Zoekmachines weten het antwoord
-
Upload
eric-sieverts -
Category
Documents
-
view
336 -
download
2
Transcript of Zoekmachines weten het antwoord
Zoekmachines weten het antwoord
.. geen 10 blauwe links, maar feiten ..
.. de knowledge graph en andere semantiek ..
Eric Sieverts
VVBAD | Gent, 25 juni 2015
@sieverts
Google geeft steeds vaker concrete antwoorden ("direct answers") op onze zoekvragen
"liever een antwoord dan 10 blauwe links"
wat krijgt u liever?
of
dit
dat
eric sieverts, juni 20152
Credits original photo:https://www.flickr.com/photos/celesteh/1660764786/direct answers
uit presentatie op "SMX West" congres (3-5 maart 2015, San Jose):
• Google geeft "direct answer" bij 20% van de zoekvragen
maar:kunnen we op die antwoorden vertrouwen?hoe komen ze aan die antwoorden?
eric sieverts, juni 20153
semantisch zoeken
het kunnen geven van concrete antwoorden hangt direct samen met de ontwikkeling van"semantische zoeksystemen"
wat moet computer daarvoor kunnen?1. begrijpen wat de zoeker bedoelt2. a) weten wat het antwoord is ("het staat klaar")
b) begrijpen wat documenten "bedoelen", zodat daaruit antwoorden kunnen worden afgeleid
3. (als "next best") in de tien blauwe links relevante context tonen
deze punten vormen de agenda voor vanmiddag
eric sieverts, juni 20156
semantisch zoeken
semantisch zoeken ≡ semantisch web
van het semantisch web zoals dat Tim Berners Lee in 2004 voor ogen stond, zijn alleen pas wat losse bouwstenen gerealiseerd, maar die helpen wel al bij "semantisch zoeken"
eric sieverts, juni 20157
semantisch zoeken
semantisch web
entiteiten
ontologieën
metadata….
semantisch zoeken
terug naar de 2 aspecten van semantisch zoeken
1. wat bedoelt de zoeker met zijn zoekvraag?"not strings but things"– wat is betekenis van gebruikte zoekwoorden (dubbelzinnigheden?)– wat is bedoeling/intentie van de zoeker
om concreet antwoord te kunnen geven, in plaats van lijstje met "ten blue links"
2. wat is betekenis van content in webpagina's ten behoeve van die concrete antwoorden om toch ook in de "ten blue links" relevante extra informatie te
kunnen tonen
eric sieverts, juni 201511
intentie van de zoeker
1. bepalen van bedoeling / intentie van de zoeker – uit locatie van de zoeker
– globaal: op basis van internetdomein waar gebruiker zit (ip-adres)op google.be krijg je ander antwoord dan op google.nl of google.com
– heel precies: op basis van bekende gps- of gsm-gegevens (mobiel)bijv.: zoekt mobiel in buurt van de Rozengracht naar “pizza”
>> adres van pizzeria in de buurt
– uit gebruikt apparaat– op desktop krijg je (vaak) ander antwoord dan op mobieltje
– uit eerder zoekgedrag van de zoeker– door analyse van de zoekvraag
– ...12 eric sieverts, juni 2015
intentie van de zoeker
1. bepalen van bedoeling / intentie van de zoeker – uit locatie van de zoeker
– uit gebruikt apparaat
– uit eerder zoekgedrag van de zoeker– wat voor zoekvragen stelde gebruiker eerder– naar welke resultaten keek gebruiker dan
bijvoorbeeld al toegepast in Google's personalisatie van relevance ranking;de opgeslagen "web history" is ook al "big data"
– door analyse van de zoekvraag
– ...
