Wij zullen vinden - ook in 2023
-
Upload
eric-sieverts -
Category
Internet
-
view
335 -
download
0
Transcript of Wij zullen vinden - ook in 2023
wij zullen vindenook in 2023
Eric Sieverts@sieverts
Informatiemaatschappij 2023
UB Utrecht HvA-MICGO Opleidingen
2 oktober 2013
zoekmachines zijn er al bijna 20 jaar
webcrawlerin 1993 de eerste die ook tekst uit de pagina zelf indexeerde
2
zoekmachines zijn er al bijna 20 jaar
lycosin 1994 de eerste "echte", met bijna 1,5 miljoen pagina's
3
altavistain 1996 de nieuwste grootste, met ruim 30 miljoen pagina's
zoekmachines zijn er al bijna 20 jaar
4
Informatiemaatschappij 2023
Google vierde vorige maandzijn 15de verjaardag
5
Informatiemaatschappij 2023
1974
online informatie zoeken kunnen we zelfs al meer dan 40 jaar
6
• als we zo ver terug kunnen kijken, lijkt het een makkie als we vandaag niet meer dan 10 jaar vooruit hoeven te kijken
• of misschien toch niet ....
Informatiemaatschappij 20237
agenda• groei van de informatieproductie
– wetenschap– web – data
• evolutie van het zoeken – semantische zoektechnieken
Informatiemaatschappij 20238
1. de wetenschap
groei van te vinden informatie
overhead sheetca. 1985bronnen:• Derek de Solla Price• Gale Directory• Ulrich's• ...
10
10
100
1000
10000
100000
1000000
10000000
100000000
1720
1740
1760
1780
1800
1820
1840
1860
1880
1900
1920
1940
1960
1980
2000
2020
schatting jaarlijks aantalwetenschappelijke publicatiesaantal tijdschriften
al 260 jaar verdubbeltjaarlijks aantal wetenschappelijkeartikelen elke 14 jaaren aantal tijdschriftenook zo ongeveer
11 Informatiemaatschappij 2023
10
100
1000
10000
100000
1000000
10000000
100000000
1720
1740
1760
1780
1800
1820
1840
1860
1880
1900
1920
1940
1960
1980
2000
2020
schatting jaarlijks aantalwetenschappelijke publicaties(Sieverts 1981-1994)
10
100
1000
10000
100000
1000000
10000000
100000000
1720
1740
1760
1780
1800
1820
1840
1860
1880
1900
1920
1940
1960
1980
2000
2020
schatting jaarlijks aantalwetenschappelijke publicaties(Sieverts 1981-1994)
na (exponentiële) groei met factor 100.000neiging tot verzadiging?
NRC 12 maart 201112 Informatiemaatschappij 2023
10
100
1000
10000
100000
1000000
10000000
100000000
1720
1740
1760
1780
1800
1820
1840
1860
1880
1900
1920
1940
1960
1980
2000
2020
schatting jaarlijks aantalwetenschappelijke publicaties(Eric Sieverts, 1981-1994)
jaarlijks aantalwetenschappelijke publicaties(NRC-Handelsblad, maart 2011)
exponentiële groei blijkt na 280 jaar toch nog niet afgevlaktwetenschappers raken niet op?• meer in china en india• nog meer "publish or perish" • …. ?
13
publish or perish
©14
extrapolatie naar 2023
30 miljoen wetenschappelijke artikelen per jaar– database Scopus bevat 100 miljoen artikelen– Web of Science bevat 90 miljoen artikelen– Pubmed bevat 50 miljoen artikelen
maar blijven het (alleen) klassieke artikelen?
Informatiemaatschappij 202315
"what next" voor wetenschappelijk publiceren ?• ook blogs• ook tweets• ook "data"• klassieke artikelen ontleed / opgesplitst tot "nanopublicaties":
afzonderlijke beweringen die beschreven worden als RDF-tripels (zelfde techniek als voor "linked open data")
DNA variant NG_000007.3:g.70628G>A (Subject) has a frequency (Predicate) of 0.25% (Object). The assertion holds for the Sardinian population Provenance includes authors of the article (Giardine et. al.),the date when the nanopublication was created, et cetera.
voorbeeld
nog meer "items"
16
Barend Mons, Jan Velterop, et al., Nature Genetics 43, 281–283 (2011) doi:10.1038/ng0411-281
17 Informatiemaatschappij 2023
trend: fragmentering van informatie
zullen we dan nog naar artikelen zoeken of naar die losse feiten of fragmenten?
Informatiemaatschappij 202318
2. het web
groei van te vinden informatie
Informatiemaatschappij 2023
Dutch Home Pagenajaar 1993
Dutch Home Pagezomer 1994
gegevens aanvankelijk uit:
1998
hoeveel doorzoeken webzoekmachines?
