Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...

Arbeit gesehen werden, neue Standards mit einem in der gegeben Arbeit zu
vergleichen. Die Kriterien sind so ausgewählt, dass sie auch in den nächsten
Jahren einen Großteil der Bedürfnisse abdecken und damit auch einen Vergleich
von neuen Standards vereinfachen. Es werden einige der derzeit wichtigsten
Standards ausgewählt. Diese Auswahl wurde vom Autor so getroffen,
dass eine möglichst breite Auswahl verfügbar ist. Anschließend wurden diese
miteinander verglichen. Dafür werden zuerst diese Standards allgemein beschrieben,
daran anschließend werden die erwähnten Kriterien herangezogen.
Zuerst werden die Werke einzeln bewertet, im Anschluss daran werden
sie in den zentralen Punkten miteinander verglichen. Damit wird entweder
ein kompletter Überblick über die Werke gewährleistet oder der Nutzer
kann die für sich selber relevanten Kriterien entnehmen. Als abschließendes
Resultat wird eine Übersicht präsentiert, in welcher auf einen Blick die für die
ausgewählten Kriterien passendsten Standards gezeigt werden.
Elisabeth Weigl
Mitigating the Bias of Retrieval Systems by Corpus Splitting - An Evaluation in
the Patent Retrieval Domain
Studium: Masterstudium Information & Knowledge Management
Betreuer: Ao.Univ.Prof. Dr. Andreas Rauber
Typical information retrieval systems retrieve a low number of documents that
are preferably close to the query. In contrast to that stands the patent domain
as a recall oriented field where missing one single document in the patentability
process can lead to costly law suits afterwards if a granted patent is
invalidated. However, research showed that retrieval engines cannot find
certain documents because they show a bias towards other document
characteristics. Thus the goal of this work is to look further into one approach
that deals with retrievability of documents and splits a single corpus in two
corpora, one containing high, the other low findable documents. For this, the
experimental setup has to be provided and the split done again. Afterwards
merging strategies that combine the low and high result sets in different ways
are tested with the presumption that low retrievable documents are now
higher ranked and thus improve recall. This is tested with several models of
three different retrieval engines, namely Terrier, Lemur and Solr. Evaluation
shows that in most cases the models do not seem to be suitable for this
merging, regarding recall and MAP values. Only precision at high rank seems
to improve in general. The few models that perform better and which
attributes make them more suitable are explained.
30