13 eric sieverts, juni 2015
intentie van de zoeker
1. bepalen van bedoeling / intentie van de zoeker – uit locatie van de zoeker
– uit gebruikt apparaat
– uit eerder zoekgedrag van de zoeker
– door analyse van de zoekvraag– door herkennen van "entiteiten" in de vraag
bijv.: "Parijs" is een stad (waarover feiten beschikbaar zijn) naam van persoon, bedrijf, product, gebeurtenis, … >> feiten naam van gewoon persoon >> facebook / linked-in gegevens – herkent vaste combinaties van woorden– natuurlijke taal interpretatie – uit algemene statistiek van zoekvragen
bijv.: wie "bach" zoekt bedoelt 95% zeker "Johann Sebastian"
14 eric sieverts, juni 2015
wolfram|alpha
GoogleKnowledge
Graph
content van webpagina
2. bepalen van betekenis van content in webpagina's <op enkele punten kom ik later nog terug>– herkennen van entiteiten in de tekst
bijv.: namen van personen, bedrijven, steden, producten, ...– gebruik van metadata/codering volgens ontologieën
bijv.: informatie gecodeerd met begrippen uit schema.org ontologie– uit (variabele) structuur van beschikbare informatie
bijv.: herkennen van tabellen, kenmerk-waarde koppels, ....– uit (vaste) structuur van beschikbare informatie
bijv.: gestructureerd opgeslagen kenmerken in Facebook– automatisch herkennen van betekenis/onderwerp uit hele tekst
bijv.: door "machine learning" getraind op vaste concepten– koppelen aan data uit andere bronnen
bijv.: via linked (open) data – ...
15 eric sieverts, juni 2015
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
16
gegevens o.a. afkomstig uit: Freebase (crowdsourced kennisbank), Wikipedia (dbpedia), CIA World factbook, Wikidata, analyse van gegevens op web
wat is in dit verband een "graph"? een netwerk van al die concepten met
hun onderlinge relaties en kenmerken
17
tripels
al die informatie wordt in feite opgeslagen als "tripels" (later meer)
L. Da Vinci schilderde Mona Lisa
J.S. Bach geboren op 31-03-1685
J.S. Bach geboren in Eisenach
Eisenach ligt in Duitsland
C.P.E. Bach kind van J.S. Bach
18 eric sieverts, juni 2015
knowledge cards
• dit soort gegevens die bij een persoon/object/entiteit horen, worden gecombineerd in "knowledge cards"
• die knowledge cards verschijnen - zoals bij het eerdere voorbeeld van Bach - rechts naast het gewone zoekresultaat
19 eric sieverts, juni 2015
30 eric sieverts, juni 2015
soms verschijnt ookfeitelijk antwoord(eveneens een "tripel")boven de gewonezoekresultaten
34
35 eric sieverts, juni 2015
daarbij wordt ook d.m.v. natuurlijke taal technieken herkend wat er gevraagd / bedoeld wordt
in werkelijkheid varieert die afstand dus tussenongeveer 356.000 en 407.000 km[bron: NASA - via Wikipedia]dus dat cijfer op 4 decimalen nauwkeurig iseigenlijk onzin (hoewel dat ook uit de Wikipedia komt)
maar:
eric sieverts, juni 201537
38 eric sieverts, juni 2015
ook wordt (soms) herkend als je dingen wilt vergelijken en worden relevante gegevens in een tabel gezet
knowledge vault
• inhoud van "knowledge graph" komt uit gecontroleerde gestructureerde bronnen als wikipedia/dbpedia, freebase, …
• in "knowledge vault" wordt dat uitgebreid met gegevens die uit allerlei webpagina's worden onttrokken (ook als tripels)
44 eric sieverts, juni 2015
This paper [http://www.cs.cmu.edu/~nlao/publication/2014.kdd.pdf] published by Google goes into more detail about the concepts behind the Knowledge Vault, citing three major components:
Extractors: These systems extract triples from a huge number of Web sources. Each extractor assigns a confidence score to an extracted triple, representing uncertainty about the identity of the relation and its corresponding arguments.
Graph-based priors: These systems learn the probability of each possible triple, based on triples scored in an existing KB (knowledge base).
