In any retrieval model that assumes

In any retrieval model that assumes relevance is binary, there will be two sets of
documents, the relevant documents and the non-relevant documents, for each
query. Given a new document, the task of a search engine could be described as
deciding whether the document belongs in the relevant set or the non-relevant2
set. That is, the system should classify the document as relevant or non-relevant,
and retrieve it if it is relevant.
Given some way of calculating the probability that the document is relevant
and the probability that it is non-relevant, then it would seem reasonable to classify
the document into the set that has the highest probability. In other words,we would decide that a documentDis relevant if P(R|D) > P(NR|D), where
P(R|D) is a conditional probability representing the probability of relevance
given the representation of that document, and P(NR|D) is the conditional
probability of non-relevance (Figure 7.3). This is known as the Bayes Decision
Rule, and a system that classifies documents this way is called a Bayes classifier.
In Chapter 9, we discuss other applications of classification (such as spam filtering)
and other classification techniques, but here we focus on the ranking algorithm
that results from this probabilistic retrieval model based on classification.

ผลลัพธ์ (ไทย) 1:

ในการดึงใดๆ รุ่นสมมติเกี่ยวข้องเป็นไบนารี จะมีสองชุดเอกสาร เอกสารเกี่ยวข้อง และ เอกสารที่ไม่เกี่ยวข้อง สำหรับแต่ละการสอบถาม ได้รับเอกสารใหม่ งานของเครื่องมือค้นหาสามารถอธิบายเป็นตัดสินใจว่า เอกสารอยู่ในชุดที่เกี่ยวข้องหรือไม่-relevant2ตั้งค่า นั่นคือ ระบบควรจัดประเภทเอกสารที่เกี่ยวข้อง หรือไม่เกี่ยว ข้องและเรียกมันว่าเกี่ยวข้องกำหนดบางวิธีการคำนวณความเป็นไปได้ว่าเอกสารที่เกี่ยวข้องและความน่าเป็นที่มันไม่เกี่ยวข้อง แล้วมันจะดูเหมือนสมเหตุสมผลในการจัดประเภทเอกสารเป็นชุดที่มีความเป็นไปได้สูงที่สุด ในคำอื่น ๆ เราจะตัดสินใจว่า ถ้าเกี่ยวข้อง documentDis P(R| D) > P(NR| ง) ที่P(R| D) เป็นความน่าเป็นเงื่อนไขที่แสดงถึงความเป็นไปได้ของความเกี่ยวข้องให้แสดงเอกสารที่ และ P(NR| ง) เป็นเงื่อนไขน่าจะไม่เกี่ยวข้อง (รูปที่ 7.3) นี้เรียกว่าการตัดสินใจของ Bayesกฎ และระบบที่ใช้จัดประเภทเอกสารด้วยวิธีนี้จะเรียกว่าเป็นลักษณนามของ Bayesในบทที่ 9 เราหารือใช้งานอื่น ๆ ของการจัดประเภท (เช่นการกรองสแปม)และเทคนิคการจัดประเภทอื่น ๆ แต่ที่นี่เราเน้นอัลกอริทึมการจัดอันดับว่า ผลลัพธ์จากรูปแบบนี้น่าจะเรียกตามจัดประเภท

ผลลัพธ์ (ไทย) 2:

