Einführung in die Informationswissenschaft

Weitere Magazine

Empfehlungen

Info

Phrasenerkennung durch Indikatorbegriffe Indikatoren auf Unternehmen (Listenausschnitt A bis G) Vorgehen: Kommt ein „Company Indicator“ in einer Phrase vor, werden die Worte hinter dem Indikator gelöscht Ist die Phrase vor dem Indikator bereits vorhanden, wird diese als Synonym behandelt Informationslinguistik HHU Düsseldorf, WS 2004/05 Einführung in die Informationswissenschaft 216
Phrasenerkennung durch Indikatorbegriffe Indikatoren auf Personennamen Vorgehen: Kommt ein Vorname in einer Phrase vor, so werden die Worte vor dem Indikator gelöscht Informationslinguistik HHU Düsseldorf, WS 2004/05 Einführung in die Informationswissenschaft 217
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 und 196: Informationslinguistik Wort-Bedeutu
Seite 197 und 198: Meronymie Informationslinguistik
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: Informationslinguistik Phrasenerken
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: Textstatistik Einsatz des Vektorrau
Seite 267 und 268:
Textstatistik Einsatz des Vektorrau
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?