Пользуясь каталогом поисковой системы, найдите следующую информацию (по указанию учителя):

1. Текст песни популярной музыкальной группы
2. Репертуар Мариинского театра на текущую неделю
3. Характеристики последней модели мобильного телефона известной фирмы (по вашему выбору)
4. Рецепт приготовления украинского борща с галушками
5. Долгосрочный прогноз погоды в вашем регионе (не менее чем на 10 дней)
6. Фотография любимого исполнителя современной песни
7. Примерная стоимость мультимедийного компьютера (прайс)
8. Информация о вакансиях на должность секретаря в вашем регионе или городе
9. Гороскоп своего знака зодиака на текущий день

По результатам поиска составьте письменный отчет в Word: представьте в документе найденный, скопированный и отформатированный материал. Предъявите отчет учителю.

Задание 2. Формирование запроса по точному названию или цитате.

Вам известно точное название документа, например «Гигиенические требования к персональным электронно-вычислительным машинам и организации работы». Сформулируйте запрос для поиска в Интернете полного текста документа.

Результат поиска сохраните в своей папке. Предъявите учителю.

Задание 3. Формирование сложных запросов.

• В любой поисковой системе составьте запрос для поиска информации о русской бане. Исключите предложения об услугах, рекламу банных принадлежностей и прочую рекламу. Сосредоточьте поиск на влиянии русской бани на организм.
• Составьте сложный запрос на поиск информации по уходу за домашними кошками. Исключите из поиска крупных кошек (например, львов), а также предложения о покупке, продаже, фотографии для обоев и т. п.
• Текст запроса и результат поиска оформите в Word и представьте учителю.

Всеми известными вам способами выполните поиск в Интернете информации по истории развития вычислительной техники. Поиск производите по различным направлениям: историческая обстановка, техника, личности. Результаты поиска оформите в виде презентации. Используйте в презентации многоступенчатой оглавление в виде гиперссылок.

Федотов А.М., Барахнин В.Б. Новосибирский государственный университет, Институт вычислительных технологий СО РАН
Аннотация
Статья посвящена обсуждению проблем поиска информации в современной ин-формационной среде, историческим подходам, технологическим задачам и алгорит-мам.

Введение
Проблема поиска информации — одна из вечных проблем человеческого сообщества. На протяжении своего многотысячелетнего развития его представители неустанно нахо-дятся в поиске того, где находится что-либо: пищи, жилища, пастбищ, дорог, сокровищ и т. п. Обобщая задачи поиска можно сказать, что человечество постоянно находится в поиске знаний, а в частности «информации о том, где лежат сокровища». Великий арген-тинский писатель Хорхе Луис Борхев своем эссе «Четыре цикла» писал, что в мировой литературе вечными являются четыре темы:
1. Падение города.
2. Возвращение героя.
3. Поиск.
4. Самопожертвование бога.
Нетрудно заметить, что наиболее часто встречающейся как в литературе, так и в реаль-ности является третья тема — поиск, ибо четвертая тема выходит за рамки обычного человеческого опыта, а две первые проявляются лишь в «минуты мира роковые».
С появлением новой экономической категории, какой являются информационные ре-сурсы, проблема поиска перекочевала и в эту область. Человечество все больше начинает использовать для поиска необходимых знаний информационные ресурсы. Что бы решить проблему доступа к информации человечество создало библиотеки — как универсальную систему хранения «знаний», их систематизации и каталогизации.
Ситуация кардинально изменяется по мере освоения (точнее — создания) человече-ской цивилизацией пространства «информационного». Первыми островами информаци-онного пространства цивилизации стали общественные библиотеки крупнейшие из ко-торых (Библиотека Британского музея, Национальная библиотека в Париже, Библиотека конгресса США, Российская государственная библиотека и др.) уже к началу ХХ века располагали собраниями в миллионы томов.
Долгое время одним из мощных инструментов поиска информации в книжных храни-лищах был непосредственных доступ читателей к книгам, когда они затрачивая большое личное время могли свободно рыться в библиотеке. Это и понятно, поскольку человека нуждающегося в научной информации (в знаниях), интересует прежде всего не сама книга как таковая, а только некоторый ее фрагмент, содержащий требуемые ему знания. Причем сам он часто не в состоянии объяснить как эти знания могут быть связаны с названием книги или ее автором.
Накопление книг привело к парадоксальному результату, связанному с отделение книжных хранилищ от широкого круга читателей. Универсальный инструмент поиска знаний, основанный на прямом доступе к информации, стал доступен только избранным. Основная же масса жаждущих знаний стала довольствоваться только поиском в каталоге, который в принципе не мог удовлетворить возникающие информационные потребности. Для решения проблемы доступа читателей к информации были предприняты попытки классификации и систематизации информации — стали создаваться специализированные книжные залы, куда источники информации отбирались исходя из каких-то (не всегда очень ясных) критериев.
С одной стороны, как отметил британский историк и социолог науки Д. де Солла Прайс , начиная с середины XVIII века любой достаточно большой сегмент науки в нормальных условиях растет экспоненциально, то есть любые параметры науки, вклю-чая объем накопленной информации, за определенный промежуток времени удваиваются (закон экспоненциального роста науки). С другой стороны, в указанный период времени, происходит увеличения числа людей, нуждающихся в научной информации. Речь идет не только о научных работниках (численность которых тоже подчиняется закону экспонен-циального роста), но и о представителях многих других профессий умственного труда: инженерах, агрономах, врачах, управленцах и т. п.
По мере накопления книг а, стало быть, и содержащейся в них информации, возможно-сти традиционных методов поиска: с использованием алфавитного каталога (поиск кни-ги по известному имени автора) и систематического каталога (поиск книги или класса книг по определенному предмету), — перестали удовлетворять читателей, прежде всего научных работников, информационные потребности которых в процессе научного поиска характеризуются невысокой четкостью осознания и выражения (см., например, ).
Современные информационные технологии предоставляют исследователю мощный ап-парат для «манипулирования данными», а не информацией. Данные, переведенные в элек-тронную форму, приобретают новое качество, обеспечивая им более широкое распростра-нение и эффективное использование. На первый взгляд, может сложиться впечатление, что развитие информационных технологий уже само по себе способно вывести работу с научной информацией на качественно новый уровень, но, к сожалению, это совсем не так. Современные информационные технологии пока не могут предоставить адекватный аппарат для оперирования с «информацией» и информационными ресурсами .
Однако сами по себе данные (как набор битов) не представляют никакой информацион-ной ценности без соответствующих описаний или моделей. Применение информационных технологий должно основываться на использовании различных моделей (феноменологиче-ских, информационных, математических и др.). Как неоднократно отмечал А. А. Ляпунов (см., например, ): «нет модели — нет информации». Для возможности продуктивной ра-боты нужны данные, превращенные в «информацию», представленную в виде «знаний» — «адекватного отражения действительности в сознании человека в виде представлений, понятии, суждений теорий».
Существующую проблему отбора информации уже дано пытаются решить путем со-здания универсальных или специализированных информационно-поисковых систем. В ре-зультате опережающего развития технологий поиска по сравнению с методиками работы с семантической информацией образовался заметный разрыв между техникой работы с данными (поиском) и способностью работать с содержанием, заложенным в этих данных. Опираясь на интуицию, эксперты приходят к выводу о порочности нынешней ситуации, но о каком-либо серьезном переосмыслении проблем извлечения из данных информации пока речь не идет.

