1 LBD LOCAL: Un Sistema para la Recuperación de Documentos con Referencias Geográficas Laboratorio de Bases de Datos Universidade da Coruña A Coruña, España Miguel R. Luaces, José R. Paramá, Oscar Pedreira, Diego Seco

2 5 de Marzo de 2008II Jornadas de SIG Libre - Girona2/30 Organización Introducción Motivación Trabajo relacionado Arquitectura Estructura de indexación Tipos de consultas soportadas Demo Conclusiones y futuros desarrollos

3 5 de Marzo de 2008II Jornadas de SIG Libre - Girona3/30 Organización Introducción Motivación Trabajo relacionado Arquitectura Estructura de indexación Tipos de consultas soportadas Demo Conclusiones y futuros desarrollos

4 5 de Marzo de 2008II Jornadas de SIG Libre - Girona4/30 Introducción Dos campos de investigación muy activos: — Geographic Information Systems (GIS) EIEL (http://www.dicoruna.es/webeiel)http://www.dicoruna.es/webeiel — Information Retrieval (IR) Biblioteca Virtual Galega (http://bvg.udc.es)http://bvg.udc.es GISIR GIR Recuperar documentos relevantes temática y geográficamente respondiendo a consultas de la forma

5 5 de Marzo de 2008II Jornadas de SIG Libre - Girona5/30 Organización Introducción Motivación Trabajo relacionado Arquitectura Estructura de indexación Tipos de consultas soportadas Demo Conclusiones y futuros desarrollos

6 5 de Marzo de 2008II Jornadas de SIG Libre - Girona6/30 Motivación Muchos documentos almacenados en bibliotecas digitales y bases de datos documentales incluyen referencias geográficas — Prensa, Web, IDEs, … — “…las Jornadas de SIG Libre celebradas en Girona en marzo de 2007...” Pocas estructuras de indexación y algoritmos de recuperación explotan las referencias geográficas Las propuestas recientes no tienen en cuenta algunas particularidades específicas del espacio geográfico — Naturaleza jerárquica del espacio geográfico — Relaciones topológicas entre los objetos

7 5 de Marzo de 2008II Jornadas de SIG Libre - Girona7/30 Organización Introducción Motivación Trabajo relacionado Arquitectura Estructura de indexación Tipos de consultas soportadas Demo Conclusiones y futuros desarrollos

8 5 de Marzo de 2008II Jornadas de SIG Libre - Girona8/30 Trabajo relacionado Indexación de texto: Índice Invertido — Ignoran completamente las referencias geográficas Indexación espacial: R-Tree — No tienen en cuenta la jerarquía del espacio Propuestas para combinarlos (proyecto SPIRIT): — Text-First (primero filtrado textual y luego espacial) — Geo-First (primero filtrado espacial y luego textual) — No tienen en cuenta las relaciones entre los objetos geográficos que están indexando Descripción del espacio geográfico: Ontología — Empleadas en GIR para realizar query expansion, elaboración de rankings de relevancia y anotación de recursos web — Ningún intento de combinarlas con otros tipos de índices para obtener una estructura híbrida

9 5 de Marzo de 2008II Jornadas de SIG Libre - Girona9/30 Organización Introducción Motivación Trabajo relacionado Arquitectura Estructura de indexación Tipos de consultas soportadas Demo Conclusiones y futuros desarrollos

10 5 de Marzo de 2008II Jornadas de SIG Libre - Girona10/30 Arquitectura

11 5 de Marzo de 2008II Jornadas de SIG Libre - Girona11/30 Arquitectura Abstracción de documentos — Documentos diferentes: Diferentes formatos de archivo (texto plano, XML, etc.) Diferentes esquemas de contenido — Representación abstracta de esos documentos: Documento representado como agregado de Campos Idea similar en el motor de búsqueda textual Lucene Posibilidad de indexación espacial

