1. Αναζήτηση μηνυμάτων κοινωνικών μέσων
σχετικών με γεγονότα με χρήση τεχνικών
ανάκτησης πληροφορίας
Εκπόνηση Εργασίας : Γεώργιος Ζησόπουλος 6647
Επιβλέπων Καθηγητής : Περικλής Α. Μήτκας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ
Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Τομέας Ηλεκτρονικής και Υπολογιστών
Εργαστήριο Επεξεργασίας Πληροφορίας και Υπολογισμών

2.  Social media – Ενημέρωση
 Twitter
• Μηνύματα 140 χαρακτήρων
• 310 εκατομμύρια χρήστες καθημερινά
• 500 εκατομμύρια tweets την μέρα
• Μέσα στα Top10 sites παγκοσμίως
 Στόχος : Συγκέντρωση σχετικής και μη επαναλαμβανόμενης
πληροφορίας για μια λίστα ειδήσεων
Εισαγωγή – Στόχος της εργασίας
2

3. Μεθοδολογία
3

4. 4

5. Web Scraping
5

6. Web Scraping
6
Δενδροειδής αναπαράσταση HTML κώδικα

7. Web Scraping
7
Παράδειγμα HTML κώδικα μιας είδησης

8. Web Scraping
8
Παράδειγμα Document μιας είδησης στην ΒΔ

9. 9

10. Named Entities
Stanford NER
Εξαγωγή χρήσιμων όρων
10

11. Proper Nouns
arktweetnlp
Εξαγωγή χρήσιμων όρων
11

12. Adjective - Noun
Stanford POS Tagger
Εξαγωγή χρήσιμων όρων
12

13. Noun Sequences
Stanford POS Tagger
13
Εξαγωγή χρήσιμων όρων

14. Nouns
Stanford POS Tagger
14
Εξαγωγή χρήσιμων όρων

15. Noun Phrases
OenNLPTagger
15
Εξαγωγή χρήσιμων όρων

16. Keywords
Jsoup
16
Εξαγωγή χρήσιμων όρων

17. 17
Παράδειγμα Document είδησης με τους εξαχθέντες όρους
Εξαγωγή χρήσιμων όρων

18. 18

19. Σχηματισμός queries
Three Spanish journalists were released after being abducted around Aleppo, Syria, and
held hostage by the Al-Nusra Front since 13 July 2015.
……………
"july" AND "abducted" "spanish journalists" AND "aleppo"
"july" AND "al-nusra" "spanish journalists" AND "abducted"
"july" AND "front" "spanish journalists" AND "al-nusra"
"journalists" AND "aleppo" "aleppo" AND "13 july"
"journalists" AND "13 july" "aleppo" AND "abducted"
"journalists" AND "al-nusra" "abducted" AND "al-nusra"
"aleppo syria" AND "spanish journalists" "abducted" AND "front"
"aleppo syria" AND "abducted" "abducted" AND "13 july"
……………
19
Ενδεικτικά Queries μιας είδησης
 “term1” AND “term1”  “term1 term2 term3” AND “term1”

20. 20

21. • Twitter REST API – Java Library Twitter4j
• Tweets έως 7 ημερών
• Όριο 450 requests / 15min
• Paging
• No Retweets
• Language : English
Συλλογή Tweets
21
News Date # News Average
Queries/News
Average
Tweets/News
DB Size
06/05/2016 12 464,7 60328 444.98 MB
08/05/2016 11 101,5 7368 55.92 MB

22. 22

23. • Apache Lucene 5.5.0
• Inverted index
Indexing
23

24. 24

25. 25
Information Retrieval

26. • Αναπαράσταση κειμένου ως διάνυσμα
• Κάθε διάσταση είναι το tf-idf μιας λέξης
• Tf – Term Frequency
• Idf – Inverse Document Frequency
• Έστω 2 έγγραφα d1 = “w1 w2 w3” και d2 = “w2 w5 w6”
• 𝑉 𝑑1 και 𝑉 𝑑2 τα διανύσματά τους
• Cosine Similarity
𝑐𝑜𝑠𝑖𝑛𝑒 𝑠𝑖𝑚 𝑑1, 𝑑2 =
𝑉 𝑑1 ∙ 𝑉 𝑑2
𝑉 𝑑1 ∙ 𝑉 𝑑2
Vector Space Model
26

