-
Fuhr, N.: Rankingexperimente mit gewichteter Indexierung (1986)
0.03
0.02526938 = product of:
0.17688565 = sum of:
0.17688565 = sum of:
0.116130754 = weight(_text_:anwendung in 2051) [ClassicSimilarity], result of:
0.116130754 = score(doc=2051,freq=2.0), product of:
0.1809185 = queryWeight, product of:
4.8414783 = idf(docFreq=948, maxDocs=44218)
0.037368443 = queryNorm
0.6418954 = fieldWeight in 2051, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.8414783 = idf(docFreq=948, maxDocs=44218)
0.09375 = fieldNorm(doc=2051)
0.06075489 = weight(_text_:22 in 2051) [ClassicSimilarity], result of:
0.06075489 = score(doc=2051,freq=2.0), product of:
0.13085791 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.037368443 = queryNorm
0.46428138 = fieldWeight in 2051, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.09375 = fieldNorm(doc=2051)
0.14285715 = coord(1/7)
- Date
- 14. 6.2015 22:12:56
- Source
- Automatische Indexierung zwischen Forschung und Anwendung, Hrsg.: G. Lustig
-
Fuhr, N.: Ranking-Experimente mit gewichteter Indexierung (1986)
0.00
0.0043396354 = product of:
0.030377446 = sum of:
0.030377446 = product of:
0.06075489 = sum of:
0.06075489 = weight(_text_:22 in 58) [ClassicSimilarity], result of:
0.06075489 = score(doc=58,freq=2.0), product of:
0.13085791 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.037368443 = queryNorm
0.46428138 = fieldWeight in 58, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.09375 = fieldNorm(doc=58)
0.5 = coord(1/2)
0.14285715 = coord(1/7)
- Date
- 14. 6.2015 22:12:44
-
Marcus, S.: Textvergleich mit mehreren Mustern (2005)
0.00
0.0039103264 = product of:
0.027372282 = sum of:
0.027372282 = product of:
0.054744564 = sum of:
0.054744564 = weight(_text_:anwendung in 862) [ClassicSimilarity], result of:
0.054744564 = score(doc=862,freq=4.0), product of:
0.1809185 = queryWeight, product of:
4.8414783 = idf(docFreq=948, maxDocs=44218)
0.037368443 = queryNorm
0.3025924 = fieldWeight in 862, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
4.8414783 = idf(docFreq=948, maxDocs=44218)
0.03125 = fieldNorm(doc=862)
0.5 = coord(1/2)
0.14285715 = coord(1/7)
- Abstract
- Das Gebiet des Pattern-Matching besitzt in vielen wissenschaftlichen Bereichen eine hohe Relevanz. Aufgrund unterschiedlicher Einsatzgebiete sind auch Umsetzung und Anwendung des Pattern-Matching sehr verschieden. Die allen Anwendungen des Pattern-Matching inhärente Aufgabe besteht darin, in einer Vielzahl von Eingabedaten bestimmte Muster wieder zu erkennen. Dies ist auch der deutschen Bezeichnung Mustererkennung zu entnehmen. In der Medizin findet Pattern-Matching zum Beispiel bei der Untersuchung von Chromosomensträngen auf bestimmte Folgen von Chromosomen Verwendung. Auf dem Gebiet der Bildverarbeitung können mit Hilfe des Pattern-Matching ganze Bilder verglichen oder einzelne Bildpunkte betrachtet werden, die durch ein Muster identifizierbar sind. Ein weiteres Einsatzgebiet des Pattern-Matching ist das Information-Retrieval, bei dem in gespeicherten Daten nach relevanten Informationen gesucht wird. Die Relevanz der zu suchenden Daten wird auch hier anhand eines Musters, zum Beispiel einem bestimmten Schlagwort, beurteilt. Ein vergleichbares Verfahren findet auch im Internet Anwendung. Internet-Benutzer, die mittels einer Suchmaschine nach bedeutsamen Informationen suchen, erhalten diese durch den Einsatz eines Pattern-Matching-Automaten. Die in diesem Zusammenhang an den Pattern-Matching-Automaten gestellten Anforderungen variieren mit der Suchanfrage, die an eine Suchmaschine gestellt wird. Eine solche Suchanfrage kann im einfachsten Fall aus genau einem Schlüsselwort bestehen. Im komplexeren Fall enthält die Anfrage mehrere Schlüsselwörter. Dabei muss für eine erfolgreiche Suche eine Konkatenation der in der Anfrage enthaltenen Wörter erfolgen. Zu Beginn dieser Arbeit wird in Kapitel 2 eine umfassende Einführung in die Thematik des Textvergleichs gegeben, wobei die Definition einiger grundlegender Begriffe vorgenommen wird. Anschließend werden in Kapitel 3 Verfahren zum Textvergleich mit mehreren Mustern vorgestellt. Dabei wird zunächst ein einfaches Vorgehen erläutert, um einen Einsteig in das Thema des Textvergleichs mit mehreren Mustern zu erleichtern. Danach wird eine komplexe Methode des Textvergleichs vorgestellt und anhand von Beispielen verdeutlicht.
