In­fo­r­ma­tion retrieval: a la búsqueda del saber

Vivimos en la sociedad de la in­fo­r­ma­ción. Los datos, los hechos y el saber en general han adquirido una im­po­r­ta­n­cia mucho mayor de la que tenían hace apenas medio siglo. Si­mu­l­tá­nea­me­n­te, y gracias a Internet, cada vez hay más in­fo­r­ma­ción di­s­po­ni­ble, in­fo­r­ma­ción que se ha de consultar. Es aquí donde entran en juego los bu­s­ca­do­res. Pero ¿cómo se­le­c­cio­nan los datos? La respuesta es la llamada in­fo­r­ma­tion retrieval (IR), re­cu­pe­ra­ción de in­fo­r­ma­ción (RI) en español, di­s­ci­pli­na de la in­fo­r­má­ti­ca y de las ciencias de la in­fo­r­ma­ción, pero que también abarca la psi­co­lo­gía cognitiva o la li­n­güí­s­ti­ca entre otros campos, muy relevante para los bu­s­ca­do­res. Los motores de búsqueda se basan en complejos sistemas de re­cu­pe­ra­ción de la in­fo­r­ma­ción para reconocer las in­te­n­cio­nes que hay detrás de ciertas consultas y encontrar los datos re­le­va­n­tes que las responden.

Los bu­s­ca­do­res más conocidos se basan en la lógica booleana, que consiste en co­ne­xio­nes lógicas con las cuales los usuarios pueden precisar y ajustar la búsqueda. Los elementos AND, OR y NOT equi­va­le­n­tes a las co­n­ju­n­cio­nes “Y” y “O” y a la negación “NO”, o los símbolos equi­va­le­n­tes ∧, ∨ y ¬, permiten es­pe­ci­fi­car una consulta para que los dos términos co­n­su­l­ta­dos aparezcan en la solución o des­es­ti­mar el contenido que contenga un cierto vocablo. Este es el principio en que se basan los ope­ra­do­res de Google. El in­co­n­ve­nie­n­te de este método es que no prevé ningún tipo de cla­si­fi­ca­ción de los re­su­l­ta­dos, en­tre­ga­n­do los re­su­l­ta­dos en un orden puramente casual.

Desde un punto de vista ma­te­má­ti­co, la in­fo­r­ma­ción también puede re­pre­se­n­tar­se como un conjunto de vectores. En el modelo espacio vectorial los términos (terms) co­n­s­ti­tu­yen los ejes de coor­de­na­das y tanto los do­cu­me­n­tos como las consultas obtienen valores es­pe­cí­fi­cos en relación con ellos, de forma que pueden re­pre­se­n­tar­se como puntos o vectores dentro de un espacio vectorial. A co­n­ti­nua­ción se comparan los vectores y aquel más cercano a la consulta co­rre­s­po­n­de al contenido que debería mostrarse en primer lugar. El in­co­n­ve­nie­n­te es que si no se utilizan los ope­ra­do­res booleanos, no se puede excluir ningún término.

Este modelo recurre a la teoría de la pro­ba­bi­li­dad. A cada contenido se le asigna un valor de pro­ba­bi­li­dad y los re­su­l­ta­dos se ordenan en función de la pro­ba­bi­li­dad con la que se ajustan a la intención de búsqueda. Para ca­l­cu­lar­la, el modelo utiliza el llamado feedback de re­le­va­n­cia, por el cual se anima a los usuarios a valorar ma­nua­l­me­n­te los re­su­l­ta­dos, de tal modo que en la próxima búsqueda idéntica el modelo pueda mostrar una lista diferente de re­su­l­ta­dos, quizá mejor que la primera.

El problema de este método es que parte de dos co­n­di­cio­nes que no siempre se dan: por un lado, da por supuesto que el usuario está dispuesto a colaborar en el sistema con su opinión; por el otro, que los usuarios co­n­si­de­ran los re­su­l­ta­dos de forma in­de­pe­n­die­n­te, es decir, que evalúan cada contenido como si fuera el primero que leen a propósito de la consulta, cuando en la práctica los usuarios valoran la utilidad de la in­fo­r­ma­ción en función del contenido que ya han visto.

Sin contar en base a qué modelo, la re­cu­pe­ra­ción de in­fo­r­ma­ción utiliza di­fe­re­n­tes métodos y técnicas de trabajo con el único objetivo de fa­ci­li­tar­le al usuario la búsqueda de in­fo­r­ma­ción y en­tre­gar­le re­su­l­ta­dos re­le­va­n­tes.

La re­le­va­n­cia de un término para una consulta se calcula teniendo en cuenta tanto la fre­cue­n­cia de su aparición en un texto como en una colección de do­cu­me­n­tos. El valor se acorta como tf-idf.

