¿De verdad sabes lo que quieres buscar?Expansión guiada visualmente de la cadena de búsqueda usando ontologías y grafos de conceptos

  1. Villa Cordero, Manuel de la
  2. García Pérez, Sebastián
  3. Maña López, Manuel Jesús
Revista:
Procesamiento del lenguaje natural

ISSN: 1135-5948

Año de publicación: 2011

Número: 47

Páginas: 21-29

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openRUA editor

Otras publicaciones en: Procesamiento del lenguaje natural

Resumen

Múltiples trabajos hablan de la escasez de términos usados en las cadenas de búsqueda, lo que dificulta que se discriminen eficientemente los documentos de interés del usuario. Los buscadores devuelven miles de documentos recuperados, produciéndose resultados inadecuados, sin una conexión semántica con la consulta y escasamente relacionados con las necesidades del usuario. Este hecho se agrava en un ámbito biomédico donde el paciente no suele dominar el vocabulario especializado necesario para la precisa definición de sus necesidades de información. Presentamos un método de expansión y enriquecimiento de la cadena de búsqueda mediante la creación de un modelo visual esquemático, un grafo de conceptos relacionados semánticamente con la ayuda de ontologías como UMLS y Freebase.

Referencias bibliográficas

  • Baeza-Yates, R. y Ribeiro-Neto, B. 1999. Modern Information Retrieval. Capítulo 5. Addison-Wesley Longman Publishing Company, New York.
  • Belkin, N. J. 2000. Helping People Find What They Don't Know. Communications of the ACM, 43(8):58-61.
  • Belkin, N., Cool, C., Kelly, D., Lin, S. J., Park, S. Y., Perez-Carballo, J. y Sikora, C. 2001. Iterative exploration, design and evaluation of support for query reformulation in interactive information retrieval. Information Processing & Management, 37(3):403-434.
  • Bhogal, J., Macfarlane, A., Smith, P. (2007). A review of ontology based query expansion. Information Processing & Management, 43(4), 866-886. Pergamon Press, Inc.
  • De Buenaga M.,, Gómez-Hidalgo J.M., Díaz-Agudo,B. 1997. Using WordNet to complement training in formation in text categorization. Proceedings of RANLP-97. Tzigov Chark, Bulgary.
  • de la Villa, M., Muñoz A., Millán M., Maña, M. 2010. A Biomedical Information Retrieval System based on Clustering for Mobile Devices. BioSEPLN10, Workshop on Language Technology applied to biomedical and health documents. SEPLN 2010 (Valencia).
  • Efthimiadis, E. 1996. Query expansion. Annual Review of Information Science and Technology (ARIST), 31:121-187
  • Finkelstein L., Gabrilovich E., Matias Y., Rivlin E., Solan Z., Wolfman G, y Ruppin E. 2002. Placing search in context: the concept revisited. TOIS, 20(1), 116–131.
  • Fu, G. et al. 2005. Ontology-Based Spatial Query Expansion in Information Retrieval ODBASE: OTM Confederated International Conferences.
  • Gonzalo, J. et al. 1998. Indexing with WordNet synsets can improve text retrieval Coling-ACL 98.
  • Hearst, M. A. 1999. User Interfaces and Visualization. En R. Baeza-Yates y B. Ribeiro-Neto, eds., Modern Information Retrieval , págs. 257-323. Addison-Wesley Longman Publishing Company, New York.
  • Herrero-Solana, V., Hassan, Y. 2006. Metodologías para el desarrollo de Interfaces Visuales de Recuperación de Información: análisis y comparación. Information Research, 11(3)
  • Hersh, W., Bhupatiraju, R. T., y Price, S. 2003. Phrases, Boosting, and Query Expansion Using External Knowledge Resources for Genomic Information Retrieval. TREC (503–509).
  • Huang, L. 2000. A survey on web information retrieval technologies. In ECSL. New York.
  • Jansen, B. J., Spink, A. and Koshman, S. 2007. Web searcher interaction with the Dogpile.com metasearch engine. Journal of the American Society for Information Science and Technology, 58: 744–755.
  • Kochhar, S., Mazzocchi, S. y Paritosh, P. 2010. The Anatomy of a Large-Scale Human Computation Engine. KDDHCOMP’10, Washington, DC (USA).
  • Lin, X., Soergel, D. y Marchionini, G. 1991. A Self-organizing Semantic Map for Information Retrieval. Proc. ACM Int. SIGIR ’91.
  • Magnini, B., y Speranza, M. 2002. Merging global and specialized linguistic ontologies. In Proceedings of the workshop Ontolex-2002 ontologies and lexical knowledge bases, LREC-2002 (pp. 43–48).
  • Mandala, R., Tokunaga, T. y Tanaka, H. 2000. Query expansion using heterogeneous thesauri. Inf. Process. Manage. 36(3): 361-378
  • Marcos, M. C. 2005. Visual elements in search systems and information retrieval. Yearbook Hipertext.net, n. 3 (May 2005).
  • Miller, G.A. 1995. WordNet: A Lexical Database for English. Communications of the ACM Vol. 38, No. 11: 39-41.
  • Navigli, R., y Velardi, P. 2003. An analysis of ontology-based query expansion strategies workshop on adaptive text extraction and mining (ATEM 2003). In 14th European conference on machine learning (ECML 2003.
  • O’Madadhain, J., Fisher, D., Smyth, P., White, S., and Boey, Y.-B. 2005. Analysis and visualization of network data using JUNG. Journal of Statistical Software , VV:1-35.
  • Rindflesh, T.C., Fiszman, M., Libbus, B. 2005. Semantic interpretation for the biomedical research literature. Capítulo 14. Medical Informatics. Knowledge Management and Data Mining in Biomedicine. Springer's Integrated Series in Information Systems.
  • Safar, B., Kefi, H. 2003. Domain ontology and Galois lattice structure for query refinement. Proceedings of the 15th IEEE international conference on tools with artificial intelligence, Sacramento, California, pp. 597–601.
  • Shneiderman, B. 1992. Tree visualization with tree-maps: 2-d space-filling approach. ACM Transactions on Graphics, v. 11 n. 1, p.92-99, Jan. 1992.
  • Song M., Song I-Y., Hu X., Allen R.B. 2007. Integration of association rules and ontologies for semantic query expansion. Data & Knowledge Engineering 63. 63–75
  • Voorhees, E. 1993. Using wordnet to disambiguate word senses for text retrieval. ACM SIGIR, 171–180.
Fuente de los datos: Dialnet