27. • Default Scoring Formula
𝑠𝑐𝑜𝑟𝑒 𝑞, 𝑑 = 𝑐𝑜𝑜𝑟𝑑 𝑞, 𝑑 ∗ 𝑞𝑢𝑒𝑟𝑦𝑁𝑜𝑟𝑚 𝑞 ∗ 𝑡 𝑖𝑛 𝑞(𝑡𝑓 𝑡 𝑖𝑛 𝑑 ∗ 𝑖𝑑𝑓 𝑡 2
∗ 𝑡. 𝑔𝑒𝑡𝑏𝑜𝑜𝑠𝑡 ∗ 𝑛𝑜𝑟𝑚(𝑡, 𝑑))
• Κλάσεις βαθμολόγησης
TFIDFSimiliarity
tf(t in d) = frequency½
idf(t) = 1 + log(
𝑛𝑢𝑚𝐷𝑜𝑐𝑠
𝑑𝑜𝑐𝐹𝑟𝑒𝑞+1
)
BM25Similarity
𝑠𝑐𝑜𝑟𝑒 𝑞, 𝑑 = 𝑖=1
𝑛
𝑖𝑑𝑓 𝑞𝑖 ∗
𝑡𝑓 𝑞 𝑖 ∗(𝑘1+1)
𝑡𝑓 𝑞 𝑖 +𝑘1(1−𝑏+𝑏
|𝐷|
𝑎𝑣𝑔𝑑𝑙
)
𝑡𝑓 𝑞𝑖 = frequency½
𝑖𝑑𝑓 𝑞𝑖 = log
𝑛𝑢𝑚𝐷𝑜𝑐𝑠−𝑛 𝑞 𝑖 +0.5
𝑛 𝑞 𝑖 +0.5
27
Lucene Scoring

28. Λογική Γλωσσικών μοντέλων
• Έστω ένα έγγραφο D και ένα Λεξικό Σ
• Υπολογισμός πιθανότητας εμφάνισης κάθε λέξης του Λεξικού Σ με
βάση το έγγραφο D
• Πρέπει να ισχύει η σχέση 𝑠∈Σ 𝑃(𝑠) = 1
• Δεν υπάρχουν όλες οι λέξεις στο έγγραφο D => Smoothing
Μοντέλα
• Query likelihood model 𝑠𝑐𝑜𝑟𝑒 𝑞, 𝑑 = 𝑃(𝑞|𝛩 𝑑)
• Document likelihood model 𝑠𝑐𝑜𝑟𝑒 𝑞, 𝑑 = 𝑃(𝑑|𝛩𝑞)
28
Language models

29. Ποιος είναι ο σκοπός του PRF;
• Επέκταση ερωτήματος με νέους όρους
Διαδικασία:
• 1ο Στάδιο IR – συλλογής εγγράφων
• Επιλέγονται τα Ν πρώτα
• Αυτά αποτελούν το (Pseudo) Relevance Set
• Αξιοποίηση του (Pseudo) Relevance Set και εξαγωγή νέων όρων
• Η διαδικασία αυτή ονομάζεται (Pseudo) Relevance Feedback
29
Pseudo-Relevance Feedback

30. Λογική Σχεσιακών μοντέλων
• Πιθανότητα εμφάνισης της λέξης w βάσει του συνόλου σχετικότητας R
𝑃(𝑤|𝑅) ∝
𝑑∈𝐶
𝑃 𝑑 ∙ 𝑃 𝑤 𝑑 ∙
𝑖=1
𝑛
𝑃 𝑞𝑖 𝑑
• Η P(d) θεωρείται ομοιόμορφη
• Το γινόμενο 𝑖=1
𝑛
𝑃 𝑞𝑖 𝑑 υπολογίζει την πιθανότητα ερωτήματος
• Αρκεί η εκτίμηση της πιθανότητας 𝑃 𝑤 𝑑 να εμφανιστεί η λέξη w με
βάση τους όρους του εγγράφου d
RM3:
Για την επιλογή των νέων όρων του expanded query, γίνεται γραμμική
παρεμβολή με τους όρους του original query
• 𝑃 𝑤 𝑞′
= 1 − 𝜆 ∙ 𝑃 𝑤 𝑞 + 𝜆 ∙ 𝑃 𝑤 𝑅
30
Relevance Models

