Revista UIS Ingenierías

Vol. 11 Núm. 1 (2012): Revista UIS Ingenierías
Artículos

Modelo semántico de expansión de consultas para la búsqueda web (MSEC)

PDF HTML
  • Miguel Angel Niño-Zambrano,
  • Iván Darío López-Gómez,
  • Carlos Adrian Andrade,
  • Carlos Alberto Cobos-Lozada,
  • Ramon Fabregat-Gesa
Miguel Angel Niño-Zambrano
Universidad del Cauca
Biografía
Iván Darío López-Gómez
Universidad del Cauca
Biografía
Carlos Adrian Andrade
Universidad del Cauca
Biografía
Carlos Alberto Cobos-Lozada
Universidad del Cauca
Biografía
Ramon Fabregat-Gesa
Universitat de Girona
Biografía

Publicado 2012-06-22

Palabras clave

  • Búsqueda  Web,
  • expansión de consulta,
  • ontologías de dominio,
  • perfiles de usuario,
  • similitud semántica

Cómo citar

Niño-Zambrano, M. A., López-Gómez, I. D., Andrade, C. A., Cobos-Lozada, C. A., & Fabregat-Gesa, R. (2012). Modelo semántico de expansión de consultas para la búsqueda web (MSEC). Revista UIS Ingenierías, 11(1), 11–20. Recuperado a partir de https://revistas.uis.edu.co/index.php/revistauisingenierias/article/view/11-20
Aviso de derechos de autor/a

Resumen

 Internet se ha convertido en el mayor repositorio de conocimiento humano y la cantidad de información almacenada crece cada día más. Esto último repercute en el bajo nivel de precisión que reportan los sistemas de búsqueda Web respecto a los documentos que son recuperados para el usuario. Para enfrentar este problema, una de las estrategias utilizadas  es  la  recuperación  personalizada  de  recursos. Actualmente  existen  varios  proyectos  que  proponen  métodos semánticos para aumentar la relevancia de las búsquedas, a través del uso de ontologías, procesamiento de lenguaje natural, sistemas basados en conocimiento, lenguajes de especificación de consultas y perfil de usuario, entre otras. Los resultados generalmente son mejores que los obtenidos por  buscadores que no usan éstas técnicas. 

Sin embargo, el costo que se paga por estas mejoras en precisión se centra en el uso de algoritmos más complejos en implementación y que consumen más recursos computacionales.  Este artículo describe un modelo semántico de expansión de consultas denominado MSEC, el cual está basado principalmente en el concepto de similitud semántica a partir de Ontologías de dominio y en el uso del perfil de usuario para personalizar las búsquedas y así mejorar la precisión de las mismas. Para evaluar el modelo propuesto se creó un prototipo software. Los resultados experimentales preliminares muestran una mejora respecto al enfoque tradicional de búsqueda. Finalmente se comparó con el mejor buscador semántico del estado del arte, llamado GoPubMed para la colección MEDLINE.

PDF HTML

Descargas

Los datos de descargas todavía no están disponibles.