1 Предыстория
Как мы видим, что проблема поиска — доступа к информации является одной из серьезных проблем, с которой столкнулось современное «информационное общество».
По всей видимости, впервые возникшую проблему наиболее четко осознал бельгийский социолог Поль Отле, который в конце XIX века предложил дополнить науку (library science), ведавшей научно-технической информацией и традиционное библиотековедение совершенно новым методом, названным им «Документацией»:
«Цели Документации состоят в том, чтобы суметь предложить документированные ответы на запросы по любому предмету в любой области знания: 1) универсальные по содержанию; 2) точные и истинные; 3) полные; 4) оперативные; 5) отражающие послед-ние данные; 6) доступные; 7) заранее собранные и готовые к передаче; 8) предоставленные как можно большему числу людей» (см. , с. 190, ).
Суть метода Документации заключалась в том, что содержание книги (отчуждаемое от автора) заносится на карточку, причем совокупность карточек можно упорядочивать так, чтобы при этом отражались предметные связи. Поль Отле предвидел революционное развитие технологий работы с информацией, вплоть до ее мультимедийного представления и удаленного доступа к банкам данных:
«... человеческое знание позволит создать оборудование, действующее на расстоянии, в котором соединятся радио, рентгеновские лучи, кинематограф и микроскопическая фотография. Все предметы Вселенной, все предметы, созданные Человеком, будут реги-стрироваться на расстоянии с момента их создания. Тем самым будет создан движу-щийся образ мира — его память, его подлинная копия. Любой человек сможет прочесть отрывок, спроецированный на его личный экран» (см. с. 16).
Идеи Поля Отле не были восприняты тогдашними информационным (библиотечным) сообществом, в частности потому, что они совершенно не были подкреплены техниче-ским обеспечением: информационные работники и библиотекари той эпохи располагали лишь пишущими машинками, фотоаппаратами и карточными каталогами. Появление по-сле Первой мировой войны устройств обработки перфокарт (точнее, их простейшей раз-новидности — перфокарт с краевой перфорацией) также не стало принципиальным техно-логическим прорывом, поскольку даже спустя 40 лет, в 1960-е годы, подобные устройства могли обрабатывать сравнительно небольшие (до 30 тысяч) массивы документов (см.
с. 549).
Проблема нарастающих объемов информации, грозивших захлестнуть читателей, про-должала волновать исследователей. В 1941 году упомянутый выше Х. Л. Борхес создает свою знаменитую притчу «Вавилонская библиотека». В этой притче Вселенная представ-ляется в виде Библиотеки, беспредельной и всеобъемлющей, на полках которой «мож-но обнаружить все возможные комбинации двадцати с чем-то орфографических знаков (число их, хотя и огромно, не бесконечно) или все, что поддается выражению — на всех языках». Философский смысл притчи, конечно же, гораздо глубже проблемы информа-ционного поиска, но исходный образ взят автором из повседневной реальности. Трудно удержаться, чтобы не привести хотя бы краткие выдержки из притчи, соответствующие тематике статьи.
«Когда было провозглашено, что Библиотека объемлет все книги, первым ощущением была безудержная радость. Каждый чувствовал себя владельцем тайного и нетронуто-го сокровища. Не было проблемы — личной или мировой, для которой не нашлось бы убедительного решения. . . Вселенная обрела смысл, вселенная стала внезапно огромной, как надежда. В это время много говорилось об Оправданиях: книгах апологии и проро-честв, которые навсегда оправдывали деяния каждого человека во вселенной и хранили чудесные тайны его будущего. Тысячи жаждущих покинули родные шестигранники и устремились вверх по лестницам, гонимые напрасным желанием найти свое оправда-ние. . . , но те, кто пустился на поиски, забыли, что для человека вероятность найти свое Оправдание или какой-то его искаженный вариант равна нулю. . .
На смену надеждам, естественно, пришло безысходное отчаяние. Мысль, что на какой-то полке в каком-то шестиграннике скрываются драгоценные книги и что эти книги недосягаемы, оказалась почти невыносимой. Одна богохульная секта призывала всех бросить поиски и заняться перетасовкой букв и знаков, пока не создадутся благо-даря невероятной случайности канонические книги. . . Другие, напротив, полагали, что прежде всего следует уничтожить бесполезные книги. . .
Известно и другое суеверие того времени: Человек Книги. На некоей полке в некоем шестиграннике (полагали люди) стоит книга, содержащая суть и краткое изложение всех остальных: некий библиотекарь прочел ее и стал подобен Богу. В языке этих мест можно заметить следы культа этого работника отдаленных времен. Многие предпри-нимали паломничество с целью найти Его. В течение века шли безрезультатные поис-ки. Как определить таинственный священный шестигранник, в котором Он обитает? Кем-то был предложен регрессивный метод: чтобы обнаружить книгу А, следует пред-варительно обратиться к книге В, которая укажет место А; чтобы разыскать книгу
В, следует предварительно справиться в книге С, и так до бесконечности.. . »
Движущей силой произошедшей в середине XX века «информационной революции» стали не хранители информации — библиотечные работники, а ее потребители — ученые и инженеры. В 1931 году в Германии была создана Статистическая машина Эммануэля Гольдберга , обеспечивавшая чтение специальным образом подготовленной микроплен-ки, на которой хранился массив документов. Особенность организации хранения инфор-мации заключалась в том, что на пленку вместе с микрофильмированным документом заносилось описание этого документа, закодированное посредством перфорации. Поиск документа осуществляется путем сравнения запроса (также закодированного) с перфора-цией пленки. Машину Гольдберга отличало высокое качество механики и оптики: пользо-ватель имел возможность просматривать за час более 100 000 кадров 35-миллиметровой пленки. Статистическая машина Гольдберга, была, по-видимому, первым действующим инструментом, позволяющим автоматизировать поиск в больших массивах данных по их разметке. Кстати сказать, по мнению некоторых исследователей, на идеи Эммануэля Гольдберга опирался Вэннивер Буш, автор знаменитой статьи «Пока мы мыслим» («As We May Think») , фактически написанной в 1939 году, в которой сформулирована идея гипертекста и предсказано появление персонального устройства, хранящего информацию и автоматизирующего процесс ее поиска. Вот как выглядит одна из его идей:
Обсудим устройство персонального назначения. Пусть оно называется Memex и представляет собой что-то вроде автоматизированного архива или библиотеки. Memex хранит для своего хозяина все нужные книги, записи, корреспонденцию. Прибор автома-тизирован до такой степени, что дает ответы на вопросы, заданные в простой форме, — то есть очень гибок в общении.
Скорость ответов высока и не заставляет ждать. Имеется графический экран, кла-виатура и кнопки управления. Когда пользователь ищет нужную книгу, он должен вве-сти ее мнемонический код и нажать нужную для поиска кнопку. Перед ним на экране появится первая страница. Должна быть возможность листать книгу в любом направ-лении. Можно будет остановиться на выбранной странице, а потом пойти по ссылке и найти следующий интересующий материал. При этом всегда можно вернуться к предыдущей странице или одновременно рассматривать несколько страниц.
Появятся энциклопедии с готовыми ссылками для связывания информации и быст-рого поиска. Их можно будет загружать в Memex и искать все, что нужно.
Нередко в литературе можно встретить высказывания, что В. Буш предсказал идею персонального компьютера, но так говорить не совсем правильно, ибо фактическое время написания статьи «As We May Think» относится к тому периоду, когда под руководством В. Буша в Массачусетском технологическом институте был создан действующий макет микрофильмового селектора «Мемекс» .
Если же говорить о поисковых устройствах той эпохи, основанных не на аналоговом, а на цифровом представлении информации (как раз и используемом в современных ком-пьютерах), то следует отметить реализованную на суперпозиционных перфокартах си-стему поиска патентов, которую в 1939 году создал У. Баттен для британского концерна «Imperial chemical industries, Ltd». Ее алгоритм работы был основан на координатном ин-дексировании — представлении содержания документа при помощи списка содержащихся в нем ключевых слов. Эта идея получила дальнейшее развитие в работах американско-го математика Кельвина Муэрса, создавшего и запатентовавшего в 1947 году систему механизированного поиска документов, работавшую на особых картах с вырезами вдоль краев (так называемых «Zato-картах»).
В основе системы также лежал метод координатного индексирования. Именно К. Муэрс стал основоположником научного подхода к информационному поиску, введя в 1950 г. термины «информационный поиск», «информационно-поисковая система», «информационно-поисковый язык», «поисковый образ», «дескриптор», «дескрипторный словарь» и др. С этого времени началось бурное развитие информатики как науки о струк-туре и свойствах семантической информации (прежде всего научной). Важное место в этой науке занимали вопросы информационного поиска, в процессе выполнения которого, соб-ственно говоря, и происходит непосредственное удовлетворение информационных потреб-ностей пользователя. Обобщение накопленных результатов было проведено в монографии сотрудников Всесоюзного института научной и технической информации (ВИНИТИ) , описавших методологические основы теоретической информатики.
Возможности практической реализации алгоритмов информационного поиска рез-ко расширились, когда в середине 1960-х — начале 1970-х годов вместо механических устройств стали достаточно широко применять электронно-вычислительные машины тре-тьего, а затем и четвертого поколений, на базе которых создавались автоматизированные системы сбора, анализа, классификации, хранения, передачи на расстояние, поиска и вы-дачи информации. В частности, исследовательская группа под руководством профессора Гарвардского университета Дж. Солтона разработала систему анализа и извлечения тек-ста SMART (Salton"s Magic Automatic Retriever of Text), в которой были впервые реализо-ваны многие базовые принципы современных поисковых систем. Теоретическое описание и осмысление этих принципов было проведено Дж. Солтоном в монографии , причем особый акцент в ней был сделан на изложении новых подходов к вопросам классификации документов и запросов, анализ содержания, интерактивного поиска и выдачи информа-ции. Эта книга и до сих пор не потеряла своей актуальности.
Технологической основой создания подобных информационно-поисковых систем бы-ло использование так называемых мэйнфреймов — многопользовательских централизо-ванных вычислительных систем, в которых массивы данных и программы их обработки располагались на мощной центральной ЭВМ, а пользовательский доступ осуществлялся посредством алфавитно-цифровых терминалов (дисплеев), работающих под управлением машин-сателлитов. Бытует мнение, что информационно-поисковые системы того времени не получили должного развития из-за недостаточной мощности и памяти тогдашних ЭВМ, так и с отсутствием качественных каналов связи (особенно дальней). Здесь проблемы бы-ли несколько другие. Во-первых, отсутствие универсальных сетевых протоколов, сильно ограничивало удаленный доступ к таким системам. Во-вторых, большая загрузка вычис-лительными задачами не позволяла организовать работу таких систем в круглосуточном режиме. Все это придавало информационно-поисковым системам преимущественно ло-кальный характер.
Не смотря на это, в информационных системах того времени был собран и системати-зирован колоссальный по тем временам объем информации. Например, в Новосибирском ВЦ СО РАН на машинах типа БЭСМ-6 хранилась вся подписках реферативных журна-лов ВИНИТИ, библиографические описания изданий, поступающих в ГПНТБ и большое количество научно-технической документации. Основные проблемы связанные с ее ис-пользованием — это отсутствие интерактивной работы, поскольку, как правило, запрос посылался с терминала, а ответ приходил в виде «километровой» распечатки на АЦПУ. И это была жизненная необходимость, поскольку анализировать ответ за дисплеем не представлялось никакой возможности. Ну а вторая проблема была связана с визуали-зацией материала — практически отсутствовало программное обеспечение позволявшее просматривать информацию в близком к печатному изданию виде.
В 1980-е годы мэйнфреймы стали постепенно вытесняться персональными компьюте-рами, которые позволяли обрабатывать информацию непосредственно на рабочем месте, без связи с центральным процессором, а, кроме того, обладали достаточно мощными (по тем временам) средствами визуализации информации. Это привело к существенному сни-жению интереса к созданию централизованных информационных систем и, как следствие, к приостановке фундаментальных научных исследований в области информационного по-иска, которые возобновились лишь с появлением сети Интернет, приведшим к распреде-ленному хранению информации.