31. • Αναζήτηση στο index με τα ίδια queries
• Το ίδιο tweet επιστρέφει με πολλά queries
• Ταξινόμηση tweets με βάση 3 μεθόδους
- Average 𝑠𝑐𝑜𝑟𝑒 = 𝑖=1
𝑁
𝑠𝑐𝑜𝑟𝑒(𝑖)
𝑁
- Maxscore 𝑠𝑐𝑜𝑟𝑒 = max 𝑠𝑐𝑜𝑟𝑒 1 … 𝑠𝑐𝑜𝑟𝑒 𝑁
- Sum 𝑠𝑐𝑜𝑟𝑒 = 𝑖=1
𝑁
𝑠𝑐𝑜𝑟𝑒(𝑖)
Επιλογή σχετικότερων tweets
31

32. ******* TFIDF BM25
Είδηση Averag
e
Maxscore Sum Average Maxscore Sum
1 0.95 0.95 1 1 1 1
2 0.75 0.90 1 0.90 0.95 1
3 1 1 1 1 1 1
4 0.95 0.90 1 1 1 1
5 0.85 1 1 0.90 1 1
6 1 1 1 1 1 1
7 0.60 1 1 0.95 1 1
8 0.20 0.20 0.45 0.25 0.30 0.60
9 1 1 1 1 1 1
10 1 1 1 1 1 1
11 0.10 0.10 0.10 0.10 0.10 0.10
Average
Precision
0.764 0.824 0.868 0.827 0.850 0.882
Επιλογή σχετικότερων tweets
32

33. # Tweet Relevant
1 travelling to Taif, Saudi Arabia No
2 Trophee Hassan Policeman Killed in Shootout With Militants Yes
3 Saudi policeman killed in shootout with militants: Saudi Arabia says a policeman
was killed in a shootout with… https://t.co/p2cY4KWocm
Yes
4 Saudi Policeman Killed in Shootout With Militants: Saudi Arabia says a policeman
was killed in a shootout wit... https://t.co/BxP885EDBQ
Yes
5 Saudi Policeman Killed in Shootout With Militants: Saudi Arabia says a policeman
was killed in a shootout with… https://t.co/lB1ePd2lcv
Yes
6 Saudi policeman killed in shootout with militants - Saudi Arabia says a policeman
was killed in a shootout with... https://t.co/iORDNawewq
Yes
7 Saudi Policeman Killed in Shootout With Militants - Saudi Arabia says a policeman
was killed in a shootout with... https://t.co/iM6gzcyTGS
Yes
8 Saudi Policeman Killed in Shootout With Militants: Saudi Arabia says a policeman
was killed in a shootout with militants in the weste...
Yes
9 #Rainbow over #Taif, #Saudi, the weather! No
10 Saudi Arabia says a policeman was killed in a shootout with militants in the
western city of Taif
Yes
Επιλογή σχετικότερων tweets
Είδηση A policeman is killed in a shootout with militants in Taif, Saudi Arabia.
TFIDF,MAXSCORE
33

34. Επιλογή σχετικότερων tweets
Δεδομένα :
- AllTweets: Πίνακας όλων των tweets σε φθίνουσα κατάταξη
- Ν: Πλήθος Φιλτραρισμένων tweets
- K: Δείκτης θέσης στον πίνακα AllTweets
- Similar: Ομοιότητα με φιλτραρισμένα tweets
Έξοδος :
- FilTweets: Top 100 tweets χωρίς duplicates
Αρχή:
Ν = 1
Κ = 1
FilTweets[N] = AllTweets[K]
Κάνε
Κ = Κ+1
Similar = Ψευδές
Για i από 1 μέχρι Ν
Αν CosSim( AllTweets[K] , FilTweets[i] ) > 0,5 τότε
Similar = Αληθές
Έξοδος
Τέλος_Αν
Τέλος_Επανάληψης
Αν Similar == Ψευδές τότε
FilTweets[N]=AllTweets[K]
Τέλος_Αν
Όσο{Ν<100}
Τέλος
MMR
Filtering
34