Knowledge fusion: This system computes the probability of a triple being true, based on agreement between different extractors and priors
45
Google tableszoeken naar/in tabellen https://research.google.com/tables
zie ook:"Applying WebTables in Practice"http://www.cidrdb.org/cidr2015/ Papers/CIDR15_Paper3.pdf
google heeft een speciaal tool voor herkennen van tabellen en om daaraan gegevens te ontlenen - ook publiekelijk beschikbaar
46
voorbeelden:huis
Pittsburg
oppervlak
# inwoners
4849 sqft
334.563
uit w
ikip
edia
eric sieverts, juni 201547
Bing heeft zijn "Entity Engine" (Snapshots)maar die reageert vaak nog wat minderslim op combinaties van woorden
48
en nog meer …
er zijn nog meer (semantische) zoeksystemen die proberen concrete antwoorden te geven
een paar voorbeelden:• wolfram|alpha
• kngine
• cluuz
• sensebot
• …..
50 eric sieverts, juni 2015
hoe doen reguliere zoekmachines engespecialiseerde semantische systemenhet bij inhoudelijke vragen
"how many people live in Paris ?"
52
hoe doen reguliere zoekmachines en gespecialiseerde semantische systemen het bij inhoudelijke vragen?
"how many plays wrote Shakespeare ?"
54
"how many plays wrote Shakespeare ?"
hoe doen reguliere zoekmachines en gespecialiseerde semantische systemen het bij inhoudelijke vragen?
"who won the 1992 Nobel Peace Prize ?"
??
57
"who won the 1992 Nobel Peace Prize ?"
resource description framework
RDF = resource description frameworkRDF is standaard voor het beschrijven van de relatie tussen een resource (of een object) en zijn metadata
• eigenschappen (metadata) worden vastgelegd in zogenaamde tripels: subject <predicaat> object (wat je ook zou mogen noemen : ding <eigenschap> waarde )
• 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)
58
intermezzo RDF-tripels
eric sieverts, juni 2015
rdf tripels grafisch weergegeven
subject <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
59
intermezzo RDF-tripels
eric sieverts, juni 2015
rdf tripels
60
naar idee vanLucas Koster / IP
"Uit Berlijn"
boek
Uit Berlijn
"Armando"
Schuldiglandschap
http://www.worldcat.org/oclc/10098995
is een
http://www.w3.org/1999/02/22-rdf-syntax-ns#type
naam
http://xmlns.com/foaf/spec/#term_name
http://viaf.org/viaf/9885610/
http://hdl.handle.net/10934/RM0001.COLLECT.496040
is geschreven door
is schilder van
http://purl.org/dc/terms/creator
http://purl.org/dc/terms/creator
http://schema.org/Booktit
le
Armando
http://purl.org/dc/terms/title
intermezzo RDF-tripels
eric sieverts, juni 2015
rdf tripels
• RDF is bedoeld om bestaande semantische systemen te (her)gebruiken en te combineren
• RDF wordt meestal in XML- of JSON-notatie weergegeven • RDFa = “RDF in attributes” , verwerkt metadata in de inhoud van
(X)HTML webpagina’s (als attributen van HTML-codes)
• RDF-tripels worden ook gebruikt in "linked data"
• ze worden opgeslagen in zogenaamde triple-stores
61
intermezzo RDF-tripels
eric sieverts, juni 2015
nog even terug …
2. bepalen van betekenis van content in webpagina's– herkennen van entiteiten in de tekst
– gebruik van metadata/codering volgens ontologieën"betekenis vooraf gekarakteriseerd"
bijv.: informatie gecodeerd met begrippen uit schema.org ontologie
– uit (variabele) structuur van beschikbare informatie "betekenis achteraf afgeleid / geraden"
bijv.: herkennen van tabellen, kenmerk-waarde koppels, ....
