1. SISTEM PENCARIAN DAN CAPAIAN DOKUMEN
Apa itu maklumat ?
Teori Maklumat
Kitar Hayat Maklumat

2. Information Hierarchy
Data
The raw material of information
Information
Data organized and presented by someone
Knowledge
Information read, heard or seen and understood
Wisdom
Distilled and integrated knowledge and understanding
Wisdom
Knowledge
Information
Data

3. Maklumat (Information)
Where is the Life we have lost in living?
Where is the wisdom we have lost in knowledge?
Where is the knowledge we have lost in information?
-- T.S. Eliot, “The Rock”
Where is the information we have lost in data?

4. Apa itu maklumat (Information)
Tidak ada definisi yang tepat
Berbeza mengikut bidang : philosophy, psychology, signal processing, physics
Oxford English Dictionary
information: informing, telling; thing told, knowledge, items of knowledge, news
knowledge: knowing familiarity gained by experience; person’s range of information; a theoretical or practical understanding of; the sum of what is known
Kamus Dewan
Knowledge in the form of facts

5. Teori Maklumat Disebut “Communication Theory”
Communication may be over time and space
Source
Decoding
Encoding
Destination
Message
Channel
Noise
Storage
Source
Decoding
(Retrieval/Reading)
Encoding
(writing/indexing)
Destination
Message

6. Information Life Cycle
Creation
Utilization
Searching
Active
Inactive
Semi-Active
Retention/
Mining
Disposition
Discard
Using
Creating
Authoring
Modifying
Organizing
Indexing
Storing
Retrieval
Distribution
Networking
Accessing
Filtering

7. Authoring/Modifying Organizing/Indexing
Converting Data+Information+Knowledge to New Information.
Creating information from observation, thought.
Editing and Publication.
Organizing/Indexing
Collecting and Integrating information.
Affects Data, Information and Metadata.
Indexing

8. Distribution/Networking
Storing/Retrieving
Information Storage
How and Where is Information stored?
Retrieving Information.
How is information recovered from storage
How to find needed information
Linked with Accessing/Filtering stage
Distribution/Networking
Transmission of information
How is information transmitted?
Networks vs Broadcast.

9. Accessing/Filtering Using/Creating
Using the organization created in the O/I stage to:
Select desired (or relevant) information
Locate that information
Retrieve the information from its storage location (often via a network)
Using/Creating
Using Information.
Transformation of Information to Knowledge.
Knowledge to New Data and New Information.

10. Sistem Pencarian Dan Capaian Dokumen
Creation
Utilization
Searching
Active
Inactive
Semi-Active
Retention/
Mining
Disposition
Discard
Using
Creating
Authoring
Modifying
Organizing
Indexing
Storing
Retrieval
Distribution
Networking
Accessing
Filtering

11. Pengenalan
Micheal Lesk membahagikan era teknologi maklumat kepada tujuh era iaitu :
Maklumat lanjut rujuk kertas kerja yang bertajuk : The Seven Ages Of Information Retrieval
Childhood ( )
The SchoolBoy (1960s)
AdultHood(1970s)
Maturity (1980s)
MidLife Crisis (1990s)
Fulfillment (2000s)
Retirement (2010)

12. SISTEM PENCARIAN DAN CAPAIAN DOKUMEN (MAKLUMAT)
Definisi CM
Komponen Asas CM
Teknik Carian Maklumat Berasas Katakunci
Teknik Carian dan Capaian Maklumat

13. Definisi Menurut Tengku(1989), capaian maklumat adalah
satu pengajian cara korpus suatu simpanan maklumat ditentukan dan dicapai berdasarkan kehendak tertentu.
berkenaan perwakilan , penstoran , perorganisasian dan perolehan maklumat mengikut pertanyaan atau kueri dan keperluan pengguna

14. Definisi
Untuk sistem capaian maklumat, 3 elemen asas yang diperlukan (Brown, 1996).
Perwakilan Dokumen (representasi): dokumen yang menyediakan penerangan maklumat secara formal yang terdapat dalam sesuatu dokumen.
Perwakilan pertanyaan (query): menyediakan penerangan mengenai maklumat yang diperlukan
Pengukuran yang berkaitan di antara pertanyaan dan dokumen: menyediakan suatu tatacara atau prosedur untuk memadankan antara keperluan maklumat dengan dokumen bagi memenuhi keperluan tersebut.

15. Definisi D : set perwakilan dokumen
Q : set perwakilan kehendak pengguna (kueri)
R : D x Q  real numbers
fungsi yang akan menentukan bagi setiap dokumen dan kueri
suatu nombor tertentu (real number) bagi diwakili oleh suatu
pangkatan (berkaitan) dokumen berdasarkan kueri yang
dimasukkan.