2 Принципы организации информационно-справочных систем
Как уже отмечалось, что созданные в трудах К. Муэрса и Дж. Солтона фундаменталь-ные основы поиска информации являются актуальными и по сей день. Однако здесь есть небольшой нюанс в их использовании. «Классики» называли такие системы Information Retrieval System (IRS). В 1950 - 1970 годах англоязычный термин Information Retrieval (IR) переводили на русский язык как «информационный поиск», а соответственно, си-стемы этого класса называли информационно-поисковыми системами. В этих системах использовались ручные процедуры индексирования документов, создания тезаурусов и дескрипторов. Но, что чрезвычайно важно, эти системы предназначались для выделения информации (именно информации и именно выделения) из разных документов. «Выделе-ние» — это более точное значение слова retrieval. Сейчас в энциклопедиях IR определяется как искусство и наука поиска информации в документах и поиска собственно документов и описывающих документы метаданных в базах данных (в том числе сетевых). Подмно-жеством IR является выделение информации в тексте (Text Retrieval, TR) и выделение информации в документах (Document Retrieval, DR).
Мы напоминаем об этом, чтобы подчеркнуть различие между поиском как автомати-зированной процедурой и выделением требуемой информации в найденных документах. Суть различий состоит в следующем:
. Выделение информации — это деятельность человека, использующего поисковую машину. Она является интерактивной, итерационной и связана с другими видами интеллектуальной деятельности человека.
. Читатель ищет не документы как таковые, а содержащую в них информацию для каких-то собственных целей (обучения, принятия решений и др.).
. Читатель нуждается в доступе к разным источникам данных, чтобы получить все-объемлющее представление об объекте поиска.
. Какими бы совершенными ни были аппаратное и программное обеспечение, исполь-зуемые человеком, они остаются инструментами, а интеллект является атрибутом Читателя.
Наиболее радикальный этап «информационный революции» начался в 1990-е годы. Он был связан с по-настоящему массовым распространением мощных и недорогих пер-сональных компьютеров, которые могли быть подключены в созданную всемирную ком-пьютерную сеть Интернет. Именно сеть Интернет, отличающаяся от печатных изданий оперативностью размещения и доставки информации практически любого характера, а от классических электронных СМИ — возможностью передачи печатного текста, делает все более реальной перспективу создания единого информационного пространства чело-веческой цивилизации.
В настоящее время Интернет является главным источником электронных докумен-тов. Количество документов в сети поддается лишь косвенным, притом явно заниженным оценкам. Так, по состоянию на начало августа 2005 года число документов, проиндекси-рованных поисковой системой Yahoo, превысило 20 миллиардов документов, из них 19,2 миллиарда — текстовые документы, 1,6 миллиарда — изображения и около 50 миллио-нов — аудио- и видеофайлы . При этом, разумеется, нельзя утверждать, что Yahoo индексирует все интернет-документы.
Однако такое обилие потенциально доступных документов сделало особенно актуаль-ной задачу предоставления пользователям сети адекватных средств информационного по-иска, без которых Интернет мог бы превратиться в реальное воплощение «Вавилонской библиотеки». Говоря о средствах информационного поиска в сети Интернет, обычно под-разумевают поисковые системы, предоставляющие возможность поиска информации по всему Интернету (по крайней мере, по всем www-страницам). Такие системы известны всем пользователям Интернета: это Google, Yahoo, MSN и др. (из числа отечественных разработок наиболее популярны Yandex, Rambler и Mail.ru). Однако для поиска докумен-тов, относящихся к той или иной предметной области, пользователи Интернета нередко обращаются к тематическим каталогам интернет-ресурсов — структурированным наборам ссылок на документы соответствующей тематики.
Чтобы описать принципы работы средств информационного поиска, необходимо, преж-де всего, уточнить соответствующую терминологию. Основные термины и определения в области поиска и распространения информации с помощью автоматизированных инфор-мационных систем, а также информационно-поисковых языков регламентированы офи-циальными документами Российской Федерации: государственными стандартами ГОСТ 7.73-96 «Поиск и распространение информации» и ГОСТ 7.74-96 «Информационно-поисковые языки».
Итак, информационно-поисковая система (ИПС) представляет собой совокупность справочно-информационного фонда и технических средств информационного поиска в нем. В свою очередь, справочно-информационный фонд (СИФ) — это совокупность ин-формационных массивов (т. е. упорядоченных совокупностей документов, фактов или све-дений о них) и связанного с ними справочно-поискового аппарата (т. е. данных об адресах хранения документов с определенными поисковыми образами документа). Наконец, поис-ковый образ документа — это текст, состоящий из лексических единиц информационно-поискового языка (т. е. специального формализованного искусственного языка), выра-жающий основное смысловое содержание документа и предназначенный для реализации информационного поиска. Процесс выражения содержания документа на информационно-поисковом языке называется индексированием.
Заметим, что под содержанием документа в данном контексте обычно подразумева-ют не только более или менее краткое изложение того, о чем повествует документ, но и его «библиографические характеристики»: название документа, фамилии его авторов, вы-ходные данные и т. п. Совокупность извлекаемых в процессе индексации характеристик документа вместе с формальным описанием структуры этих характеристик обычно на-зывают метаданными. Более формально, метаданные — это структурированные данные, представляющие собой характеристики описываемых сущностей для целей их идентифи-кации, поиска, оценки, управления ими .
Структурирование данных призвано облегчить поиск документов, ибо одно и то же слово (например «Пушкин») может входить в список авторов документа, в его загла-вие, в аннотацию или даже в выходные данные (город Пушкин в Ленинградской области как место издания документа). Эти случаи могут быть разграничены именно благодаря структурированию метаданных.
Нетрудно понять, что документ становится доступным для поиска с помощью той или иной информационно-поисковой системы, если его метаописание (т. е. совокупность мета-данных) попадает в справочно-информационный фонд этой системы. Но каким образом осуществляются поиск и индексация интернет-документов, заносимых в СИФ? Поиско-вые системы общего назначения используют поисковые роботы (их английское название — «crawler», т. е. «ползун»), которые последовательно просматривают интернет-документы, переходя от одного к другому посредством гиперссылок, и извлекают их метаданные. Ра-зумеется, поисковые роботы периодически просматривают документы, уже занесенные в СИФ информационной системы, чтобы установить, существуют ли они в настоящее время и не претерпели ли они каких-либо существенных изменений. При составлении тематиче-ских каталогов интернет-ресурсов также зачастую используются поисковые роботы, ко-торые, однако, собирают данные о документах лишь с сайтов соответствующей тематики. Сетевые имена таких сайтов, как правило, указываются экспертами в данной предметной области, при этом допускается и непосредственное занесение экспертами сведений об от-дельных интернет-документах. Наконец, некоторые специализированные информационно-поисковые системы создаются исключительно вручную, при этом размер их поисковых массивов может быть весьма внушителен. Так, очень популярная в среде математиков база данных журнала «Zentralblatt MATH» содержит почти 3 миллиона записей — биб-лиографических сведениях (включая довольно подробные аннотации) о математических публикациях, вышедших в свет за последние полтора века. Эти сведения заносятся в базу данных учеными-математиками из разных стран, реферирующими публикации по своей специальности, причем каждой записи соответствует динамически формируемый интернет-документ.