35. # Tweet Relevant
1 travelling to Taif, Saudi Arabia No
2 Trophee Hassan Policeman Killed in Shootout With Militants Yes
3 Saudi policeman killed in shootout with militants - Saudi Arabia says a policeman
was killed in a shootout with... https://t.co/iORDNawewq Yes
4 #Rainbow over #Taif, #Saudi, the weather! No
5 RealTimeHack: Saudi policeman killed in shootout with militants
https://t.co/14Oxnj0iOL #NLU
Yes
6 Saudi policeman dies in shootout as ‘terror’ plot foiled: https://t.co/mNxJl68AG0 Yes
7 Saudi Policeman Killed in Shootout With Militants - New York Times: Saudi
GazetteSaudi Policeman Killed in Sh... https://t.co/gJ9bfLJAod Yes
8 Just posted a photo @ Taif, Saudi Arabia https://t.co/rgIf4LpzSS No
9 Just posted a video @ Taif, Saudi Arabia https://t.co/MzHwHw997Q No
10 More of downtown Taif, Saudi Arabia. #globaledambassador #diversity… No
Επιλογή σχετικότερων tweets
Είδηση A policeman is killed in a shootout with militants in Taif, Saudi Arabia.
TFIDF,MAXSCORE,MMR
35

36. ******** TFIDF BM25
Είδηση Average Maxscore Sum Average Maxscore Sum
1 0.95 0.95 1 1 1 0.95
2 0.65 0.70 0.95 0.65 0.70 1
3 1 0.85 0.95 1 1 0.95
4 1 0.90 0.95 0.90 0.95 0.90
5 0.55 0.95 0.95 0.85 1 0.95
6 1 1 1 1 1 1
7 1 1 1 1 0.95 1
8 0.15 0.25 0.40 0.20 0.25 0.50
9 1 1 1 1 1 1
10 0.95 1 1 1 1 1
11 0.10 0.10 0.10 0.10 0.10 0.10
Average
Precision
0.759 0.791 0.845 0.791 0.814 0.850
Επιλογή σχετικότερων tweets
36

37. Επιλογή σχετικότερων tweets
Είδηση A policeman is killed in a shootout with militants in Taif, Saudi Arabia.
TFIDF, MAXSCORE, MMR, new index (απαλοιφή URL)
# Tweet Relevant
1 travelling to Taif, Saudi Arabia No
2 Saudi Policeman Killed in Shootout With Militants Yes
3 Saudi policeman dies in shootout as ‘terror’ plot foiled Yes
4 Just posted a photo @ Taif, Saudi Arabia No
5 My design The beautiful ?? @ Taif, Saudi Arabia No
6 More of downtown Taif, Saudi Arabia. #globaledambassador #diversity… No
7 #Rainbow over #Taif, #Saudi, the weather! No
8 Militants clash with Suadi police in Taif #SuadiArabia Yes
9 Saudi soldier killed in gun battle with militants in Taif Yes
10 Militants kill eight Egyptian policeman in Cairo suburb No
37

38. Επιλογή σχετικότερων tweets
******* TFIDF BM25
Είδηση Average Maxscore Sum Average Maxscore Sum
1 0.85 1 1 0.80 1 1
2 0.35 0.40 0.65 0.55 0.45 0.65
3 0.25 0.90 0.95 0.35 0.85 0.95
4 0.55 0.85 0.85 0.70 0.80 0.85
5 0.40 0.90 1 0.45 0.90 1
6 0.75 1 1 0.90 1 1
7 0.70 0.90 1 0.75 0.90 1
8 0.10 0.15 0.55 0.10 0.30 0.55
9 0.90 1 1 0.95 1 1
10 0.65 1 1 1 1 1
11 0.05 0.05 0.05 0.05 0.05 0.05
Average
Precision
0.505 0.741 0.823 0.600 0.750 0.823
38

39. • Original query : concatenated query
• 1ο Στάδιο IR
• 20 πιο σχετικά tweets για το original query (Default LMD, Sum)
• Pseudo Relevance set – P(w|R)
• RM3 παρεμβολή
• 2ο Στάδιο IR με το expanded query (Πρώτα 20 , MMR)
39
Εφαρμογή LMD + PRF

