close

Вход

Забыли?

вход по аккаунту

(yandex.ru).

код для вставкиСкачать
Построение новостного
агрегатора в Интернет на основе
материалов сайтов СМИ (обзор
технологии yandex.ru)
Шевченко Алексей, 422 группа
Yandex.ru
План доклада


Проблематика
Реализация новостной ленты на примере
yandex.ru



Поиск «похожих» текстов
Методы кластеризации
Стандарт RSS
Проблематика


Поиск и объединение в сюжетные темы
документов, описывающих одни и те же
события
Ранжирование сюжетов
Построение сюжетов на yandex.ru



Определение попарной текстуальной
близости документов
Построение матрицы попарной близости
Обработка матрицы двухуровневым
алгоритмом кластеризации с эмпирически
подобранным радиусом
Построение сюжетов на
infostream.ua



Определение текстуальной близости
документов на основе последовательностей
ключевых слов
Построение цепочек документов,
коэффициент близости которых превышает
некоторый, установленный эмпирически
Выбор самой актуальной информации на
основании длины и оперативности цепочек
Метрики


Полнота – описывает количество
сообщений, не попавших в нужные сюжеты
Точность – описывает количество «чужих»
сообщений в сюжете
В обеих системах достигаются полнота более
80% и точность около 95%.
Алгоритмы определения
текстуальной близости на
yandex.ru


Алгоритм поиска похожих документов
(базируется на методе w-шинглов)
Алгоритм нечеткого поиска, базирующийся
на матрице похожести текстов
Метод w-шинглов




Метод шинглов определяет близость двух текстов
Каждый из текстов рассматривается как набор слов
Алгоритм разбивает каждый текст на
пересекающиеся цепочки из слов фиксированной
длины, затем полученные цепочки сличаются
Для достижения наилучших результатов можно
применять алгоритм неоднократно, увеличивая
длину цепочки
Метод w-шинглов



Первый текст: а роза упала на лапу Азора
Второй текст: а роза упала на лапу, упала на
лапу Азора
Пусть длина шингла равна трем
Метод w-шинглов



Для первого текста имеем цепочки: (а, роза, упала), (роза,
упала, на), (упала, на, лапу), и т.д. Аналогично строятся
цепочки для второго текста
Для каждого текста из получившегося набора шинглов
удаляются дубликаты
Пусть S(A) – множество шинглов для текста A. Тогда
схожесть текстов определяется по формуле:
r ( A, B) 
| S ( A)  S ( B) |
| S ( A)  S ( B) |
Метод w-шинглов

Таким образом, используя метод шинглов с
длиной 3, получаем, что исходные два текста
являются полными дубликатами
Другой метод определения
похожести текстов




Метод определяет похожесть двух текстов
Текст рассматривается как набор слов
Для пары текстов строится матрица MxN, где
M – количество слов первого текста, N –
второго
Значение матрицы Aij равно похожести
соответствующих слов
Другой метод определения
похожести текстов



Похожесть слов определяется некоторым образом
(например, как расстояние редактирования)
Все слова, похожесть которых меньше некоторого
порогового значения (например, 20%), считаются
абсолютно непохожими (0%)
Пусть для определенности M <= N. Назовем
покрытием матрицы множество ее элементов, таких,
что в любой строке содержится ровно один
элемент этого множества и в любом столбце
содержится не более одного элемента этого
множества
Другой метод определения
похожести текстов


Для матрицы строится максимальное
покрытие, т.е. такое покрытие, элементы
которого имеют наибольший суммарный вес
Значение функции похожести текстов
определяется как частное суммарного веса
элементов максимального покрытия и
max(M,N)
Кластеризация


Кластеризация – объединение в группы
схожих объектов
На yandex.ru используется двухуровневая
иерархическая кластеризация для
объединения атомарных кластеров в более
крупные (построение «сюжетов»и «событий»)
Основные типы алгоритмов
кластеризации



Графовые алгоритмы (исходная выборка
представляется в виде графа)
Статистические алгоритмы (основаны на
предположении, что кластеры описываются
семейством вероятностных распределений)
Иерархические алгоритмы (построение
системы вложенных разбиений)
Графовые алгоритмы (алгоритм
связных компонент)





Выборка представляется в виде графа
Вершины графа соответствуют элементам выборки
Ребрам графа соответствуют расстояния между
соответствующими вершинами
Из графа удаляются все ребра, для которых
расстояние между вершинами больше некоторой
константы
Суть алгоритма – подбор такой константы, чтобы
граф распадался на несколько связных компонент
Статистические алгоритмы
(алгоритм k средних)




Элементы выборки представляются n-мерными векторами, расстояние
вычисляется как евклидово
Необходимо знать число кластеров заранее
Идея алгоритма: заданное фиксированное число k кластеров
наблюдения сопоставляются кластерам так, что средние в кластере (для
всех переменных) максимально возможно отличаются друг от друга
Алгоритм:





1) Выбор начальных k центров как наиболее удаленных друг от друга
объектов выборки
2) Построение k кластеров
3) Вычисление нового центра каждого кластера как среднего значения для
всех его элементов
4) Переход ко второму шагу
Выполнение завершается в двух случаях:


Покластерное распределение следующей итерации совпало с предыдущей
Достигнуто некоторое максимальное количество итераций
Иерархические алгоритмы (алгоритм
инкрементальной кластеризации - базовый
алгоритм yandex.ru)





