Einführung in die Informationswissenschaft

Weitere Magazine

Empfehlungen

Info

Informationslinguistik Relationen von Substantiven (WordNet) • Hyponymie (Abstraktionsrelation; Hyponym - Hypernym): „kind of ...“ – transitiv, asymmetrisch • Meronymie (Teil-Ganzes-Relation; Meronym - Holonym): „part of ...“ – asymmetrisch – Problem: Meronymie ist z.T. transitiv oder z.T. nicht transitiv. [Die Rinde ist Teil des Baumes. Der Baum ist Teil des Waldes. Kann man schließen: Die Rinde ist Teil des Waldes?] • Antonymie (Gegensatz) – symmetrisch • Ähnlichkeit (symmetrisch; nicht transitiv) George A. Miller: Nouns in WordNet: A Lexical Inheritance System. – Princeton, 1993. HHU Düsseldorf, WS 2004/05 Einführung in die Informationswissenschaft 196
Meronymie Informationslinguistik • Variante 1: transitiv (z.B. Geographica) Deutschland D NRW • Variante 2: nicht transitiv – Es gibt Bäume im Wald; aber auch welche außerhalb von Wäldern. Wald Baum Rinde HHU Düsseldorf, WS 2004/05 Einführung in die Informationswissenschaft 197
Seite 1 und 2:
Einführung in die Informationswiss
Seite 3 und 4:
Seite 5 und 6:
Seite 7 und 8:
Seite 9 und 10:
Wer befasst sich mit Information Re
Seite 11 und 12:
Konferenzen Information Retrieval
Seite 13 und 14:
Zeitschriften: Information Retrieva
Seite 15 und 16:
van Rijsbergen Information Retrieva
Seite 17 und 18:
Information Retrieval Eine kurze Ge
Seite 19 und 20:
Grundlagen des Information Retrieva
Seite 21 und 22:
Seite 23 und 24:
Seite 25 und 26:
Seite 27 und 28:
Seite 29 und 30:
(verstandenes) Wissen (Nutzer) Empf
Seite 31 und 32:
Seite 33 und 34:
Seite 35 und 36:
Pull- Service Push- Service Grundla
Seite 37 und 38:
Seite 39 und 40:
Seite 41 und 42:
R e c a l l 100 Grundlagen des Info
Seite 43 und 44:
Seite 45 und 46:
Seite 47 und 48:
Seite 49 und 50:
Seite 51 und 52:
Seite 53 und 54:
Seite 55 und 56:
Seite 57 und 58:
Seite 59 und 60:
Seite 61 und 62:
Seite 63 und 64:
Seite 65 und 66:
Seite 67 und 68:
Seite 69 und 70:
Seite 71 und 72:
Seite 73 und 74:
Seite 75 und 76:
Seite 77 und 78:
Beispiel: Firmendossier (Creditrefo
Seite 79 und 80:
Beispiel: Firmendossier (Creditrefo
Seite 81 und 82:
Beispiel: Zeitungsartikel bei Facti
Seite 83 und 84:
Typische Dokumente: WTM (2) Beispie
Seite 85 und 86:
Typische Dokumente: WTM (3) Beispie
Seite 87 und 88:
Beispiel: Grundsatzurteil (Juris) -
Seite 89 und 90:
Dateien Grundlagen des Information
Seite 91 und 92:
Seite 93 und 94:
Seite 95 und 96:
Funktionalität Boolescher Retrieva
Seite 97 und 98:
Seite 99 und 100:
Seite 101 und 102:
Seite 103 und 104:
Seite 105 und 106:
Seite 107 und 108:
Seite 109 und 110:
Seite 111 und 112:
Seite 113 und 114:
Seite 115 und 116:
Seite 117 und 118:
Seite 119 und 120:
Seite 121 und 122:
Seite 123 und 124:
Seite 125 und 126:
Seite 127 und 128:
Seite 129 und 130:
Gewichtetes Retrieval Gewichten von
Seite 131 und 132:
Gewichtetes Retrieval Intellektuell
Seite 133 und 134:
Gewichtetes Retrieval Intellektuell
Seite 135 und 136:
Gewichtetes Retrieval Boolesches Re
Seite 137 und 138:
Gewichtetes Retrieval Exklusionsmen
Seite 139 und 140:
Gewichtetes Retrieval Boolesches Re
Seite 141 und 142:
Gewichten durch „Cracken“ von K
Seite 143 und 144:
Gewichtetes Retrieval Errechnen der
Seite 145 und 146: Gewichtetes Retrieval Themenkette:
Seite 147 und 148: Fazit. Gewichtetes Retrieval - Inte
Seite 149 und 150: Informationslinguistik Linguistisch
Seite 151 und 152: Informationslinguistik Informations
Seite 153 und 154: Informationslinguistik Grundansatz:
Seite 155 und 156: N-Gramme Informationslinguistik •
Seite 157 und 158: Informationslinguistik N-Gramme. Be
Seite 159 und 160: N-Gramme Informationslinguistik •
Seite 161 und 162: Informationslinguistik N-Gramme: We
Seite 163 und 164: Informationslinguistik Speicherung
Seite 165 und 166: Informationslinguistik Stoppwortlis
Seite 167 und 168: Informationslinguistik Informations