Но всё-таки справочно-информационные фонды большинства информационно-поиско-вых систем, работающих с интернет-документами, пополняются не вручную, а с помощью тех или иных программ, автоматизирующих поиск и индексацию документов. И здесь-то, в процессе индексации документа, проявляется основная проблема использования таких программ: автоматическое структурирование метаданных оказывается весьма непростой задачей. Чтобы убедиться в этом, достаточно просмотреть небольшое число интернет-документов, например, научной тематики. Можно легко увидеть, что в некоторых случа-ях фамилии авторов пишутся перед названием документа, а в некоторых, наоборот, после названия. Каким образом программа должна определять, что именно заносить в полет «авторы» данного документа, а что — в поле название? Заметим, что простейшие ва-рианты решения этой проблемы (типа «дополнить индексирующую программу словарем фамилий») оказываются малоэффективными. И дело не только в необходимости огром-ного (и не существующего на практике) объединенного словаря фамилий разных наций с вариантами транскрипций на других языках. Проблема состоит еще и в том, что многие фамилии (особенно в языках со слабовыраженным изменением словоформ при помощи окончаний) совпадают с «обычными» словами языка. Кроме того, фамилия может яв-ляться названием документа, например книги или статьи биографического характера.
Наличие указанных проблем привело к тому, что обычной практикой универсальных поисковых систем является представление поискового образа документа в виде неструкту-рированного набора ключевых слов — информативных слов, приведенных к стандартной лексикографической форме. Информативными словами, согласно ГОСТу 7.74-96, называ-ются слова, словосочетания или специальные обозначения в тексте документа (или запро-са), выражающие понятия, существенные для передачи содержания документа. Конкрет-ные критерии включения слова или словосочетания к множеству информативных слов зависят от вида ИПС. Так, в универсальных поисковых системах в качестве информатив-ных рассматриваются практически все слова, включая служебные. Напротив, в специа-лизированных информационно-поисковых системах, для которых набор ключевых слов — один из компонентов структуры метаданных документа, множество информативных слов обычно строится на основе предметного указателя соответствующей предметной области (содержащего наряду с одиночными словами и весьма сложные словосочетания), в то вре-мя как слова, относящиеся к «общеупотребительной» лексике, в число информативных не включаются.
Поскольку совершенно очевидны преимущества структурированного описания доку-мента перед неструктурированным (о чем уже говорилось выше), постольку организаци-ями, пытающимися выступать в качестве «законодателе мод» в сети Интернет, прежде всего консорциумом W3C, неоднократно предпринимались попытки предоставить созда-телям интернет-документов возможность явно указывать значения основных элементов метаданных документа, что позволило бы значительно повысить эффективность функци-онирования поисковых роботов. Так, еще в середине 1990-х годов в спецификации языка гипертекстовой разметки документов HTML было четко прописано, что каждый документ обязан иметь ровно один элемент TITLE («название») в поле HEAD («заголовок»). Более то-го, в описании языка HTML появился элемент META, предназначенный для записи парных элементов NAME:CONTENT («название:значение»), описывающих свойства данного докумен-та: фамилия автора, список ключевых слов и т. п.
Заметим, однако, что спецификация языка HTML не предусматривала каких-либо кон-кретных названий для обозначения элементов, содержащих информацию о фамилии ав-тора, ключевых словах и пр. Ввиду этого даже при наличии в индексируемом документе элементов META задача автоматического определения его структуры оставалась труд-норазрешимой. Наиболее известным подходом к ее решению стал предложенный в 1995 году на семинаре, проводившемся Национальным центром суперкомпьютерных приложе-ний (NSCA) в городе Дублин (штат Огайо, США), базовый набор из 15 полей метаданных, предназначенный для описания ресурсов, публикуемых в Интернете. В этот набор вошли такие общие свойства документов, как название, дата публикации, автор, издатель, вла-делец. Таким образом, в любом документе должно было существовать ядро метаданных, о которых заранее известно, как их следует интерпретировать. Эти предложения были опубликованы под рабочим названием Dublin Core metadata, которые впоследствии стали фундаментом проекта Dublin Core Metadata Initiative .
Названные идеи получили дальнейшее развитие в проекте Semantic Web, суть кото-рого заключается в создании сети документов, содержащих метаданные «исходных» до-кументов сети Интернет и существующей параллельно с ними. Эта «параллельная» сеть предназначена специально для построения поисковыми роботами (и другими интеллек-туальными агентами) однозначных логических заключений о свойствах «исходных» до-кументов. Основные принципы создания Semantic Web (до практической реализации ко-торой, впрочем, еще очень далеко) основаны на повсеместном использовании, во-первых, универсальных идентификаторов ресурсов (URI) посредством расширения этого понятия на объекты, недоступные для скачивания из Интернета (персоны, географические сущно-сти и т. п.), а во-вторых — онтологий (т. е. формальных моделей описания тех или иных предметных областей) и языков описания метаданных.
К сожалению, ни один из перечисленных подходов не стал по-настоящему широко распространенным. В этом без труда можно убедиться, просмотрев произвольный набор интернет-документов. Почти наверняка в большинстве из них будут отсутствовать эле-менты META, содержащие фамилии авторов, список ключевых слов и т. п. Причины сложившейся ситуации широко обсуждаются в интернет-сообществе, но, несомненно, к числу основных причин относится «человеческий фактор».
Во-первых, ввиду широкой распространенности интернет-технологий теоретическая подготовка многих создателей интернет-ресурсов оставляет желать лучшего, и они за-частую просто не знают о назначении элемента META в языке HTML. Во-вторых, явное указание значений метаданных — процесс весьма трудоемкий, поэтому даже те создатели ресурсов, которые знают о технологии метаданных, не всегда считают нужным тратить время и силы на работу с ними, тем более что разработчики универсальных поисковых систем, исходя из описанной ситуации, не слишком-то полагаются на возможность авто-матического получения структурированного поискового образа индексируемого докумен-та, ибо процент документов, подробно описанных создателями, весьма невелик. В итоге складывается своеобразный порочный круг, который в ближайшее время вряд ли будет разорван.
В несколько лучшем положении находятся создатели тематических каталогов интер-нет-ресурсов, поскольку количество организаций, работающих в той или иной области че-ловеческой деятельности, а также веб-сайтов, публикующих действительно ценную и/или новую информацию соответствующей тематики, как правило, довольно невелико. Важно отметить, что реальные технологии создания подавляющего большинства сайтов таковы, что однородные документы с одного сайта имеют практически одинаковую html-разметку. При этом неважно, генерируются ли документы динамически (в этом случае однородность разметки — естественное следствие работы соответствующей программы) или же они со-здаются вручную посредством создания копии уже имеющегося документа с последующей заменой текста (что также сохраняет разметку). Данное обстоятельство позволяет авто-матизировать процесс индексации метаданных интернет-документа посредством указания шаблона документов того или иного сайта, т. е. явному указанию команд (тэгов) языка HTML, обрамляющих основные характеристики документа: авторы, название, ключевые слова, аннотация, коды того или иного классификатора и т. п. .