– uit (vaste) structuur van beschikbare informatiebijv.: gestructureerd opgeslagen kenmerken in Facebook
– automatisch herkennen van betekenis/onderwerp uit hele tekst
– koppelen aan data uit andere bronnen
– ...62 eric sieverts, juni 2015
semantische codering
gestandaardiseerde markering van kenmerken in webpagina's - "semantic markup"
voorbeeld van zulke "embedded metadata":– recipe search bij Google en Yahoo
daarbij gebruikte standaarden:– rich snippet markup / schema.org
(Google, Yahoo, Bing, Yandex)
onder andere voor: recepten, recencies, personen, producten, organisaties, gebeurtenissen, muziek
– RDFa / microdata /Json
63 eric sieverts, juni 2015
64
in huidig Google-interface
niet meer zo aangeboden;
wel nog bij Yahoo!
eric sieverts, juni 201568
voorbeeld van codering met restaurant metadata(zoals gebruikt door o.a. IENS)
zoals in HTML gecodeerd volgens microdata standaard
wat heeft zoeker eraan?
• zoeker kan gerichter zoeken en filteren (zoals in Google's receptenzoeker)
• zoeker krijgt duidelijker informatie over gevonden items in zijn 10 blue links(zoals Google's rich snippets)
waarom en hoe?
• toepassing van deze technieken is vaak "SEO-driven" ( >> betere vindbaarheid; hogere ranking)
• zie bijvoorbeeld blogposts van Barbara Starr op SearchEngineLand:
http://searchengineland.com/see-entities-web-page-tools-help-194710
http://searchengineland.com/5-ways-optimize-markup-knowledge-graph-semantic-search-186755
http://searchengineland.com/how-to-use-rich-snippets-semantic-markup-to-send-rich-signals-139886
eric sieverts, juni 20157272
metadata tools
er zijn handige tools die analyse maken van in webpagina aanwezige metadata volgens microdata of RDFa standaard
http://searchengineland.com/see-entities-web-page-tools-help-194710
• Extensions voor Chrome browser:https://chrome.google.com/webstore/category/extensions
• Google's "webmaster structured data testing tool":https://developers.google.com/structured-data/testing-tool/
73 eric sieverts, juni 2015
wat biedt schema.org voor bibliotheken
• voor bibliotheken als organisatie alleen generieke zaken (adressen, openingstijden, rating, ...)
kan in rich snippets en in “knowledge card” terechtkomen
eric sieverts, juni 201577
maar Google kan/moet ook op andere
manieren aan deze informatie komen,
want de UB Utrecht maakt nog helemaal
geen gebruik van Schema.org .... :-/
wat biedt schema.org voor bibliotheken
• van bibliotheken die ik uitprobeerde bleek alleen de British Library beperkt gebruik te maken van organisatiegegevens
eric sieverts, juni 201579
wat biedt schema.org voor bibliotheken
• voor materiaal van bibliotheken wel al veel mogelijkheden
• OCLC gebruikt schema.org om metadata uit WorldCat als Linked Data beschikbaar te stellen
zie ook OCLC Webinar "Library Linked Data in the Cloud" n.a.v. hun boek hierover
afhankelijk van zoekmachine-policy welke gegevens ze op enig moment als rich-snippets in resultaatpagina's (SERP) tonen
eric sieverts, juni 201580
schema.org (e.a.) als linked data in worldcat
eric sieverts, mei 201483
uit presentatie van
Richard Wallis (OCLC)
13 juni 2014
84
twee conclusies
1. ook al geven zoekmachines concrete antwoorden, informatievaardigheid blijft van belang- voor het beoordelen van de kwaliteit van die antwoorden
(en van de daarvoor gebruikte bronnen)
- om daartoe ook nog steeds de beste "10 blue links" te vinden (en liefst ook meer dan 10)
2. semantisch coderen in webpagina's (met bijv. schema.org) wordt ook voor bibliotheken van belang- voor makkelijker herkenning van relevante gegevens in de "SERP"
- omdat het een rol speelt bij ranking / SEO (dus voor vindbaarheid)
- maar haak aan bij / laat over aan grote spelers die het toch al doen
eric sieverts, juni 201585