-
Fuhr, N.: Modelle im Information Retrieval (2023)
0.00
0.0034562727 = product of:
0.024193907 = sum of:
0.024193907 = product of:
0.048387814 = sum of:
0.048387814 = weight(_text_:anwendung in 800) [ClassicSimilarity], result of:
0.048387814 = score(doc=800,freq=2.0), product of:
0.1809185 = queryWeight, product of:
4.8414783 = idf(docFreq=948, maxDocs=44218)
0.037368443 = queryNorm
0.2674564 = fieldWeight in 800, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.8414783 = idf(docFreq=948, maxDocs=44218)
0.0390625 = fieldNorm(doc=800)
0.5 = coord(1/2)
0.14285715 = coord(1/7)
- Abstract
- Information-Retrieval-Modelle -(IR-Modelle) spezifizieren, wie zu einer gegebenen Anfrage die Antwortdokumente aus einer Dokumentenkollektion bestimmt werden. Ausgangsbasis jedes Modells sind dabei zunächst bestimmte Annahmen über die Wissensrepräsentation (s. Teil B Methoden und Systeme der Inhaltserschließung) von Fragen und Dokumenten. Hier bezeichnen wir die Elemente dieser Repräsentationen als Terme, wobei es aus der Sicht des Modells egal ist, wie diese Terme aus dem Dokument (und analog aus der von Benutzenden eingegebenen Anfrage) abgeleitet werden: Bei Texten werden hierzu häufig computerlinguistische Methoden eingesetzt, aber auch komplexere automatische oder manuelle Erschließungsverfahren können zur Anwendung kommen. Repräsentationen besitzen ferner eine bestimmte Struktur. Ein Dokument wird meist als Menge oder Multimenge von Termen aufgefasst, wobei im zweiten Fall das Mehrfachvorkommen berücksichtigt wird. Diese Dokumentrepräsentation wird wiederum auf eine sogenannte Dokumentbeschreibung abgebildet, in der die einzelnen Terme gewichtet sein können. Im Folgenden unterscheiden wir nur zwischen ungewichteter (Gewicht eines Terms ist entweder 0 oder 1) und gewichteter Indexierung (das Gewicht ist eine nichtnegative reelle Zahl). Analog dazu gibt es eine Fragerepräsentation; legt man eine natürlichsprachige Anfrage zugrunde, so kann man die o. g. Verfahren für Dokumenttexte anwenden. Alternativ werden auch grafische oder formale Anfragesprachen verwendet, wobei aus Sicht der Modelle insbesondere deren logische Struktur (etwa beim Booleschen Retrieval) relevant ist. Die Fragerepräsentation wird dann in eine Fragebeschreibung überführt.
-
Tober, M.; Hennig, L.; Furch, D.: SEO Ranking-Faktoren und Rang-Korrelationen 2014 : Google Deutschland (2014)
0.00
0.0028930905 = product of:
0.020251632 = sum of:
0.020251632 = product of:
0.040503263 = sum of:
0.040503263 = weight(_text_:22 in 1484) [ClassicSimilarity], result of:
0.040503263 = score(doc=1484,freq=2.0), product of:
0.13085791 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.037368443 = queryNorm
0.30952093 = fieldWeight in 1484, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=1484)
0.5 = coord(1/2)
0.14285715 = coord(1/7)
- Date
- 13. 9.2014 14:45:22
-
Kanaeva, Z.: Ranking: Google und CiteSeer (2005)
0.00
0.002531454 = product of:
0.017720178 = sum of:
0.017720178 = product of:
0.035440356 = sum of:
0.035440356 = weight(_text_:22 in 3276) [ClassicSimilarity], result of:
0.035440356 = score(doc=3276,freq=2.0), product of:
0.13085791 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.037368443 = queryNorm
0.2708308 = fieldWeight in 3276, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0546875 = fieldNorm(doc=3276)
0.5 = coord(1/2)
0.14285715 = coord(1/7)
- Date
- 20. 3.2005 16:23:22