3 Составление поисковых предписаний

Из предыдущего пункта мы получили некоторое представление о том, как устро-ен справочно-информационный фонд ИПС. Чтобы сделать запрос, мы должны, прежде всего, составить поисковый образ запроса, т. е. его формальное представление в терми-нах информационно-поискового языка. После этого составляется поисковое предписание, включающее поисковый образ запроса и указания о логических операциях, подлежащих выполнению в процессе информационного поиска. ИПС сравнивает поисковое предписа-ние с хранящимися в ее справочно-поисковом аппарате поисковыми образами документов (при этом в большинстве поисковых систем ключевые слова по умолчанию приводятся к стандартной лексикографической форме) и выдает сведения: адреса хранения и, как правило, краткие описания, — о документах, поисковые образы которых соответствуют (т. е., фактически, не противоречат) поисковому предписанию.
Например, поисковое предписание для ИПС интернет-магазина, торгующего мужски-ми костюмами, может выглядеть примерно так:
(рост = 176) и (размер = 104) и ((цвет = "черный") или (цвет = "темно-синий"))
и (страна-производитель = не "Китай") и (цена < 7000 руб.)
При этом, коль скоро не указаны значения таких элементов метаданных, как материал и тип костюма (пара или тройка), то подразумевается, что пользователя устраивают любые значения этих элементов метаданных.
Простейшая формальная модель с использованием структурированных метаданных документов выглядит следующим образом. Пусть в справочно-поисковом аппарате ИПС хранится информация о документах di. При этом любой документ di представляется как di =< mjjk >, где mj"fc — принадлежит множеству значений элементов метаданных Mj, k — количество значений (с учетом повторений) соответствующего элемента метаданных в описании документа. Рассмотрим подмножество метаданных Mc, определяющее набор классификационных признаков документов, используемых для составления поискового предписания (с учетом заданных логических операций). Для фиксированного элемента метаданных Mj, где Mj С Mc , множество документов разбивается на классы эквивалент-ности, соответствующие различным значениям этого элемента метаданных.
Будем считать два документа толерантными, если у них совпадает значение хотя бы од-ного из элементов метаданных, входящих в Mc (напомним, что толерантность — отноше-ние, которое обладает свойствами рефлексивности и симметричности, но, вообще говоря, может не обладать, в отличие от отношения эквивалентности, свойством транзитивности). Каждое такое значение порождает класс толерантности .
Рассмотрим всевозможные сочетания значений элементов метаданных, входящих в Mc. Множества документов, обладающие одинаковым набором значений, суть ядра толе-рантности, которые служат классами эквивалентности на множестве документов.
Таким образом, поисковое предписание, содержащее подмножества метаданных, опре-деляющего набор классификационных признаков, и сочетаний значений этих метаданных при помощи логических операций, определяет конкретное ядро толерантности на множе-стве документов, которое и выдается пользователю в качестве ответа на его информаци-онный запрос.
К сожалению, в ИПС общего назначения поисковые образы документов, как уже отме-чалось в предыдущем пункте, структурированы весьма слабо. Обычно пользователь таких систем имеет возможность включить в поисковый образ запроса (точнее, в ту его часть, которую описывает содержание требуемого документа) лишь ключевые слова или словосо-четания, указав при этом, где именно они должны содержаться: в заголовка веб-страницы или в ее тексте. Остальные поля в форме поискового запроса касаются языка документа, региона расположения сервера размещения документа, формата файла, структуры его url-адреса и т. п., т. е. не имеют непосредственного отношения к содержанию документа.
Впрочем, построение более или менее сложного поискового предписания способно вы-звать затруднение у большинства рядовых пользователей, даже если им предоставлен удобный интерфейс, не требующий непосредственного использования языка запросов. Трудности возникают на уровне понимания схем данных и использования логических опе-раторов. В частности, преподавательский опыт одного из авторов показывает, что даже студенты старших курсов, специализирующиеся в области информатики, при выполнении задания типа «сделать запрос, выдающий данные за 3 и 5 октября», нередко связывают даты логическим оператором «И».
Развитыми возможностями построения поисковых предписаний обладают, как прави-ло, специализированные ИПС, справочно-информационный фонд которых содержит хо-рошо структурированные поисковые образы документов, причем возможности поискового интерфейса напрямую зависят от априорно оцениваемой возможности построения рядо-выми пользователями сложных логических запросов. Так, в уже упоминавшейся базе дан-ных журнала «Zentralblatt MATH», предназначено для профессиональных математиков, функция «Расширенный поиск» позволяет соединять в поисковом предписании при помо-щи логических связок до 5 значений элементов медатанных (притом сами эти элементы, с возможными их повторениями выбираются пользователем самостоятельно из общего списка), дополнительно указывая тип искомого документа и временной интервал его пуб-ликации.
И всё же нельзя не отметить, что умение формально записать поисковый запрос, пусть и весьма сложный, — дело, собственно говоря, не слишком-то хитрое, требующее лишь известного опыта и небольших технических навыков. Гораздо нетривиальнее задача пра-вильно выразить свою информационную потребность, т. е. неформально задать «характе-ристики предметной области, значения которых необходимо установить для выполнения поставленной задачи в практической деятельности» (ГОСТ 7.73-96).
Наиболее простая ситуация возникает, когда пользователь хочет найти конкретный документ, адрес хранения которого, однако, неизвестен. В этом случае задание в поиско-вом предписании в качестве ключевых слов имени автора документа и его названия, как правило, позволяют довольно быстро добиться нужного результата, даже если ИПС не предоставляет возможность структурировать вхождение перечисленных ключевых слов применительно к соответствующим полям метаданных. В последнем случае наибольшие проблемы могут возникнуть, если искомый документ относится к разряду «хрестоматий-ных» (как например «Гамлет» У. Шекспира, «Фауст» И.-В. Гёте или «Евгений Онегин» А. С. Пушкина) и существует масса документов, просто упоминающих о нем. Один из эф-фективных приемов решения подобной проблемы состоит в дополнении поискового пред-писания какой-либо достаточно длинной цитатой из текста (по возможности, не самой общеупотребительной).
Однако на практике пользователю обычно требуется найти не какой-то конкретный, заранее известный документ, а некие сведения (факты), знание которых необходимо для решения поставленной задачи (или же для удовлетворения любопытства). Возникающая при этом ситуация напоминает сюжет известной русской сказки «Пойди туда — не знаю куда, принеси то — не знаю что» (впрочем, подобные сказки известны в фольклоре мно-гих народов мира — от Ирландии до Китая ), причем акцент ставится на первой части фразы, поскольку о том, что именно ему нужно, пользователь все-таки имеет некоторое представление. Сказочного Федота-стрельца вел к цели волшебный мячик. А как же сле-дует составить поисковый запрос, чтобы скорее достигнуть поставленной цели?
«Лобовая атака» в форме постановки прямого запроса типа «Какова девичья фамилия жены М.Е.Салтыкова-Щедрина?» обычно не приведет к желаемому результату, посколь-ку современный уровень развития поисковых систем общего назначения не предполагает диалога с пользователем на естественном языке. Отметим, что поставленный выше вопрос — не совсем тривиальный, ибо ответы на «совсем тривиальные» вопросы типа «Где родил-ся М.Е.Салтыков-Щедрин?» поисковые системы обычно всё-таки находят, поскольку по-давляющее большинство биографий писателя начинаются примерно так: «М.Е.Салтыков-Щедрин родился в январе 1826 года в селе Спас-Угол Тверской губернии» (слово «где» как служебное поисковой системой во внимание обычно не принимается). Кроме того, со-здатели некоторых веб-страниц, содержащих часто разыскиваемую в Сети информацию (обычного не научного, а «бытового» характера), иногда включают предполагаемый вид пользовательского запроса (точнее, вопроса) в поисковый образ документа.
Более надежным способом составления поискового предписания представляется вклю-чение в поисковый образ запроса ключевых слов (или словосочетаний), которые, по мне-нию пользователя, непременно должны входить в текст документа, содержащего нужные сведения. Однако здесь возникает следующая дилемма: если включить в поисковый за-прос небольшое количество «наиболее вероятных» слов, то его результатом будут сотни (а то и тысячи) документов, далеко не все из которых будут содержать ответ именно на по-ставленный вопрос. Если же включить в запрос много «предполагаемых» ключевых слов (или даже целую фразу), то мы рискуем получить на выходе пустое множество докумен-тов, поскольку авторы документов требуемой тематики могли описывать интересующий пользователя предмет фразами, несколько отличающимися от заданной в запросе.
Итак, в процессе поиска документов, содержащих некие интересующие нас факты, сто-ит задача сформулировать поисковое предписание таким образом, чтобы получить в ре-зультате его выполнения не пустое множество документов, в котором процент «нужных» документов как можно более велик. Это резко повышает шансы сократить количество до-кументов, просмотренных «впустую», т. е. прежде чем мы наткнемся на «нужный» доку-мент. Проблемы, связанные с получением количественных оценок эффективности поиска, будут рассмотрены ниже.

