Zařízení pro získávání informací - Information Retrieval Facility

Logo IRF

The Zařízení pro získávání informací (IRF), založená 2006 a umístěná v Vídeň, Rakousko, byla výzkumná platforma pro vytváření sítí a spolupráci pro profesionály v oboru vyhledávání informací. V roce 2012 ukončila svoji činnost.

IRF měla členy v následujících kategoriích:

  • Výzkumní pracovníci v vyhledávání informací (IR) nebo související vědecké oblasti
  • Profesionálové pro správu průmyslových / podnikových informací
  • Patentové úřady a vládní instituce
  • Studenti jednoho z výše uvedených

Vědecká rada

Vědecké cíle

  • Modelování inovativních a specializovaných systémů pro vyhledávání informací pro globální sbírky patentových dokumentů.
  • Zkoumání a vývoj adekvátní technické infrastruktury, která umožňuje interaktivní experimenty s formálními, matematickými koncepty vyhledávání pro velmi rozsáhlé sbírky dokumentů. <
  • Studium použitelnosti multimodálních uživatelských rozhraní pro velmi rozsáhlé systémy vyhledávání informací.
  • Integrace skutečných uživatelů se skutečnými informačními potřebami do procesu výzkumu modelování systémů pro vyhledávání informací, aby bylo možné přesné vyhodnocení výkonu.
  • Schopnost vytvářet různé pohledy na patentová data v závislosti na zaměření informační potřeby.
  • Definování standardizovaných metod pro srovnávání procesu získávání informací ve sbírkách patentových dokumentů.
  • Schopnost zacházet s textovými a netextovými částmi patentu soudržným způsobem.
  • Navrhování, experimentování a hodnocení vyhledávačů schopných načítat strukturované a polostrukturované dokumenty ve velmi rozsáhlých patentových sbírkách.
  • Integrace časové dimenze patentových dokumentů do strategií vyhledávání.
  • Zlepšení účinnosti a přesnosti vyhledávání patentů na základě ontologií a technik porozumění přirozenému jazyku.
  • Zpřesnění IR metod, které umožňují nestrukturované dotazování využitím dostupné struktury v patentových dokumentech.
  • Formální (matematická) identifikace a specifikace příslušných obchodních informačních potřeb v oblasti informací o duševním vlastnictví.
  • Zkoumání účinných mechanismů škálování pro získávání informací s přihlédnutím k charakteristikám patentových údajů.
  • Vyšetřování a experimentování s výpočetními architekturami pro správu informací s velmi vysokou kapacitou.
  • Zavádění otevřené eScience platforma, která umožňuje standardizovaný a snadný způsob vytváření a provádění IR experimentů na společné výzkumné infrastruktuře.
  • Objevování a vyšetřování nových případů použití a obchodních aplikací odvozených z informací o duševním vlastnictví.
  • Umožnění formálního vyhledávání informací, výzkumu přirozeného jazyka a sémantického zpracování růst do oblasti aplikovaných věd v globálním průmyslovém kontextu.
  • Vývoj a integrace různých metod přístupu k informacím.
  • Výzkum účinných metod interaktivního získávání informací.

Sémantická superpočítač

Současné technologie pro extrakci konceptů z nestrukturovaných dokumentů jsou extrémně výpočetně náročné. Aby bylo možné interaktivní experimentování s korpusy s bohatým a velkým textem, IRF vybudovalo vysoce výkonné výpočetní prostředí, do kterého byly implementovány nejnovější technologické pokroky:

  • víceuzlové klastry (aktuálně 80 jader, až 1024)
  • nejrychlejší propojovací technologie
  • jediný systémový obraz s velkou složenou pamětí (aktuálně 320 GB, až 4 TB)
  • plně integrovaný konfigurovatelný výpočetní systém (aktuálně 4 FPGA jádra, až 256)

Kombinace těchto funkcí HPC k urychlení dolování textu představuje implementaci IRF sémantického superpočítače.

Světový patentový korpus

Cílem IRF je přinést do komunity profesionálů v oblasti patentových informací nejmodernější technologii vyhledávání informací. Očekáváme, že technologie získávání informací (IR) se brzy stane středem informačních technologií. Všechna průmyslová odvětví mohou těžit z aplikace moderních a budoucích procesů těžby textu na speciální požadavky patentového výzkumu. Ačkoli jsou všechny myšlenky a koncepty univerzálně použitelné pro všechny druhy informací o duševním vlastnictví, patenty vyžadují maximální propracovanost a konfrontují nás s náročnými technickými a organizačními problémy. Celá skupina dokumentů souvisejících s patenty možná představuje největší soubor složených dokumentů, což z ní činí odměňující cíl pro vědce v oboru těžby textu i pro koncové uživatele. A co víc, patenty se staly zásadní otázkou, zejména pro velké globální korporace a univerzity. Průmysloví uživatelé patentových dat patří mezi nejnáročnější a nejdůležitější informační profesionály. V důsledku toho by mohli těžit nejvíce z technologie, která zmírňuje břemeno výzkumu velkého množství patentových informací.

Výzkumné sbírky

IRF poskytuje řadu sbírek testovacích dat, které byly vyvinuty IRF, jedním z jejích členů nebo třetími stranami. Tyto sběry dat lze volně používat pro vědecké experimenty.

Kolekce MAtrixware REsearch (MAREC ) je první standardizovaný korpus patentových údajů pro výzkumné účely. Skládá se z 19 milionů patentových dokumentů v různých jazycích, normalizovaných do vysoce specifického formátu XML. Kolekce byla vyvinuta společností Matrixware pro IRF.

ClueWeb09[Citace je zapotřebí ] kolekce je 25 terabajtový datový soubor s přibližně 1 miliardou webových stránek procházených v lednu a únoru 2009. Byl vytvořen Ústavem jazykových technologií na adrese Univerzita Carnegie Mellon podporovat výzkum v oblasti získávání informací a souvisejících technologií v oblasti lidských jazyků.

Reference

externí odkazy