Задача алгоритма – при получении нового сообщения
соотнести его с уже имеющимся кластером или принять
решение о создании нового кластера
Выбирается мера близости нового сообщения и кластера (на
этапе определения текстуальной близости)
Для каждого нового сообщения выбирается кластер,
наиболее близкий к сообщению
В случае, если значение меры близости превышает
некоторое пороговое значение, сообщение добавляется в
существующий кластер
Если же значение меры близости не превысило пороговое
значение, создается новый кластер
Иерархические алгоритмы (алгоритм
инкрементальной кластеризации)




Кластеризация выполняется в два подхода, поэтому
алгоритм иерархический
Такой алгоритм кластеризации позволяет строить
сюжеты (кластеры высокого уровня) и выделять
события внутри каждого из них (атомарные
кластеры)
Документы в данном методе представлены nмерными векторами
Для реализации такого алгоритма необходимо
ввести понятие расстояния между кластером и
элементом (вектором). Расстояние может вводиться
различными способами
Иерархические алгоритмы (алгоритм
инкрементальной кластеризации) – td*idf
мера

Для определения схожести документов используется tf*idf
мера (Tf = term frequency, Idf = inverse document frequency):





Размерность вектора, представляющего документ, равна общему
количеству термов (различных слов) во всей выборке документов
J-й элемент вектора I, соответствующего I-му документу, равен tf*idf
Tf = ½ + ½ * TermFrequency/MaxTermFrequency, где TermFrequency
– частота терма в документе, MaxTermFrequency – максимальная
частота термов в документе
Idf = log(N/df), где N – число документов в выборке, df – число
документов, в которых встречается терм
Схожесть документов определяется как косинус угла между
векторами, представляющими документы:
n
a b
i
i
i 1
SimTfIdf 
n
a
2
i
i 1
n

i 1
2
bi
Ранжирование сюжетов на yandex.ru

Основными факторами, влияющими на
ранжирование, являются свежесть и размер
сюжета
Свежесть отсекает старые сюжеты
 Размер позволяет выделить наиболее
популярные


Кроме того, интересным для ранжирования
фактором оказался «интерес пользователей
поисковой системы»
Что такое RSS?



RSS 2.0 – стандарт, определяющий формат
xml-документов
RSS = Really Simple Syndication (для версии
2.0)
RSS используется для организации
трансляций
Для чего используется RSS


Обычно с помощью RSS даётся краткое
описание новой информации, появившейся
на сайте, и ссылка на её полную версию
Интернет-ресурс в формате RSS называется
RSS-каналом или RSS-лентой
Кто работает с RSS


Браузеры и почтовые клиенты (IE начиная с
7.0)
RSS-агрегаторы – приложения, собирающие
и обрабатывающие информацию RSSканалов (yandex.ru – новостной агрегатор)
Пример RSS-документа
Краткая спецификация RSS 2.0


RSS-каналы должны удовлетворять стандарту
XML 1.0
RSS-канал должен начинаться тегом верхнего
уровня <RSS> с атрибутом version,
например, <rss version=“2.0”>
Краткая спецификация RSS 2.0

Внутри элемента <rss> должен располагаться
элемент <channel>. Он содержит описание
канала (метаданные) и собственно
содержание
Краткая спецификация RSS 2.0

Обязательные подэлементы элемента
<channel>:
<Title> - имя канала. Например, <Title>BBC
News</Title>.
 <Link> - ссылка на сайт, к которому относится
канал. Например,
<Link>http://www.goupstate.com/</Link>
 <Description> - описание канала. Например,
<Description>The lastest world news from
BBC.com</Description>

Краткая спецификация RSS 2.0

Необязательные подэлементы элемента
<channel>:
Необязательными элементами могут быть теги,
указывающие на язык, копирайты, e-mail адреса
ответственных за работу канала, логотип и т.д.
 Например, <category>NewsPaper</category>
 Или <webmaster>[email protected] (Betty
Guernsey)</webmaster>

Краткая спецификация RSS 2.0



Основными (необязательными)
подэлементами <channel> являются
элементы <item>
Элементы <item> несут смысловую нагрузку
Как правило, RSS-канал содержит не более
20 элементов <item>
Краткая спецификация RSS 2.0

Основные подэлементы элемента <item>:







<title>
<link>
<description>
Все подэлементы item-а необязательные, однако каждый
элемент <item> должен содержать хотя бы один подэлемент
<title> или <description>.
Каждый элемент <item> может быть анонсом некоторого
документа (указаны, например, название, ссылка на документ
и вступление)
Каждый <item> может быть полноценной статьей, тогда
весь текст размещается в <description>.
Yandex требует, чтобы каждый <item> дружественного СМИ
содержал полный текст новости.
Пример RSS-документа
История RSS




В 1997 году компанией Netscape была предложена
первая версия RSS 0.90
Следующая версия RSS 0.91 была более простой
Netscape прекращает разработку RSS, отойдя от
бизнеса порталов. Далее разработкой занимаются
две компании – UserLand создает версии 0.92, 0.93,
0.94 и 2.0, RSS-DEV Working Group создает RSS 1.0
и 1.1
Самыми популярными являются версии 0.91, 1.0, 2.0
История RSS



Любой файл RSS 0.91 или 0.92 будет также
файлом RSS 2.0, но не наоборот
RSS 1.0 является продолжением RSS 0.90,
более сложный, чем RSS 2.0
Официально с выходом RSS 2.0 были
отменены форматы 0.91-0.94, однако
некоторые из них до сих пор используются
История RSS



Как замена формату RSS был разработан формат
Atom, также основанный на XML и
предназначенный для выполнения тех же задач
Конкуренции не получилось – как правило,
поддержка RSS идет вместе с поддержкой Atom
В настоящее время главным сторонником RSS
является Microsoft, сторонником Atom - Google
1/--страниц
Пожаловаться на содержимое документа