4 О поиске «по аналогии»

В предыдущем пункте мы рассматривали ситуацию, когда поисковый образ запроса задается пользователем как некое «идеальное представление» о поисковом образе искомо-го документа. Однако, как уже отмечалось в начале статьи, информационные потребности научных работников, когда они в процессе исследования находятся на этапах изучения уже имеющихся в данной области результатов и научного поиска, характеризуются невысокой четкостью осознания и выражения. Опять-таки имеет место ситуация «Пойди туда — не знаю куда, принеси то — не знаю что», однако теперь уже акцент ставится на второй ча-сти фразы, поскольку известно, что описания документов, относящихся к той или иной научной тематике, заносятся в соответствующие реферативные базы данных. С другой стороны, у каждого исследователя за годы его работы образуется картотека библиогра-фических описаний статей, книг и т. д., представляющих для него интерес. Основной критерий их отбора — личные интересы ученого. В настоящее время такие картотеки хранятся, как правило, на электронных носителях.
Таким образом, возникает задача нахождения по данному множеству документов клас-са схожих по содержанию документов (поиск «по аналогии»). В качестве информаци-онного запроса предполагается задание непустого множества документов, а в качестве результата выполнения запроса выдаются документы, каждый из которых в определен-ном смысле близок к одному из документов, входящих в заданное множество. Процесс разбиения множества документов электронной базы на классы, при котором элементы, объединяемые в один класс, имеют большее сходство, нежели элементы, принадлежащие разным классам, называется кластеризацией.
Количественная характеристика меры сходства определяется на множестве докумен-тов D следующим образом:
m: D х D — ,
причем функция m в случае полного сходства принимает значение 1, в случае полного различия — 0. Вычисление меры сходства осуществляется по формуле вида

M(di, d2) = aimi (di, d2), (1)
где i — номер элемента (атрибута) метаданных документа, ai — весовые коэффициенты, причем ai = 1, mi(d1,d2)— мера сходства по i-му элементу (иными словами, по i-й шкале). Поскольку в описываемой ситуации практически все шкалы — номинальные (со-стоящие из дискретных текстовых значений), то мера сходства по i-й шкале определяется следующим образом: если значения i-ых атрибутов документов совпадают, то мера близо-сти равна 1, иначе 0. При этом необходимо учитывать, что значения атрибутов могут быть составными. В таком случае mi = ni1 /ni0, где nio = maxnio(d1),nio(d2), а nio(dj)— общее количество элементов, составляющих значение i-го атрибута документа dj, ni1 — количе-ство совпадающих элементов. Заметим, что в качестве шкал целесообразно использовать следующие элементы метаданных: авторы, ключевые слова, текст аннотации. Кроме того, при задании меры можно принять во внимание тот факт, что значения весовых коэф-фициентов в формуле (1) определяются предполагаемой апостериорной достоверностью данных соответствующей шкалы и в определённых случаях один из коэффициентов мо-жет быть увеличен с пропорциональным уменьшением остальных. Например, полное (или даже «почти полное») совпадение значений атрибута «авторы» документа d1 и документа d2 более весомо в случае, когда количество значений этого атрибута в документе d1 доста-точно велико (по сравнению со случаем, когда документ d1 имеет всего одного автора).
Основная проблема кластеризации документов заключается в таком разнесении доку-ментов по группам, при котором элементы каждой группы были бы настолько сходны друг с другом, чтобы в некоторых случаях можно было пренебречь их индивидуальными особенностями. При кластеризации документов важно прийти к разумному компромис-су относительно размера кластеров, избегая как формирования большого числа очень мелких кластеров (что снижает эффективность кластеризации как выделения множеств схожих документов), так и небольшого количества очень крупных классов (что может вы-звать уменьшение точности поиска). Исследование различных алгоритмов кластеризации документов с целью выявления оптимального алгоритма для разбиения массива записей электронной базы с информацией о научных публикациях, на кластеры, содержащие в себе статьи по сходной тематике, проведено в работе .