16. Komponen Asas CM Pemproses Output Dokumen Pertanyaan Input feedback
Sistem capaian maklumat diillustrasi seperti rajah (van Rijsbergen, 1979)
Pemproses
Output
Dokumen
Pertanyaan
Input
feedback
operasi sebutan
Stemming
Truncation
Asas Sistem Capaian Dokumen

17. Teknik Carian Maklumat Berasaskan Katakunci
Teknik pencarian maklumat berasaskan web boleh dijalankan menggunakan beberapa teknik bergantung kepada operator yang digunakan selain penggunaan bahasa tabii.
Operator yang boleh digunakan
Boolean operator
Positional operator
Relational operator

18. Teknik Carian Maklumat : Boolean Operator
Operator yang boleh digunakan (AND, OR, NOT, \ dan XOR) :
Q1 AND Q2
Documents that are in BOTH sets: Q1 and Q2
Q1 OR Q2
Documents that are in at least in one set: Q1 or Q2
NOT Q1
All documents except the one in set Q1
Q1 \ Q2
Logical “minus” all documents from Q1 except those that belong to Q2. Used also as “binary NOT” (Q1 NOT Q2)
Q1 XOR Q2
Exclusive OR - documents that belong to exactly one set: Q1 or Q2, but not both. In other words (Q1 OR Q2) \ (Q1 AND Q2)

19. Boolean Queries AND and OR Usually expressed as INFIX operators in IR
((a AND b) OR (c AND b))
NOT is UNARY PREFIX operator
((a AND b) OR (c AND (NOT b)))
AND and OR can be n-ary operators
(a AND b AND c AND d)
Some rules - (De Morgan revisited)
NOT(a) AND NOT(b) = NOT(a OR b)
NOT(a) OR NOT(b)= NOT(a AND b)
NOT(NOT(a)) = a

20. Teknik Carian Maklumat : Positional Operator
Positional operator digunakan untuk mendapatkan rekod dalam rekod bibliografik yang sama.
SAME
Example: Sains SAME Maklumat Only records containing both Sains and Maklumat within the same bibliographic field will be retrieved.
WITH
Example: Sains WITH Maklumat Only records containing both Sains and Maklumat in the same sentence in a bibliographic field will be retrieved from this search.
NEAR
Example: Sains NEAR Maklumat Only records with the terms Sains and Maklumat next to each other within the same bibliographic field would be retrieved from this search. Sains or Maklumat could display first in the field.

21. Teknik Carian Maklumat : Positional Operator
ADJ
Example: Sains ADJ Maklumat Only records with the terms Sains and Maklumat adjacent to each other within the same bibliographic field and with Sains listed first in this field would be retrieved from this search
Tambahan : penggabungan operator boleh dilakukan bagi mengecil atau meluaskan jarak antara perkataan
Example: FROM ADJ1 HERE ADJ2 ETERNITY This example shows how to search for the title, "From Here to Eternity.“
ADJ2 means that the words may be within two searchable words of each other, but they must be in the order they were entered.

22. Teknik Carian Maklumat : Relational Operator
Relational Operators
Relational operators (<, >, =, <>, <=, >=) allow you to search numeral expressions. Use relational operators by enclosing a field name or entry tag number in braces {}, then typing a relational operator and number.
Operator Definition
< Less than
> Greater than
= Equal to
<> Not equal to
<= Less than or equal to
>= Greater than or equal to
Example: {DATE} < If you type {DATE} < , the system will searches for records whose Date field contains values less than

23. Teknik Carian Maklumat : Keutamaan Operator
Jika beberapa kombinasi operator digunakan maka ianya adalah berdasarkan keutamaan berikut : () =
<>
<
<=
>
>=
NEAR, ADJ
WITH
SAME
AND, NOT
XOR, OR

24. Teknik Carian Maklumat : Kaedah Lain
Pengguna boleh memberikan pemberat. Sesetengah enjin carian web membenarkan pengguna menggunakan simbol (+) atau (-) untuk memberi pemberat kepada perkataan.
Contoh : cost AND +paper
Jika ujud di dalam sesuatu dokumen yang mengandungi cost dan paper maka term paper akan dipangkat lebih tinggi (pemberat lebih besar) berbanding term cost

25. Dapatkan maklumat untuk carian menggunakan
Tugasan
Dapatkan maklumat untuk carian menggunakan
Within
Before
After
Wildcard symbol
Markah tambahan akan diberikan kepada yang dapat memberi dan menghantar jawapan pada minggu hadapan

26. Teknik Carian dan Capaian Maklumat
Belkin dan Croft (1987) membahagikan teknik capaian kepada padanan tepat dan padanan separa.
Teknik Capaian
Padanan Tepat Padanan Separa
CorakTeks Pencarian Boolean Kebarangkalian Ruang Clustering … Vektor

