20140211

Page 1

Prova scritta di METODI PER IL RITROVAMENTO DELL’INFORMAZIONE C.d.L. in Informatica - A.A. 2013-14 Docente: P. Lops 11 Febbraio 2014 (DURATA: 90 minuti) Nome e Cognome : ___________________________________________ Matricola : ___________________________________________ 1) Siano dati i seguenti documenti estratti da una collezione di 100 documenti: D1 = “T1 T2 T1 T3” D2 = “T3 T4” D3 = “T1 T5 T4 T4” a) Fornire la rappresentazione dei documenti sotto forma di bag-of-words (PUNTI 2) b) Costruire l'indice invertito della collezione (PUNTI 2) c) Calcolare la rappresentazione TF-IDF per i 3 documenti ( usare il numero di occorrenze non normalizzato per il TF) (PUNTI 3) d) Utilizzando la similarità del coseno, definire quale documento tra D2 e D3 è il più simile al documento D1 (PUNTI 3) 2) Siano dati l’insieme delle categorie C = {c 1, c 2} e una collezione di documenti definiti sul vocabolario V = {T1, T2, T3, T4, T5}. Costruire un classificatore bayesiano per C, addestrandolo sul seguente training set TR: TR = {<d1,c1>, <d2,c1>, <d3,c1>, <d4,c2>} dove per ogni documento d j si riporta di seguito l’elenco delle parole in esso presenti, con le relative occorrenze: d1={T1:2, T2:3} d2={T1:1, T3:2} d3={T2:1, T4:2} d4={T1:1, T2:2} NB: illustrare chiaramente tutte le fasi di costruzione del classificatore (PUNTI 7) Determinare la classe di appartenenza del documento dx={T2:1, T5:2} (PUNTI 3) 3) Descrivere la metrica nDCG (normalized Discounted Cumulative Gain) per la valutazione dei sistemi di Information Retrieval, discutendo ne i principi, ed esplicitandone il processo di calcolo. (PUNTI 10)