5 Оценка эффективности поиска
Два основных понятия, в которых дается оценка эффективности поиска, определены в ГОСТ 7.73-96, причем эти определения остались практически неизменными с 1960-х годов (см. с. 282-283): релевантными называются документы, содержание которых соответ-ствует информационному запросу, а пертинентными — содержание которых соответствует информационной потребности. Разумеется, два этих понятия хотя и близки, но отнюдь не эквивалентны. Источник появления в выдаче нерелевантных документов — ошибки в описаниях и программном коде поисковых систем, а также прочие организационно-технические причины. При этом в тех случаях, когда поиск производится путем задания конкретного поискового запроса, возможно объективно судить о релевантности того или иного документа, вошедшего в выдачу, поскольку причиной выдачи нерелевантных до-кументов (совокупность которого называется поисковым шумом) являются погрешности в индексировании документов (ручном или автоматическом), проявляющиеся, например, во внесении в поисковый образ документа «лишних» слов. Такая ситуация может возник-нуть не только в результате явных ошибок, но и «языковых коллизий». Например, слова «вино» и «вина» имеют в некоторых падежах совпадающие словоформы, вследствие чего в поисковый образ документа, содержащего выражение «в вине», при автоматическом ин-дексировании (которое, как правило, не сопровождается семантическим анализом текста) будут включены оба названных слова. Тем самым при включении в поисковый запрос сло-ва «вино» будут выданы, в том числе, документы, содержащие слово с начальной формой «вина», которые являются, вообще говоря, нерелевантными. Обратите внимание, что при построении примера мы не могли ограничиться простыми омонимами, поскольку, напри-мер, при запросе «лук» релевантными будут документы как об оружии, так и о растении.
В тех же случаях, когда поиск производится «по аналогии», оценка релевантности до-кумента носит более субъективный характер, поскольку такой поиск допускает произвол в способе задания меры сходства, в установлении ее порогового значения, отделяющего «похожие» документы от «непохожих» и т. п. Но даже если мы сочтем все эти парамет-ры неотъемлемой частью поискового предписания, т. е. декларируем их «объективный» (для данного конкретного предписания) характер, то всё равно останется практически неустранимая зависимость результата поиска «по аналогии» от всей совокупности доку-ментов, входящих в информационный массив. Попросту говоря, вывод о схожести объек-та «кошка» с объектом «корова» различается в случае, когда «информационный массив» есть множество лев, корова, и в случае, когда «информационный массив» — корова, кобра (или даже лев, корова, кобра).
Что же касается пертинентности, то понятие это — сугубо субъективное, поскольку потребности (не обязательно информационные) разных людей, пусть даже и выраженные одними и теми же словами-запросами, могут быть весьма различны. Так, потребность в супе с точки зрения среднестатистического русского удовлетворяется посредством щей или борща, а с точки зрения среднестатистического француза — посредством супа-пюре.
Уже из этого примера видно, что пертинентность выдачи может быть повышена по-средством коррекции поискового предписания, формулируемого в соответствии с пред-полагаемым пониманием соответствующей потребности информационной системой (или, если угодно, разработчиками системы). Яркой иллюстрацией этого тезиса служит извест-ный анекдот, в котором на вопрос пролетавших над незнакомой местностью воздухопла-вателей: «Где мы находимся?» прохожий-математик дал абсолютно релевантный, но не пертинентный ответ: «В корзине воздушного шара». Конечно, объектом шутки здесь яв-ляется буквализм математика, но ведь именно такое поведение характерно и для компью-терных алгоритмов. Поэтому правильно сформулированый запрос типа: «Каковы наши географические координаты?» или (если уж ориентироваться как на буквалиста, так и на обычного прохожего): «Вблизи какого населенного пункта мы пролетаем?» мог бы привести к пертинентному ответу.
В заключение перечислим основные количественные характеристики информационно-го поиска:
. коэффициент полноты: отношение числа найденных релевантных документов к об-щему числу релевантных документов, имеющихся в информационном массиве,

Recall = \DretП Dretr\/\Dre{\,
где Drei — множество релевантных документов в информационном массиве, а Dretr — множество найденных документов,
. коэффициент точности: отношение числа найденных релевантных документов к об-щему числу документов в выдаче,

Precision = \DrelП Dretr \/\Dretr \,

Коэффициент шума: отношение числа нерелевантных документов в выдаче к общему числу документов в выдаче,

Noise = \Dnrel П Dretr \/\Dretr \,

Где Dnrei — множество нерелевантных документов в информационном массиве.
Заметим, что ни точность, ни полнота, взятые отдельно, не гарантируют высокого ка-чества поиска. Так, выдача всех документов, имеющихся в информационном массиве, даст значение коэффициента полноты, равное 1, но точность при этом будет невысокой. Напро-тив, если выдан только один документ, и притом релевантный, то коэффициент точности равен 1, но при большом количестве ненайденных релевантных документов коэффициент полноты будет очень мал. Чтобы соблюсти баланс между полнотой и точностью, на прак-тике используют так называемую F-меру (меру Ван Ризбергена), являющуюся средним гармоническим полноты и точности:

F = 2 х Recall х Precision/(Recall + Precision).

Заключение
Итак, мы проделали краткий экскурс в вопросы истории автоматизации информа-ционного поиска, ознакомились с основными принципами работы современных инфор-мационно-поисковых систем и приемами построения поисковых предписаний и, наконец, изложили основные подходы к оценки эффективности поиска. Нетрудно заметить, что со-временное развитие алгоритмов информационного поиска характеризуется усложнением и даже «интеллектуализацией» поисковых алгоритмов. Вероятнее всего, в будущем клю-чевым термином станет раскопка текстов (text mining), иногда называемая аналитикой текстов (text analytics) или раскопкой контента (content mining). А значит, в перспективе мы станем свидетелями конвергенции науки об информации и компьютерной науки.

Список литературы
Арский Ю.М., Гиляревский Р.С., Туров И.С., Черный А.И. Инфосфера: Информаци-онные структуры, системы и процессы в науке и обществе // М.: ВИНИТИ, 1996.
Барахнин В.Б., Нехаева В.А., Федотов А.М. О задании меры сходства для класте-ризации текстовых документов // Вестник НГУ. Сер. Информационные технологии.
— 2008. — Т. 6, Вып. 1. — С. 3-9.
Барахнин В.Б., Федотов А.М. Ресурсы сети Интернет как объект научного исследо-вания // Известия вузов. Проблемы полиграфии и издательского дела. — 2008. — №
1. — С. 70-77.
Ляпунов А.А. О соотношении понятий материя, энергия и информация //В кн.: Ляпунов А.А. Проблемы теоретической и прикладной кибернетики. — Новосибирск:
Наука, 1980. — С. 320-323.
Михайлов А.И., Черный А.И, Гиляревский Р.С. Основы информатики. М: Наука,
1968.
Народные русские сказки под редкцией А.Н.Афанасьева в трех томах. Том II. М: Наука, 1985.
Отле П. Библиотека, библиография, документация: Избранные труды пионера ин-форматики / Пер. с англ. и фр. М.: ФАИР-ПРЕСС, Пашков дом, 2004.
Федотов А.М. Парадоксы информационных технологий // Вестник НГУ. Сер. Ин-формационные технологии. -- 2008. -- Т. 6, вып. 2. —- С. 3-14.
Черняк Л. Статистическая машина Эмануэля Гольдберга // Открытые системы, 2004, № 03 (http://www.osp.ru/os/2004/03/184081/).
Шрейдер Ю.А. Равенство, сходство, порядок. М.: Наука, 1971.
Шокин Ю.И., Федотов А.М., Гуськов А.Е., Жижимов О.Л., Столяров С.В. Элек-тронные библиотеки — путь интеграции информационных ресурсов Сибирского от-деления РАН // Вестник КазНУ, специальный выпуск. - г. Алматы, Р. Казахстан, Казахский национальный университет им. аль-Фараби. - 2005 г., № 2. - С. 115-127.
Bush V. As We May Think // The Atlantic Monthly, July, 1945 (http://www.theatlantic.com/doc/194507/bush).
Dublin Core Metadata Initiative (http://dublincore.org/).
Mayer T. Our Blog is Growing Up — And So Has Our Index (http://www.ysearchblog.com/archives/000172.html).
Otlet P. Traite de documentation. Bruxelles: Ed. Mundaneum, 1934.
Price D.J. de Solla. Little Science, Big Science. N.Y., L.: Columbia Univ. Press, 1963. / Рус. пер. Прайс Д. Малая наука, Большая наука // Наука о науке. М.: Прогресс, 1966. С. 281-385.
Salton G. Dynamic Information and Library Processing. N.J.: Prentice Hall, 1975. / Рус. пер. Солтон Дж. Динамические библиотечно-информационные системы. М.: Мир,
1979.
Тask Force on Metadata. Summary Report. // American Library Association. 1999. Т. June.