20011995
Informatiemaatschappij 202321
1
10
100
1000
10000
100000
1000000
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
aantal miljoenenwebpagina's in grootstezoekmachine(verschillende bronnen)
15 jaar langverdubbelde elk jaar het aantal webpagina's in de grootste zoekmachine
content in betaalde online bronnen
milj
oene
n w
ebpa
gina
's?
hoeveel doorzoekenwebzoekmachines?
zie: Eric Sieverts. Van Lycos tot Google.in: NRC 9 februari 2013, special "Slimmer zoeken op internet" http://sieverts.pbworks.com/f/NRC_Lycos_Google.pdf
Informatiemaatschappij 202322
extrapolatie naar 2023
4 biljard webpagina's in Google? (4.000.000.000.000.000)
maar blijft Google alles indexeren en blijven het webpagina's?
Informatiemaatschappij 202323
but presently:• do we want to
find any page?• does Google
want to index any page?
• what is a web page anyhow?
september 2012: Google knew about the existence of30 trillion URL's 30,000,000,000,000
various estimates:presently about500,000,000,000 indexed pages
24 Informatiemaatschappij 2023
25
linked open data• met linked open data komen losse feiten en gegevens
gestandaardiseerd op internet beschikbaar• in de linked open data cloud zijn al duizenden datasets
met vele biljoenen RDF-tripels toegankelijk• Google's Knowledge Graph bevat al miljarden gegevens
Informatiemaatschappij 202326
Informatiemaatschappij 2023
trend: fragmentering van informatie
zullen we dan naar webpagina's zoeken of naar losse feiten en fragmenten?
27
informatie of data?informatieinflatie
2000 Hall & Varian onderzoek:
gezamenlijk produceerden we dat jaar 1,5 exabyte (miljard gigabyte) informatie en dat verdubbelt elk jaar(maar: is dat informatie of zijn het data?)
2011 uit een "infographic":in 2010 produceerden we gezamenlijk 2 zettabytes : 2 x 1021 bytes (2000 miljard gigabyte) en dat verdubbelt elk jaar[d.w.z. ruim 300 GB per persoon]
Informatiemaatschappij 202328
informatie of data?informatieinflatie
elk jaar verdubbelt aantal bytes dat we produceren is dat groei of inflatie?
• TXT documentje met mijn tekst: 50 kBvideoregistratie van mijn lezing: 500 MBdezelfde informatie(!?) maar 10.000 x zoveel data
• berichten op het web worden 100-voudig gerepliceerd, herblogd en geretweet
• van alles maken we ongecoördineerd back-ups
• ...
Informatiemaatschappij 202329
30 Informatiemaatschappij 2023
YouTube groeit met 72 uur per minuut
datavloedgolf
2011 - per minuut 72 uur video geüpload naar YouTube
- 1 biljoen YouTube filmpjes bekeken
2012 - Internet Archive: 10 PetaByte (1016)
2013 - 4000 foto's per seconde > Facebook- 250 miljard foto's op Facebook
- 540 miljard tweets in Topsy zoekmachine 2014 - Beeld & Geluid: 15 PetaByte
Informatiemaatschappij 202331
Informatiemaatschappij 2023
5 MB harde schijf in 1956
2 TB in 2013
prijs van opslagmedia:
in 1956: $ 7000 / MB / jaar lease
in 2013: $10 / TB (= $ 0,00001 / MB)
dataopslag
1051 atomen
2110: ~1051 bits
2023: ~1026 bits (10 yottabyte)
2010: ~1022 bits
2000: ~1019 bits (1 exabyte)
onze jaarlijkse data productie
??
exponentiële groei blijftvoortduren ?
Informatiemaatschappij 202333
"grenzen aan de groei"
• minder produceren?
• niet alles (willen) bewaren?
vinden van die informatieop het web: voorkeur slingert tussen
zoekmachine en ontsluiting
yahoo! directory
yahoo! directoryopen directorystartpagina's
lycosaltavista
web-2.0tagging/folksonomies
1990
2013
zoeken ontsluiten
semantisch zoeken
semantisch webcontent curation35
semantisch web
semantisch zoeken
36 Informatiemaatschappij 2023
37 Informatiemaatschappij 2023
"The goal is that pages matching the meaning do better, rather than pages matching just a few words."