ในรูปแบบการดึงใด ๆ ที่ถือว่าเป็นความสัมพันธ์กันไบนารีจะมีสองชุดของ
เอกสารเอกสารที่เกี่ยวข้องและเอกสารที่ไม่เกี่ยวข้องสำหรับแต่ละ
แบบสอบถาม ได้รับเอกสารใหม่การทำงานของเครื่องมือค้นหาสามารถอธิบายได้ว่า
การตัดสินใจว่าเอกสารที่อยู่ในชุดที่เกี่ยวข้องหรือไม่ relevant2
ชุด นั่นคือระบบควรแยกประเภทเอกสารที่มีความเกี่ยวข้องหรือไม่เกี่ยวข้อง
และเรียกมันถ้ามันมีความเกี่ยวข้อง.
ให้วิธีการคำนวณความน่าจะเป็นว่าเอกสารที่มีความเกี่ยวข้องบาง
และความน่าจะเป็นว่ามันไม่เกี่ยวข้องแล้วมันจะดูเหมือน เหมาะสมที่จะจัด
เอกสารเป็นชุดที่มีความน่าจะเป็นสูงสุด ในคำอื่น ๆ ที่เราจะตัดสินใจว่า documentDis เกี่ยวข้องหาก P (R | D)> P (NR | D) ที่
P (R | D) ความน่าจะเป็นเงื่อนไขที่เป็นตัวแทนของความน่าจะเป็นของความเกี่ยวข้อง
ได้รับการเป็นตัวแทนของเอกสารนั้นและ P (NR | D) เป็นเงื่อนไข
น่าจะเป็นของที่ไม่ใช่ความสัมพันธ์กัน (รูปที่ 7.3) นี้เรียกว่าการตัดสินใจ Bayes
กฎและระบบที่จัดประเภทเอกสารวิธีการนี้เรียกว่าลักษณนามเบส์ได้.
ในบทที่ 9 เราจะหารือถึงโปรแกรมอื่น ๆ ของการจำแนกประเภท (เช่นการกรองสแปม)
และเทคนิคการจัดหมวดหมู่อื่น ๆ แต่ที่นี่เรามุ่งเน้นไปที่ วิธีการจัดอันดับ
ว่าเป็นผลมาจากรูปแบบการดึงนี้น่าจะขึ้นอยู่กับการจัดหมวดหมู่

ผลลัพธ์ (ไทย) 3:

ในการดึงแบบที่ถือว่าเป็นความเกี่ยวข้องเลขฐานสองจะมีสองชุดเอกสาร , เอกสารที่เกี่ยวข้องและไม่เกี่ยวข้อง เอกสารสำหรับแต่ละสอบถาม ให้เอกสารใหม่ , งานของเครื่องมือค้นหาอาจจะอธิบายเป็นตัดสินใจว่า เอกสารอยู่ในชุด non-relevant2 ที่เกี่ยวข้องหรือชุด นั่นคือ ระบบควรจัดเอกสารที่เกี่ยวข้องหรือไม่ ที่เกี่ยวข้องและเรียกมันว่ามันเกี่ยวได้รับบางวิธีคำนวณความน่าจะเป็นที่เอกสารที่เกี่ยวข้องและความน่าจะเป็นที่มันจะไม่เกี่ยวข้อง มันก็จะดูสมเหตุสมผลที่จะจำแนกเอกสารเป็นชุดที่มีความน่าจะเป็นสูงสุด ในคำอื่น ๆเราก็ตัดสินใจว่า documentdis เกี่ยวข้องถ้า P ( r | D ) > P ( NR | D ) ที่P ( r | D ) เป็นเงื่อนไขความน่าจะเป็นไปได้ที่เป็นตัวแทนของความน่าจะเป็นที่เกี่ยวข้องได้รับการเป็นตัวแทนของเอกสารนั้น และ P ( NR | D ) เป็นเงื่อนไขความน่าจะเป็นที่ไม่ความเกี่ยวข้อง ( รูปที่ 20 ) นี้เป็นที่รู้จักกันเป็นการตัดสินใจของ Bayesการปกครองและระบบที่ประมวลเอกสารวิธีนี้เรียกว่า Bayes ลักษณนามในบทที่ 9 เราหารือเกี่ยวกับโปรแกรมอื่น ๆของการจัดหมวดหมู่ ( เช่นการกรองสแปม )และเทคนิคการจำแนกประเภทอื่น ๆ แต่ที่นี่เราเน้นขั้นตอนวิธีการจัดอันดับผลลัพธ์จากการค้นคืนแบบตามการจำแนก