40. 40
Concatenated Query Expanded Query
Term Weight Term Weight
saudi 0.9 says 0.009090912
arabia 0.9 shootout 0.14675325
shootout 0.9 saudi 0.14675325
militants 0.9 taif 0.12857144
taif 0.9 militants 0.13766235
policeman 0.9 policeman 0.14675325
in 0.9 in 0.12857144
********* ********* arabia 0.13766235
********* ********* killed 0.018181823
Επιλογή σχετικότερων tweets (LMD & PRF)

41. 41
Επιλογή σχετικότερων tweets (LMD & PRF)
Tag cloud των όρων του expanded query

42. 42
# Tweet Relevant
1 Saudi Policeman Killed in Shootout With Militants: Saudi Arabia says a
policeman was killed in a shootout with militants in the weste... Yes
2 Saudi policeman killed in shootout with militants: They surrendered to
the police after a combing operation w...
Yes
3 Saudi policeman dies in shootout as ‘terror’ plot foiled: Yes
4 BACKGROUND At least 6 people died, including policeman, consequence
of shootout between police and alleged drug traffickers in #Provid?ncia
No
5 KSA : 1 Saudi policeman was killed near police station in Taif, 2 suspect are
wanted.
Yes
6 A Saudi corporal policeman has been killed in Taif. 2 suspects are currently
searched.
Yes
7 Saudi Arabia - Travel News - Soldier killed in gun battle with militants
following foiled attack in Taif #SaudiArabia #Taif #travelawarenes
Yes
8 #Saudi soldier killed in #shootout with militants - state news agency SPA
#IslamicState #oil #OPEC #Yemen #Iran
Yes
9 #KSA security forces involved in another shootout with suspected #IS
militants inside kingdom.
Yes
10 Saudi Arabia shootout leaves militant, officer dead, @Reuters said May 9. Yes
Επιλογή σχετικότερων tweets (LMD & PRF)

43. 43
******** 06/05/2016 08/05/2016
Είδηση LMD LMD + PRF LMD LMD + PRF
1 0.8 0.6 0.85 1
2 0.1 0.1 0.4 0.7
3 0.45 0.8 0.35 0.05
4 0.5 0.6 0.6 0.05
5 0.3 0.35 0.8 1
6 0.60 0.25 0.85 0.85
7 0.65 0.85 0.8 0.95
8 0.6 0.70 0.3 0.6
9 0.15 0.45 1 1
10 0.8 1 0.95 0.95
11 0.85 1 0.05 0.05
12 0.8 1 ************ ************
Average
Precision
0.559 0.645 0.635 0.655
Επιλογή σχετικότερων tweets (LMD & PRF)

44. 44

45. 45
Query quality metrics
 Υπολογισμός μιας σειράς μετρικών πρόβλεψης ποιότητας
ερωτημάτων
 Κίνητρο:
Εκτίμηση ποιότητας των αποτελεσμάτων και επιλογή των
καλύτερων ερωτημάτων για την αναζήτηση πληροφορίας

46. Query quality metrics
• Query Length
• IDF – based features
𝐼𝐷𝐹𝑤 =
𝑙𝑜𝑔2
𝑁+0,5
𝑁 𝑤
𝑙𝑜𝑔2(𝑁+1)
• Άθροισμα, τυπική απόκλιση, μέγιστο/ελάχιστο , το μέγιστο,
αριθμητικός μέσος, γεωμετρικός μέσος, αρμονικός μέσος και
συντελεστής διακύμανσης (coefficient of variation) για όλες τις λέξεις
που το αποτελούν.
46

47. Query quality metrics
• Query Scope (QS)
𝑄𝑆 = −𝑙𝑜𝑔
𝑛 𝑄
𝑁
• Similarity Collection/Query-based features (SCQ)
𝑆𝐶𝑄 𝑤 = 1 + 𝑙𝑛 𝑛 𝑤 × 𝑙𝑛 1 +
𝑁
𝑁 𝑤
• Inverse Collection Term Frequency-based features (ICTF)
𝐼𝐶𝑇𝐹𝑤 = −𝑙𝑜𝑔2
𝑛 𝑤
𝑇
47