Seite 169 und 170: Informationslinguistik Wortstammbil
Seite 171 und 172: Informationslinguistik Abtrennen /
Seite 173 und 174: Porter-Algorithmus. Schritt 2 Infor
Seite 175 und 176: Porter- Algorithmus Schritt 4 Infor
Seite 177 und 178: Porter-Algorithmus: Leistungsfähig
Seite 179 und 180: Kuhlen- Algorithmus Informationslin
Seite 181 und 182: Informationslinguistik Morphologie
Seite 183 und 184: Informationslinguistik MORPHY. Beis
Seite 185 und 186: Informationslinguistik MORPHY. Beis
Seite 187 und 188: Informationslinguistik Komposition
Seite 189 und 190: Informationslinguistik Komposition
Seite 191 und 192: Informationslinguistik Morphologisc
Seite 193 und 194: Informationslinguistik Grundform A
Seite 195: Informationslinguistik Wort-Bedeutu
Seite 199 und 200: Informationslinguistik Relationen v
Seite 205 und 206: Informationslinguistik Überblick d
Seite 207 und 208: Informationslinguistik Worte nach m
Seite 209 und 210: „Thesaurus“ Informationslinguis
Seite 211 und 212: Informationslinguistik Erkennung vo
Seite 213 und 214: Informationslinguistik Phrasenerken
Seite 215 und 216: Informationslinguistik Phrasenerken
Seite 217 und 218: Phrasenerkennung durch Indikatorbeg
Seite 219 und 220: • Anaphora - Ellipsen Information
Seite 221 und 222: - Anaphoraauflösung Informationsli
Seite 223 und 224: Informationslinguistik - Soundex be
Seite 225 und 226: Informationslinguistik Phonetische
Seite 227 und 228: Informationslinguistik Fazit • Ei
Seite 229 und 230: Relevance Ranking Textstatistik •
Seite 231 und 232: Precision bei Suchmaschinen im WWW
Seite 233 und 234: Textstatistik Übergang von einer B
Seite 235 und 236: Textstatistik Textstatistik. Der Au
Seite 237 und 238: Textstatistik Die These von Luhn: T
Seite 239 und 240: Textstatistik • einfaches Zählen
Seite 241 und 242: Textstatistik Dokumentspezifische W
Seite 243 und 244: Textstatistik Inverse Dokumenthäuf
Seite 245 und 246: Das Längengewicht Textstatistik
Seite 247 und 248:
Sortierung nach Gewichtung. Variant
Seite 249 und 250:
Textstatistik Sortiervariante 1:
Seite 251 und 252:
Textstatistik Sortierung nach Gewic
Seite 253 und 254:
Vektorraummodell Textstatistik - Do
Seite 255 und 256:
Vektorraummodell Textstatistik •
Seite 257 und 258:
Vektorraummodell Textstatistik •
Seite 259 und 260:
Textstatistik Vektorraummodell: Ber
Seite 261 und 262:
Textstatistik Dok1 (5 ׀ 3); Dok2 (
Seite 263 und 264:
Textstatistik Einsatz des Vektorrau
Seite 265 und 266:
Seite 267 und 268:
Seite 269 und 270:
Seite 271 und 272:
Seite 273 und 274:
Textstatistik Vektorraummodell - Pr
Seite 275 und 276:
Das probabilistische Modell Textsta
Seite 277 und 278:
Das probabilistische Modell Textsta
Seite 279 und 280:
Textstatistik Das probabilistische
Seite 281 und 282:
Textstatistik Das probabilistische
Seite 283 und 284:
Textstatistik Textstatistik (Releva
Seite 285 und 286:
Textstatistik Textstatistik (Releva
Seite 287 und 288:
Link-Topologie Link-Topologie (Rele
Seite 289 und 290:
Link-Topologie Zitationen und Refer
Seite 291 und 292:
Bibliographic Coupling A „zitiert
Seite 293 und 294:
Co-Zitations-Netz (Link-Struktur) L
Seite 295 und 296:
Link-Topologie Hubs und Authorities
Seite 297 und 298:
Seite 299 und 300:
Link-Topologie Einsatz des Kleinber
Seite 301 und 302:
Seite 303 und 304:
Link-Topologie HITS und andere Meth
Seite 305 und 306:
PageRank Link-Topologie • das WWW
Seite 307 und 308:
PageRank r(A) + r(B) + r(C) = 1 da
Seite 309 und 310:
PageRank Link-Topologie • Berechn
Seite 311 und 312:
Systemarchitektur von Google Indexe
Seite 313 und 314:
Link-Topologie Relevance Ranking be
Seite 315 und 316:
Re-Ranking Link-Topologie • „ol
Seite 317 und 318:
Re-Ranking Link-Topologie • Besch
Seite 319 und 320:
Ranking nach Nutzung • Visits - A
Seite 321 und 322:
Link-Topologie Usage Statistics •
Alle anzeigen

Einführung in die Informationswissenschaft

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?