Хорхе Франсиско Исидоро Луис Борхес Асеведо — Jorge Francisco Isidoro Luis Borges Acevedo.
Информация и информационные ресурсы существовали всегда, но эти ресурсы из-за своей специфич-ности не рассматривались ранее как отдельная экономическая категория, несмотря на то, информация всегда использовалась людьми для управления и решения насущных задач.
Здесь мы не будем говорить о крупнейших библиотеках древности, поскольку в них проблемы поиска не были столь актуальны.
Дерек Де Солла Прайс — Derek J. de Solla Price.
Поль Отле — Paul Otlet.
Термин «информатика» принадлежал когда-то скромной науке, ведавшей именно информацией, в основном научно-технической. Термин «информатика» (франц. informatique) родился в 1960 году, условно происходит от французских слов information (информация) и automatique (автоматизация) и дословно означает «информационная автоматизация».
Борхес был профессиональным библиотекарем (библиографом) и даже одно время занимал пост ди-ректора Национальной библиотеки Аргентины.
Эммануэль Гольдберг — Emanuel Goldberg — немецкий инженер, выходец из России.
Вэннивер Буш — (Vannevar Bush.
Кельвин Муэрс — Calvin Northrup Mooers.
пДжерард Солтон — Gerard Salton.

Федеральное агентство по образованию

Смоленский государственный университет

Технологии поиска информации в сети Интернет.

Смоленск

Введение

Любой, кто пытался когда-нибудь найти нужную информацию в Интернете, наверняка согласится с тем, что этот процесс похож на поиск иголки в стоге сена. Глобальная сеть Internet содержит огромный объем информации, который стремительно увеличивается с каждым днем. В силу этого часто оказывается, что задача нахождения необходимой информации в этом информационном океане является чрезвычайно сложной и нужно уметь эффективно использовать различные поисковые системы (программы поиска информации в сети). Необходимо учесть, что "поиск - это искусство".

1. Классификация поисковых систем

Тематические каталоги и автоматические индексы различаются, прежде всего, по тому, как формируются и пополняются их базы данных: принимают ли в этом процессе участие люди, или все происходит совершенно автоматически.

Базы данных тематических каталогов составляются и систематически пополняются экспертами в соответствующих областях на основании новых Web-документов, обнаруженных в Internet специальными поисковыми программами. Тематический каталог представляет пользователю Internet некоторую древовидную структуру категорий (разделов и подразделов), на верхнем уровне которой собраны самые общие понятия, такие как Наука, Искусство, Бизнес и т. п., а элементы самого нижнего уровня представляют собой ссылки на отдельные Web-страницы и серверы вместе с кратким описанием их содержимого. По этому иерархическому каталогу можно путешествовать, начиная с более общих категорий (понятий) к более узким, специализированным.

Например, для нахождения информации о состоянии научных исследований по теории суперструн можно спуститься вниз по следующей "лестнице" понятий:

Science (Наука)

Physics (Физика)

Theoretical Physics (Теоретическая физика)

Theories (Теории)

String Theories (Теорииструн)

В результате будет получен список сайтов, среди которых наибольший интерес представляет сайт Superstrings. Щелкнув мышью на гиперссылке Superstrings, мы попадаем на home page сайта, с соответствующим заголовком, на котором можно найти on-line учебник по теории суперструн, различные ссылки для дальнейшего чтения, глоссарий по суперструнам и т.д.

Главным достоинством тематических каталогов является большая ценность получаемой пользователем информации, что обеспечивается присутствием "человеческого фактора" в процессе анализа и сортировки новых Web-страниц. С другой стороны, тематические каталоги имеют существенный недостаток, связанный опять же с человеческим фактором, ибо из-за ограниченных возможностей человека их базы данных охватывают лишь небольшую часть всего информационного Web-пространства (менее 1 %). Таким образом, несмотря на всю полезность тематических каталогов, использование лишь поисковых систем этого вида часто оказывается явно недостаточным.

Сводная таблица избранных предметных каталогов

В отличие от тематических каталогов, базы данных для автоматических индексов создаются и пополняются полностью автоматически некоторыми специальными, внутренними поисковыми программами-роботами, которые в круглосуточном режиме просматривают Internet-узлы (сайты) в поисках вновь появившихся Web-документов. Из каждого такого документа робот извлекает все содержащиеся в нем новые ссылки и добавляет их в свою базу адресов, в результате чего у программы-робота возникает возможность просмотра еще некоторого количества новых для него Web-документов. В каждом новом Web-документе робот анализирует все входящие в него слова и в разделе базы данных, соответствующем каждому данному слову, запоминается адрес (URL) документа, где это слово встретилось. Таким образом, база данных, создаваемая автоматическим индексом, фактически хранит сведения о том, в каких Web-документах содержаться те или иные слова. В отличие от тематических каталогов, автоматические индексы охватывают до 25 % общего Web-пространства.

Автоматический индекс имеет отдельную поисковую систему для обеспечения интерфейса с пользователем. Эта система может, просматривая базу данных, по заданному набору ключевых слов находить и выдавать на экран пользовательского компьютера адреса и краткую информацию обо всех Web-страницах, которые содержат данный набор ключевых слов. Таким образом, автоматический индекс состоит из трех частей: программы-робота, собираемой этим роботом базы данных и интерфейса для поиска в этой базе данных. Именно с последней составляющей и работает пользователь. В силу такой организации, автоматический индекс не делает какой-либо классификации или оценивания информации.

Интерфейс автоматических индексов позволяет пользователю задать некоторый набор ключевых слов, которые с его точки зрения, являются характерными для искомых им документов, и позволяют, таким образом, найти достаточно ограниченное число потенциально относящихся к делу Web-страниц. В качестве таковых слов могут быть использованы некоторые специфические термины и их комбинации, достаточно редкие фамилии и т. д.

Успех поиска нужной информации в значительной степени определяется именно удачным выбором ключевых слов, ибо в противном случае поисковая система может выдать многие тысячи и миллионы ссылок на не относящиеся к делу Web-документы.

Следует иметь ввиду, что начинающего пользователя подстерегает много разных неожиданностей, иногда доходящих до анекдотических ситуаций.

Если для автоматических индексов поиск по ключевым словам является единственным средством нахождения необходимой информации, то в тематических каталогах (например, в Yahoo!) это средство является альтернативным способом поиска наряду с путешествием по системе (дереву) вложенных друг в друга категорий.

Некоторой разновидностью поисковых служб являются рейтинговые службы. Они предоставляют клиенту готовый список некоторых ссылок, к которым обращались наиболее часто другие пользователи сети Internet. Когда речь идет о темах, имеющих общественный интерес, таких как новости, музыка и т. д., такие рекомендации, полученные статистическим методом, являются весьма удобными и полезными. Такие услуги, в частности, обеспечивает отечественная служба Rambler.

2. Приемы поиска

2.1. Простой поиск

Каждая поисковая система (ПС) предоставляет свои методы поиска и имеет свои особенности в правилах записи комбинаций ключевых слов. Однако есть общие элементы одинаково справедливые для большинства поисковых систем. Обычно все ПС допускают поиск Web-документов по ключевым словам, которые являются характерными для искомого документа. Выбор таких слов часто является нетривиальной задачей.