Referencias

  1. R. Dhanapal, “An intelligent information retrieval agent,” Knowledge-Based Systems, vol. 21, No. 6, August 2008, pp. 466-470.
  2. C. Deco, C. Bender, J. Saer, and M. Chiari, “Expansión de consultas utilizando recursos lingüísticos para mejorar la recuperación de información en la web,” Desarrollo, implementación y utilización de modelos para el procesamiento automático de textos, Editorial de la Facultad d. Filosofía y Letras, Mendoza Argentina, 2005, pp. 35-46.
  3. R. Baeza-Yates and B. Ribeiro-Neto, Modern information retrieval, 2nd Edition, ACM Press Books, USA., 1999, p. 453.
  4. L. Schamberg, B. Einseberg, and S. Nilo, “A re-examination of relevance: toward a dynamic, situational definition,” Information Procesing and Management, vol. 26, No. 6, 1990, pp. 755-776.
  5. K. Kim, J. Hong, and S. Cho, “A semantic Bayesian network approach to retrieving information with intelligent conversational agents,” Information Processing & Management, vol. 43, No. 1, January 2007, pp. 225-236.
  6. G. Salton, Introduction to modern information retrieval, McGraw-Hill, New York, 1983, p. 448.
  7. Y. Marcano and R. Talavera, “Gestión de la información a través de la Web Semántica: Iniciativas y dificultades,” Revista Venezolana de Gerencia (RVG), vol. 11, No. 36, October 2006, p. 36.
  8. P. Mitra, N. Noy, and A. Jaiswal, “Ontology Mapping Discovery with Uncertainty,” Fourth International Conference on the Semantic Web, Galway Ireland 6th – 10th November 2005, p. 15.
  9. D. Avello, Web Cooperativa (Trabajo de Investigación), Universidad de Oviedo, 2002, p. 67.
  10. J. X. Xu and W. B. Croft, “Query expansion using local and global document analysis”, Proceedings of the 19th Annual International SIGIR Conference on Research and Development in Information Retrieval, New York 1996, pp. 4 – 11.
  11. R. Attar and A. S. Fraenkel, “Local feedback in full-text retrieval systems”, Journal of the ACM, vol. 24, No. 3, 1977, pp. 397 – 417.
  12. J. X. Xu and W. B. Croft, “Improving the effectiveness of information retrieval with local context analysis,” ACM Transactions on Information Systems, vol. 18, No. 1, 2000, pp. 79 – 112.
  13. G. Solskinnsbakk and J. Gulla, “Combining ontological profiles with context in information retrieval,” Data & Knowledge Engieering, vol. 69, No. 3, 2010, p. 10.
  14. H. Wang, J. Qin and H. Shao, “Expansion Model of Semantic Query Based on Ontology,” 2009 Second Pacific-Asia Conference on Web Mining and Web based Application, Wuhan China 6th – 7th June 2009, pp. 86 – 90.
  15. J. Mustafa, S. Han, and K. Latif, “Ontology based semantic information retrieval,” 4th International IEEE Conference, Varna 6th – 7th September 2008, pp. 22 – 19.
  16. M. Baziz, M. Boughanem, and N. AussenacGilles, “Evaluating a Conceptual Indexing Method by Utilizing WordNet,” Lecture Notes in Computer Science, vol. 40, No. 22, 2006, pp. 238 – 246.
  17. S. Liu, F. Liu, C. Yu, and W. Meng, “An Effective Approach to Document Retrieval via Utilizing WordNet and Recognizing Phrases,” Proceedings of the 27th annual international ACM SIGIR conference on Research and development in information retrieval, NY USA 2004, pp. 266 - 272.
  18. V. Cordi, P. Lombardi, M. Martelli and V. Mascardi, “An Ontology-Based Similarity between Sets of Concepts,” 2005, p. 6.
  19. T. Slimani, B. B. Yaghlane, and K. Mellouli, “A New Similarity Measure based on Edge Counting,” Proceedings of world academy of science, engineering and technology, vol. 17, 2006, p. 5.
  20. P. Chen and F. Kuo, “An information retrieval system based on a user profile,” Journal of Systems and Software, vol. 54, No. 1, 2000, pp. 3 – 8.
  21. National Cancer Institute. U.S. National Institutes of Health. Available: http://www.cancer.gov [citado 26 de Abril de 2011].
  22. MEDLARS. MEDical Literature Analysis and Retrieval System. Available: http://www.uninet. edu/do/MEDLARS.html [citado 26 de Abril de 2011].
  23. J. J. Yepes, Ontology Refinement for Improved Information Retrieval in the Biomedical Domain [PhD Thesis]. Universitat Jaume, Castellón, 2009.
  24. B. Croft, D. Metzler, T. Strohman, Search Engines: Information Retrieval in Practice, first edition, Addison-Wesley, USA, 2009, p. 552.
  25. C. D. Manning, P. Raghavan, H. Schütze, An Introduction to Information Retrieval, first edition, Cambrige University Press, Cambridge, 2008, p. 581.
  26. GoPubMed. GoPubMed, searching is now sorted!. Available: http://www.gopubmed.com/ [citado 23 de Junio de 2011].
  27. MEDLINE. MEDLINE/PubMed Resources Guide. Available: http://www.nlm.nih.gov/bsd/ pmresources.html [citado 27 de Junio de 2011].
  28. Gene_Ontology. The Gene Ontology. Available: http://www.geneontology.org/ [citado 27 de Junio de 2011].
  29. BiKE-Laboratory. MeSH Ontology in OWL format. Available: http://bike.snu. ac.kr/?q=node/207 [citado 30 de Noviembre de 2010].
  30. M. Suárez, K. Salinas, “An Approach to Semantic Indexing and Information Retrieval,” Revista Facultad de Ingeniería Universidad de Antioquia, No. 48, 2009, p. 174-187.
  31. P. Jackson, F. Schilder, “Natural Language Processing: Overview,” Encyclopedia of Language & Linguistics, Elsevier, 2006, pp. 503 – 518.
  32. C. Cobos, E. Estevez, M. Mendoza, L. Gomez and E. León, “Algoritmos de Expansión de Consulta basados en una Nueva Función Discreta de Relevancia,” Revista UIS Ingenierías, vol 10, No. 1, 2011, pp. 9-22.