38
1. Semantic Search = Answer Engines
2. Semantic Search = Machine Readable
3. Semantic Search = Enhanced SERP Displays & Lift
4. Semantic Search = Validation Of Web Pages
5. Semantic Search = Social Network Adoption
6. Semantic Search = Google+ Authorship Rich Snippet
7. Semantic Search = Internal Structured Data
8. Semantic Search = The Future Of Search
9. Semantic Search = Schema.org Ontology
10. Semantic Search = Understanding User Intent
39 Informatiemaatschappij 2023
semantisch zoeken
globaal 3 soorten toepassingen
1. inschatten van de intentie van de zoekerbijv.: zoekt mobiel in buurt van de Rozengracht naar “pizza”
>> adres van pizzeria in de buurt
2. bepalen van betekenis van woorden/tekst in documenten
vooraf bij indexeren of achteraf in zoekresultaat
3. automatisch aanpassen van zoekactiesbijv.: zoekwoorden toevoegen / vervangen,
(ook) in andere systemen zoeken
40 Informatiemaatschappij 2023
1. intentie van de zoeker
intentie of context van vraag kan worden bepaald:• uit lokatie van de zoeker
– globaal: op basis van ip-adres van gebruikerprecies: op basis van bekende gps- of gsm-gegevens (mobiel)
• door analyse van gestelde vraag– naam van persoon, bedrijf, product, gebeurtenis, … >> feiten– naam van gewoon persoon >> facebook / linked-in gegevens – iets geavanceerder: vaste combinaties van woorden– geavanceerd: natuurlijke taal techniek / statistiek op eerdere vragen
• op basis van eerder zoekgedrag van de zoeker– eerdere zoekvragen / eerder bekeken resultaten daaruit
ook bij dubbelzinnige zoekwoorden?
41 Informatiemaatschappij 2023
42 Informatiemaatschappij 2023
Wie op “Bach” zoekt, vindt vermoedelijk liever gegevens over hem dan websites over hem.Google's Knowledge Graph kent 500 miljoen objecten met 3,5 miljard kenmerken(binnenkort ook in het Nederlands)
43
gegevens afkomstig uit: "Freebase" (crowdsourced kennisbank), Wikipedia, CIA World factbook en uit statistische analyse van eigen gegevens
wat is in dit verband een "graph"? een netwerk van al die concepten met
hun onderlinge relaties en kenmerken
44
social graph uit Twitter
45
social graph uit Facebook
46
nog meer connecties uit Facebook
47
Informatiemaatschappij 202348
Informatiemaatschappij 202349
Informatiemaatschappij 202350
52 Informatiemaatschappij 2023
53
Informatiemaatschappij 202354
Informatiemaatschappij 202355
2. bepalen van betekenis
betekenis herkennen van woorden en gegevens in teindexeren tekst en/of in al gevonden resultaten• herkennen van "entiteiten" in tekst
(herkennen van woorden/samenstellingen behorend tot categorieën als plaats, persoon, bedrijf, product, ...)
• betekenis die herkenbaar aanwezig is in "embedded metadata"(bijvoorbeeld binnen XML of (X)HTML coderingen) >> semantisch web
• tekstanalyse voor automatisch categoriseren (door "machine learning" getraind op taxonomie of thesaurus, zowel inhoudelijk als bijv. "sentiment detection")
• tekstanalyse en koppeling met geselecteerde andere bronnen (bijvoorbeeld via "linked data")
• ...
56 Informatiemaatschappij 2023
in semantisch web wordt van "alles" betekenis vastgelegd (in metadata)
semantisch web
om betekenis ook te begrijpen heeft men"ontologieën" nodig
57
rdf (resource description framework)
• standaard voor computerleesbaar beschrijven van objecten (met metadata)
• vastgelegd in zogenaamde RDF triples• waarbij
– te beschrijven ding een webadres (URI) heeft– eigenschap van dat ding liefst ook een URI heeft– "waarde" van die eigenschap liefst ook een URI heeft
• voorbeeld:– boek (heeft een webadres: URI)– heeft auteur (betekenis van eigenschap ergens beschreven: URI)– persoon (gegevens van persoon ergens op web te vinden: URI)
Informatiemaatschappij 202358
rdf tripelssubject <predicaat> object doc1 <heeft auteur> auth1auth1 <heeft naam> john smithauth1 <heeft affiliatie> home inc.auth1 <heeft email> [email protected]
grafische representatie vansimpel netwerk van 4 RDF-tripels
Informatiemaatschappij 202359
via die webadressen (URI's) kan iedereen aan deze data linken
rdf tripels
= "resource" met URI
= "literal" (gegeven)
getypeerde(en op het web gedefinieerde) relaties tussenresources engegevens
60 Informatiemaatschappij 2023
gebruik semantische codering
gestandaardiseerde markering van kenmerken in webpagina's