27. Teknik Sistem Carian Dan Capaian
Terdapat beberapa teknik yang boleh dilakukan dalam proses carian dan capaian dalam sistem capaian dokumen bagi enjin gelintar
Teknik Capaian padanan tepat
Boolean
Dokumen dinyatakan sebagai satu set dj = {ti,…..tn} dimana setiap ti adalah perkataan yang terdapat pada dokumen dj. query yang digunakan adalah dalam bentuk operasi boolean yang piawai iaitu AND, OR, NOT dan XOR.
carian seperti yang diterangkan sebelum ini

28. Teknik Sistem Carian Dan Capaian : Boolean Lanjutan
Capaian Lanjutan Boolean merupakan peningkatan daripada capaian Boolean. Ianya memberi pemberat bagi perkataan. tf (term frequency) atau frekuensi perkataan menunjukkan berapa kali perkataan tersebut wujud dalam dokumen.
Ia direkabentuk untuk mengemaskini capaian boolean dimana beberapa pengoperasian dan teknik ditambah seperti keupayaan capaian dalam bentuk pemangkatan atau susunan (rank) mengikut jujukan menaik atau menurun serta nilai pemberat bagi meningkatkan lagi keupayaan capaian sesuatu query.

29. Teknik Sistem Carian Dan Capaian : Boolean Lanjutan
Contoh pemangkatan melalui frekuensi perkataan (Enjin Carian Sony)
x AND y : tfx x tfy
x OR y : tfx tfy
NOT x : 0 if tfx > 0, 1 if tfx = 0
Memberikan pemberat kepada perkataan melalui frekuensi, membenarkan dokumen yang mengandungi banyak perkataan kueri dipangkat lebih tinggi. Skor adalah 0 jika dokumen tidak menepati Syarat Boolean.

30. Teknik Sistem Carian Dan Capaian : Capaian Berkebarangkalian
Cara capaian dokumen yang menyusun dokumen mengikut pangkatan dengan menggunakan teori kebarangkalian.
Mencapai suatu kualiti capaian yang optimum berdasarkan suatu andaian.
Ianya dijana berdasarkan pengiraan menggunakan similarity coefficient diantara kueri dan dokumen. Ia dijana dlm bentuk kebarangkalian bagi menyatakan kerelevanan diantara keduanya.
Dua asas pendekatan digunakan
Bergantung kepada penggunaan patern bagi meramal kerelevanan (Maron and Kuhns, 1960)
Penggunaan setiap term pada kueri sebagai klu bagi kerelevanan dengan suatu dokumen (Robertson and Spark Jones 1976)
Asas Penggunaan teorem Bayes

31. Teknik Sistem Carian Dan Capaian : Capaian Berkebarangkalian
Kueri q (q1,q2)
Jana q dan capai n dokumen (katakan n = 5) dan di mewakili dokumen berikut q1 q2
d d2 d d4 d5
Katakan d2 dan d4 adalah relevan
P(q1 | di adalah relevan) = ½
P(q1 | di adalah tidak relevan) = 2/3
P(q2 | di adalah relevan) = 1
P(q2 | di adalah tidak relevan) = 1/3

32. Robertson-Sparck Jones Weights
Predictive formulation
Contoh dan pemahaman lanjut rujuk slide 37

33. Teknik Sistem Carian Dan Capaian : Capaian Ruang Vektor
Model capaian ruang vektor menyatakan kedua-dua pertanyaan dan dokumen sebagai set perkataan
mengira persamaan antara perkataan pertanyaan dan dokumen. Model ini menganggap bahawa set ini boleh digunakan untuk mengenalpasti kedua-dua rekod dan maklumat yang ditanya. Semua perkataan pada model ini mempunyai kepentingan yang sama.
teknik pemberat digunakan untuk menentukan paras atau tahap kepentingan bagi setiap perkataan.
Fungsi kesamaan digunakan untuk mengira persamaan vektor antara perkataan pertanyaan dan dokumen.
Dua perkara yang selalu digunakan iaitu ukuran kosine dan songsangan fungsi kekerapan dokumen.