48. Query Precision (p@10)
«cairo» AND «state» 0.8
«attack» AND «state» 0.2
«gunmen» AND «attack» 0.4
«arabia» AND «saudi» 0
«aleppo» AND «front» 0
«july» AND «front» 0
«syria» AND «front» 0
«officials» AND «taliban» 0.3
«afghan» AND «taliban» 0.3
«afghan» AND «officials» 0.2
«kilis» AND «turkish» 0.7
«town» AND «turkish border» 1
«55 islamic state» AND «turkish» 1
«collision» AND «buses» 1
«at least 73 people» AND «tanker» 1
«people» AND «buses» 0
Query quality metrics
Επιλογή τυχαίων queries
48

49. • Συντελεστής συσχέτισης Kendall τ
• Έστω (x1,y1), (x2,y2),…, (xn,yn) ένα σύνολο παρατηρήσεων των τυχαίων
μεταβλητών X και Y αντίστοιχα
• Ένα ζεύγος παρατηρήσεων (xi,yi) και (xj,yj), όπου i ≠ j, θεωρείται σύμφωνο αν
η κατάταξη και των 2 στοιχείων είναι όμοια: δηλαδή, όταν xi > xj και yi > yj ή xi
< xj και yi < yj
• Ασύμφωνο ονομάζεται όταν xi > xj και yi < yj ή xi < xj και yi > yj
𝜏 =
𝜋𝜆𝜂𝜃𝜊𝜍 𝜎ύ𝜇𝜑𝜔𝜈𝜔𝜈 𝜁𝜀𝜐𝛾ώ𝜈 − 𝜋𝜆𝜂𝜃𝜊𝜍 𝛼𝜎ύ𝜇𝜑𝜔𝜈𝜔𝜈 𝜁𝜀𝜐𝛾ώ𝜈
𝑛 𝑛−1 /2
• Ο Kendall τB που χρησιμοποιείται στην εργασία, λαμβάνει μέριμνα και για τα
ζεύγη που δεν είναι ούτε σύμφωνα ούτε ασύμφωνα
𝜏 𝐵 =
𝑛 𝑐 − 𝑛 𝑑
𝑛0 − 𝑛1 𝑛0 − 𝑛2
Query quality metrics
49

50. SCQarmean - Precision 0.17457525051569356
SCQgeomean - Precision 0.14595635698853068
SCQharmean - Precision 0.15168013569396327
SCQcovar - Precision 0.26615570980261477
ICTFsum - Precision 0.4035263987329966
ICTFstd - Precision 0.25470815239174965
ICTFmaxmin - Precision 0.30049838203521023
ICTFmax - Precision 0.36637935170417507
ICTFarmean - Precision 0.18602280792655873
ICTFgeomean - Precision 0.15740391439939583
ICTFharmean - Precision 0.16312769310482841
ICTFcovar - Precision 0.22608925886458675
QS - Precision 0.008585668058148864
Query quality metrics
Μεταβλητές Kendall τΒ
Size - Precision 0.37429560943820916
IDFsum - Precision 0.39780262002756406
IDFstd - Precision 0.24898437368631707
IDFmaxmin - Precision 0.28905082462434506
IDFmax - Precision 0.38945836598475303
IDFarmean - Precision 0.20891792274828902
IDFgeomean - Precision 0.17457525051569356
IDFharmean - Precision 0.15168013569396327
IDFcovar - Precision 0.23181303757001934
SCQsum - Precision 0.3806312839112663
SCQstd - Precision 0.28905082462434506
SCQmaxmin - Precision 0.28905082462434506
SCQmax - Precision 0.3860549463918908
Συσχετίσεις query quality metrics με Precision
50

51. Query quality metrics
6.00
6.50
7.00
7.50
8.00
8.50
9.00
9.50
10.00
10.50
11.00
0.0 0.2 0.4 0.6 0.8 1.0 1.2
ICTFmax
Precision@10
Διασπορά Precision - ICTFmax
0.20
0.25
0.30
0.35
0.40
0.45
0.0 0.2 0.4 0.6 0.8 1.0 1.2
IDFmax
Precision@10
Διασπορά Precision - IDFmax
51

52. Ευχαριστώ για την προσοχή σας!
52