Gracias a la suma de ambos análisis los sistemas de re­cu­pe­ra­ción de in­fo­r­ma­ción pueden entregar mejores re­su­l­ta­dos que si solo se aplicara uno de ellos: si solo fuera relevante la fre­cue­n­cia de ocu­rre­n­cia de un término, entonces la búsqueda “La casa de la pradera” evaluaría como muy valiosos todos los do­cu­me­n­tos en que aparecen en abu­n­da­n­cia “la” y “de”. Pero evi­de­n­te­me­n­te los re­su­l­ta­dos serían poco (o nada) sa­ti­s­fa­c­to­rios. Si se integra la técnica de fre­cue­n­cia inversa del documento, “casa” y “pradera” se co­n­si­de­ran más re­le­va­n­tes para la consulta y se ide­n­ti­fi­can como los au­té­n­ti­cos términos de búsqueda.

Un gran problema a la hora de obtener in­fo­r­ma­ción es muchas veces el usuario mismo, pues una consulta inexacta o in­co­m­ple­ta puede dar como resultado una in­fo­r­ma­ción errónea o in­su­fi­cie­n­te. Con la intención de evitarlo, los cie­n­tí­fi­cos de la in­fo­r­ma­ción han in­tro­du­ci­do la query mo­di­fi­ca­tion (mo­di­fi­ca­ción de consulta), por la cual el sistema amplía la consulta por sí mismo empleando, por ejemplo, sinónimos, de forma que se obtengan re­su­l­ta­dos más certeros. El sistema recurre para ello a diversos di­c­cio­na­rios y al feedback de los usuarios, entre otras cosas. Pero para no depender demasiado de la eventual co­la­bo­ra­ción por parte de los usuarios, puede aplicarse un llamado seu­do­fee­d­ba­ck: con este método el sistema extrae términos em­pa­re­n­ta­dos de los mejores re­su­l­ta­dos y los evalúa en función de su re­le­va­n­cia para la búsqueda.

Las búsquedas pueden mejorarse o ampliarse con las si­guie­n­tes técnicas:

• Eliminar palabras vacías: las palabras vacías reciben esta de­no­mi­na­ción porque no co­n­tri­bu­yen al contenido del texto o lo hacen muy poco. Se trata de los artículos, pro­no­m­bres y pre­po­si­cio­nes que conviene descartar por no ser re­pre­se­n­ta­ti­vos para el contenido.

• Ide­n­ti­fi­car frases y grupos de palabras: con ello se consigue que el buscador también considere re­le­va­n­tes los términos que forman un grupo semántico.

• Reducir a morfemas: la búsqueda es más efectiva si las palabras se reducen a su unidad mínima, el morfema, porque si no, no apa­re­ce­ría co­rre­c­ta­me­n­te fle­xio­na­da en la lista de re­su­l­ta­dos.

• Recurrir a un tesauro (di­c­cio­na­rio): un sistema de re­cu­pe­ra­ción de in­fo­r­ma­ción también debería co­n­si­de­rar re­le­va­n­tes a los sinónimos de las palabras que aparecen en el documento. Solo así puede ga­ra­n­ti­zar­se que el usuario encuentra lo que está buscando.

Ambos valores se sitúan entre 0 y 1, siendo 1 la pe­r­fe­c­ción. En la práctica no es posible obtener re­su­l­ta­dos perfectos en ambas ecua­cio­nes a la vez: un aumento en la exhau­s­ti­vi­dad de los re­su­l­ta­dos va en de­tri­me­n­to de la precisión y a la inversa.

También puede ca­l­cu­lar­se el llamado fall-out o pro­po­si­ción de fallo, que refleja la pro­po­r­ción de do­cu­me­n­tos no re­le­va­n­tes que son re­cu­pe­ra­dos y lo determina la relación entre los do­cu­me­n­tos irre­le­va­n­tes en­co­n­tra­dos y los irre­le­va­n­tes que no se en­cue­n­tran.

Tanto la exhau­s­ti­vi­dad como la precisión se pueden re­pre­se­n­tar en un eje de coor­de­na­das en el que cada uno de los valores se co­rre­s­po­n­de con un eje.

“Tim y Oli en el zoo” es pro­ba­ble­me­n­te un resultado más acertado para una búsqueda de un texto con jirafas y elefantes que “Daniel y el circo chiflado”, así que es el que debería aparecer en un primer puesto en los re­su­l­ta­dos. Este método solo funciona cuando los términos se han fijado (in­di­za­ción co­n­tro­la­da), que es lo que ocurre en el caso de las bases de datos es­pe­cia­li­za­das, cuando el usuario ha sido instruido en el uso de la máscara de búsqueda y sabe con qué palabras buscar. En este caso se podría modificar la búsqueda (query mo­di­fi­ca­tion) para incluir, además de “elefante” otras palabras como “pa­qui­de­r­mo”, así como di­fe­re­n­tes variantes gra­má­ti­cas que en­tre­ga­rían re­su­l­ta­dos positivos.