 = product of:
  0.0041154684 = sum of:
    0.0041154684 = product of:
      0.012346405 = sum of:
        0.012346405 = weight(_text_:h in 4459) [ClassicSimilarity], result of:
          0.012346405 = score(doc=4459,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.10979818 = fieldWeight in 4459, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.03125 = fieldNorm(doc=4459)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
  16. Mandl, T.: Tolerantes Information Retrieval : Neuronale Netze zur Erhöhung der Adaptivität und Flexibilität bei der Informationssuche (2001) 0.00 
    0.0010288671 = product of:
  0.0020577342 = sum of:
    0.0020577342 = product of:
      0.0061732023 = sum of:
        0.0061732023 = weight(_text_:h in 5965) [ClassicSimilarity], result of:
          0.0061732023 = score(doc=5965,freq=2.0), product of:
            0.11244635 = queryWeight, product of:
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.045260075 = queryNorm
            0.05489909 = fieldWeight in 5965, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.4844491 = idf(docFreq=10020, maxDocs=44218)
              0.015625 = fieldNorm(doc=5965)
      0.33333334 = coord(1/3)
  0.5 = coord(1/2)
    Footnote
    Rez. in: nfd - Information 54(2003) H.6, S.379-380 (U. Thiel): "Kannte G. Salton bei der Entwicklung des Vektorraummodells die kybernetisch orientierten Versuche mit assoziativen Speicherstrukturen? An diese und ähnliche Vermutungen, die ich vor einigen Jahren mit Reginald Ferber und anderen Kollegen diskutierte, erinnerte mich die Thematik des vorliegenden Buches. Immerhin lässt sich feststellen, dass die Vektorrepräsentation eine genial einfache Darstellung sowohl der im Information Retrieval (IR) als grundlegende Datenstruktur benutzten "inverted files" als auch der assoziativen Speichermatrizen darstellt, die sich im Laufe der Zeit Über Perzeptrons zu Neuronalen Netzen (NN) weiterentwickelten. Dieser formale Zusammenhang stimulierte in der Folge eine Reihe von Ansätzen, die Netzwerke im Retrieval zu verwenden, wobei sich, wie auch im vorliegenden Band, hybride Ansätze, die Methoden aus beiden Disziplinen kombinieren, als sehr geeignet erweisen. Aber der Reihe nach... Das Buch wurde vom Autor als Dissertation beim Fachbereich IV "Sprachen und Technik" der Universität Hildesheim eingereicht und resultiert aus einer Folge von Forschungsbeiträgen zu mehreren Projekten, an denen der Autor in der Zeit von 1995 bis 2000 an verschiedenen Standorten beteiligt war. Dies erklärt die ungewohnte Breite der Anwendungen, Szenarien und Domänen, in denen die Ergebnisse gewonnen wurden. So wird das in der Arbeit entwickelte COSIMIR Modell (COgnitive SIMilarity learning in Information Retrieval) nicht nur anhand der klassischen Cranfield-Kollektion evaluiert, sondern auch im WING-Projekt der Universität Regensburg im Faktenretrieval aus einer Werkstoffdatenbank eingesetzt. Weitere Versuche mit der als "Transformations-Netzwerk" bezeichneten Komponente, deren Aufgabe die Abbildung von Gewichtungsfunktionen zwischen zwei Termräumen ist, runden das Spektrum der Experimente ab. Aber nicht nur die vorgestellten Resultate sind vielfältig, auch der dem Leser angebotene "State-of-the-Art"-Überblick fasst in hoch informativer Breite Wesentliches aus den Gebieten IR und NN zusammen und beleuchtet die Schnittpunkte der beiden Bereiche. So werden neben den Grundlagen des Text- und Faktenretrieval die Ansätze zur Verbesserung der Adaptivität und zur Beherrschung von Heterogenität vorgestellt, während als Grundlagen Neuronaler Netze neben einer allgemeinen Einführung in die Grundbegriffe u.a. das Backpropagation-Modell, KohonenNetze und die Adaptive Resonance Theory (ART) geschildert werden. Einweiteres Kapitel stellt die bisherigen NN-orientierten Ansätze im IR vor und rundet den Abriss der relevanten Forschungslandschaft ab. Als Vorbereitung der Präsentation des COSIMIR-Modells schiebt der Autor an dieser Stelle ein diskursives Kapitel zum Thema Heterogenität im IR ein, wodurch die Ziele und Grundannahmen der Arbeit noch einmal reflektiert werden. Als Dimensionen der Heterogenität werden der Objekttyp, die Qualität der Objekte und ihrer Erschließung und die Mehrsprachigkeit genannt. Wenn auch diese Systematik im Wesentlichen die Akzente auf Probleme aus den hier tangierten Projekten legt, und weniger eine umfassende Aufbereitung z.B. der Literatur zum Problem der Relevanz anstrebt, ist sie dennoch hilfreich zum Verständnis der in den nachfolgenden Kapitel oft nur implizit angesprochenen Designentscheidungen bei der Konzeption der entwickelten Prototypen. Der Ansatz, Heterogenität durch Transformationen zu behandeln, wird im speziellen Kontext der NN konkretisiert, wobei andere Möglichkeiten, die z.B. Instrumente der Logik und Probabilistik einzusetzen, nur kurz diskutiert werden. Eine weitergehende Analyse hätte wohl auch den Rahmen der Arbeit zu weit gespannt,

Authors

Years

Languages

  • e 90
  • d 25
  • m 1
  • More… Less…

Types

  • a 108
  • m 5
  • s 3
  • el 2
  • r 1
  • x 1
  • More… Less…

Themes

Subjects

Classifications