34. Teknik Sistem Carian Dan Capaian : Capaian Ruang Vektor
Kueri dan setiap dokumen dipetakan kepada vektor dengan setiap dimensi mewakili nilai tf-idf bagi setiap perkataan. Dimana
dokumen : dokumen dengan set term indeks dengan pemberat. Pemberat dijanakan bagi menentukan kepentingan (keberkaitan) sesuatu term kepada dokumen
dj = (W1,j , W2,j, …… , Wi,j) dan
Kueri : kueri adalah term indeks dengan pemberat. Pemberat dijanakan bagi menentukan kepentingan (keberkaitan) sesuatu term kepada kehendak pengguna
q = (W1,j , W2,j, …… , Wi,j)

35. Teknik Sistem Carian Dan Capaian : Capaian Ruang Vektor
Dokumen dj dan kueri q merupakan vector dalam ruang t dimensi. Kepentingan sesuatu term bergantung kepada kekerapan keujudan sesuatu term tersebut pada satu-satu dokumen. Jika term A dinyatakan lebih dari term B maka dokumen tersebut lebih menerangkan tentang A dari B. Jika freqi,j adalah kekerapan term ki dalam dokumen dj. Maka wi,j = freqi,j.
Komponen adalah 0 jika tidak wujud, nilai positif diberi (bergantung kepada frekuensi perkataan dan frekuensi dokumen songsang) jika ianya wujud. Dokumen dipangkat melalui jarak dengan kueri, dengan itu dokumen akan dipangkat paling tinggi sekiranya sudut antaranya dan kueri adalah paling kecil. Jarak ditentukan berdasarkan pengiraan skor kesamaan (similarity score calculation). Jarak boleh merupakan magnitud perbezaan vektor yang dinormalkan atau mungkin kosin (cosine) bagi sudut antara vektor-vektor.

36. Perwakilan Grafik T3 T1 T2 Example: D1 = 2T1 + 3T2 + 5T3
Q = 0T1 + 0T2 + 2T3 T3 T1 T2
D1 = 2T1+ 3T2 + 5T3
D2 = 3T1 + 7T2 + T3
Q = 0T1 + 0T2 + 2T3 7 3 2 5
Adakah D1 atau D2 lebih sama dgn Q?
Bagaimana untuk mengukur darjah kesamaan? Jarak ? Sudut?

37. Contoh Q : gold silver truck D1: Shipment of gold damaged in a fire
D2: Delivery of silver arrived in a silver truck
D3: Shipment of gold arrived in a truck
Variable
gold
silver
truck N 3 n 2 1 R r

38. Penyelesaian rujuk handout yang diberikan
Contoh
N : bilangan dokumen dalam koleksi
n : bilangan indeks dokumen yang mengandungi term t
R : bilangan dokumen yang relevan bagi kueri yang diberikan
r : bilangan indeks dokumen relevan yang mengandungi term t
Variable
gold
silver
truck N 3 n 2 1 R r
Penyelesaian rujuk handout yang diberikan

39. Robertson-Sparck Jones Weights
Predictive formulation
Penyelesaian rujuk handout yang diberikan

40. TESAURUS
Tesaurus adalah set item (frasa atau perkataan ) dan set hubungan di antara item-item tersebut. 3 perkara asas yang berkaitan dengan tesaurus di dalam capaian maklumat ialah:
1. pembinaan: ada 2 jenis tesaurus iaitu secara manual dan secara automatik.
2. capaian: diberi satu pertanyaan yang khusus, maka tesaurus akan mencapai dan menggunakan perkataan tersebut untuk meningkat dan mengembangkan pertanyaan.
3. penilaian: selepas tesaurus dibina, adalah penting menilai kebaikan yang mampu dilakukannya. Tesaurus manual dinilai melalui perkembangan pertanyaan yang dicapai untuk memastikan peningkatan keupayaan capaian.

41. TESAURUS
Tesaurus menyediakan maklumat sinonim dan semantik berkaitan perkataan dan frasa.
Example:
physician
syn: ||croaker, doc, doctor, MD, medical, mediciner, medico, ||sawbones
rel: medic, general practitioner, surgeon,
Bagi setiap term, t, pada kueri, ia akan memperkembangkan kueri dengan sinonim dan perkataan yang berkaitan dengan t dari tesaurus.
Pemberat yang digunakan adalah kurang dari term kueri yang asal

42. WordNet Penggunaan WordNet dalam perkembangan kueri
A more detailed database of semantic relationships between English words.
Developed by famous cognitive psychologist George Miller and a team at Princeton University.
About 144,000 English words.
Nouns, adjectives, verbs, and adverbs grouped into about 109,000 synonym sets called synsets.
Penggunaan WordNet dalam perkembangan kueri
Add synonyms in the same synset.
Add hyponyms to add specialized terms.
Add hypernyms to generalize a query.
Add other related terms to expand query.

43. WordNet Synset Relationships
Antonym: front  back
Attribute: benevolence  good (noun to adjective)
Pertainym: alphabetical  alphabet (adjective to noun)
Similar: unquestioning  absolute
Cause: kill  die
Entailment: breathe  inhale
Holonym: chapter  text (part-of)
Meronym: computer  cpu (whole-of)
Hyponym: tree  plant (specialization)
Hypernym: fruit  apple (generalization)