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.