voorbeelden van “embedded metadata”:– recipe search bij Google en Yahoo– toepassing e-commerce ontology
daarbij gebruikte standaarden:– microformats / rich snippet markup / microdata / schema.org
(Google, Yahoo, Bing)onder andere voor: recepten, recencies, personen, producten, organisaties, gebeurtenissen, muziek
– RDFa
61 Informatiemaatschappij 2023
universele"ontologie" vaneigenschappen
van dingen
62
in huidige Google-
interface minder
handig en makkelijk
te gebruiken; ook
alleen in google.com
bij Yahoo nu beter
standaardisatie van kenmerken van producten
met "GR-ontologie" volgens "RDFa“ in “XHTML”
63
microformats en RDFa
• toepassing van deze technieken is vaak "SEO-driven"
zie blogpost op SearchEngineLand
http://searchengineland.com/how-to-use-rich-snippets-semantic-markup-to-send-rich-signals-139886
65 Informatiemaatschappij 2023
wat heeft zoeker hieraan?• zoeker kan gerichter zoeken en filteren
(zoals in Google's receptenzoeker)
• zoeker krijgt duidelijker informatie over gevonden items(zoals Google's rich snippets)
vb van categoriseren: sentiment detection
RDF en "linked data"
er is veel publiciteit rond linked (open) data
• kan weergegeven als RDF-tripelszodat de data computer-leesbaar zijn
• staat op internet zodat het "open" is
• bedoeld om te worden hergebruiktzodat het belangrijk ingrediënt voor het semantisch web is
• is gestandaardiseerdzodat het makkelijk hergebruikt kan worden
• iedereen kan (en moet!) data bijdragenwaardoor het soms wel een beetje een rommeltje is
Informatiemaatschappij 202368
dbpedia: data from Wikipedia
last.fm: artists
geonames:6.2 M toponyms
BBC: wildlifefinder
project GutenbergIMDB
Reuters:openCalais
viaf: virtual internationalauthority file
LCSH
NY times
Flickr
de "linked open data cloud" 31 miljard data online – 504 miljoen connecties (links) daartussen
rechtspraak.nl
sept 2011
music brainz
sparql - endpoints
nog wat linked data jargon:
SPARQL eigen zoektaal voor RDF-triple storesSparql Protocol And Rdf Query Languagewat SQL is voor relationele databasesis SPARQL voor RDF triple stores
Endpoints toegangspunten op het web waar je SPARQL zoekactie op RDF triple stores kunt uitvoeren (je moet daarvoor de SPARQL syntax kennen - door een computer laten uitvoeren)
Informatiemaatschappij 202370
3. aanpassen van zoekactie
aanpassen / verbeteren van zoekacties vooraf (automatisch) bewerken van zoekvraag• variaties op zoekwoord meenemen in query
– spelling verbeterd (statistiek?) [veilgheid >> veiligheid]– zoeken op woordstam (enkel/meervoud, vervoegingen, ….)
[vaccination >> vaccinations, vaccine, vaccinate, vaccinated, …]– spellingsvariaties [immunisation <> immunization]– samenstellingen opbreken (en omgekeerd)
[catfood <> cat food ; maatregel + veiligheid <> veiligheidsmaatregelen]• synoniemen, acroniemen aan query toevoegen
(uit woordenlijst, semantisch netwerk, ontologie)[vaccination <> immunization ; jfk <> john f kennedy]
• verwante en specifiekere begrippen aan query toevoegen(uit semantisch netwerk, thesaurus, ontologie, knowledge graph)
heeft nog niet zo veel met
"semantiek" te maken;
Google doet dat wel al allemaal
Informatiemaatschappij 202371
3. aanpassen van zoekactie
aanpassen / verbeteren van zoekacties achteraf bewerken van zoekresultaat• zoekresultaten clusteren op basis van inhoud
– meestal op basis van woordstatistiek (voorbeeld Clusty, Polymeta) – soms op basis van automatische classificatie
• fragmenten van gevonden document tonen die de vraag beantwoorden
– KWIC display van zoekmachines is eenvoudige vorm daarvan
– zie bijv. Sensebot
• uit gevonden documenten samenvatting genereren van belangrijkste bevindingen / antwoorden
– zie bijv. Factbites
Informatiemaatschappij 202372
extrapolatie naar 2023
webzoekmachines zullen zich verder tot antwoordmachines ontwikkelen
• maar zal beperkt blijven tot antwoorden op "alledaagse" vragen,
• … zodat voor specialistischer onderwerpen gewone keyword search nodig blijft,
• … waarbij die door semantiek wel slimmer wordt,• … zodat keuze van "juiste zoekterm" minder
belangrijk wordt,• … maar onderwerpskennis blijft essentieel voor
controle of "het" onze vraag juist interpreteert
Informatiemaatschappij 202373
any questions left ?
just ask "him"