12 5 de Marzo de 2008II Jornadas de SIG Libre - Girona12/30 Arquitectura

13 5 de Marzo de 2008II Jornadas de SIG Libre - Girona13/30 Arquitectura Construcción de la estructura de indexación — Indexación textual Lucene — Indexación espacial Obtención de posibles topónimos  Análisis Lingüístico: Named-Entity Recognition Geo-referenciación de esos topónimos  Servicio de Ontología del Espacio-Geográfico

14 5 de Marzo de 2008II Jornadas de SIG Libre - Girona14/30 Arquitectura

15 5 de Marzo de 2008II Jornadas de SIG Libre - Girona15/30 Organización Introducción Motivación Trabajo relacionado Arquitectura Estructura de indexación Tipos de consultas soportadas Demo Conclusiones y futuros desarrollos

16 5 de Marzo de 2008II Jornadas de SIG Libre - Girona16/30 Estructura de indexación Índice Invertido Tabla Hash de Nombres de Lugar …… hotel1,3,7,8,12,… mar3,5,6,9,10,… …… …… España Alemania …… DocIds2,3,…

17 5 de Marzo de 2008II Jornadas de SIG Libre - Girona17/30 Estructura de indexación Toma como base una ontología Árbol compuesto por nodos que representan topónimos interconectados por medio de relaciones de contenido — Si la lista de nodos hijo es muy larga se emplea un R-Tree Estructuras auxiliares: — Tabla hash de nombre de lugar a posición en el árbol — Índice Invertido tradicional Ventajas: — Procesado eficiente tanto de consultas textuales como espaciales — Soporte para consultas combinadas — Actualizaciones y optimizaciones independientes en cada índice Inconvenientes: — Árbol posiblemente desbalanceado — Estructura estática

18 5 de Marzo de 2008II Jornadas de SIG Libre - Girona18/30 Organización Introducción Motivación Trabajo relacionado Arquitectura Estructura de indexación Tipos de consultas soportadas Demo Conclusiones y futuros desarrollos

19 5 de Marzo de 2008II Jornadas de SIG Libre - Girona19/30 Tipos de consultas soportadas Consultas puramente textuales — “recuperar todos los documentos donde aparezcan las palabras hotel y mar” — ¿Cómo las resolvemos? Índice textual Consultas puramente espaciales — “recuperar todos los documentos que se refieran a la siguiente área geográfica” — ¿Cómo las resolvemos? Descenso en la estructura + refinado del resultado El mismo algoritmo empleado con índices espaciales

20 5 de Marzo de 2008II Jornadas de SIG Libre - Girona20/30 Tipos de consultas soportadas Consultas textuales con nombres de lugar — “recuperar todos los documentos con la palabra hotel referidos a España” — ¿Cómo las resolvemos? Ejemplo — Ahorro de tiempo evitando parte del recorrido en el árbol

21 5 de Marzo de 2008II Jornadas de SIG Libre - Girona21/30 Tipos de consultas soportadas …… hotel1,3,7,8,12,… sea3,5,6,9,10,… …… Inverted Index Europe Asia … Spain Germany MadridGalicia … … Index Structure …… Spain Germany …… Place Name Hash Table Text Result Spatial Result Query Result DocIds2,3,… DocIds5,7,… DocIds12,14,… …… hotel1,3,7,8,12,… sea3,5,6,9,10,… …… Text Result1,3,7,8,12,… Spatial Result2,3,5,7,12,14,… Query Result3,7,12,… Text Result1,3,7,8,12,… Spatial Result2,3,5,7,12,14,… Query Result Text Result1,3,7,8,12,… Spatial Result2,3,5,7,… Query Result Text Result1,3,7,8,12,… Spatial Result Query Result Text Result1,3,7,8,12,… Spatial Result2,3,… Query Result …… Spain Germany …… Spain GaliciaMadrid Text Result1,3,7,8,12,… Spatial Result2,3,5,7,12,14,… Query Result3,7,12,…

22 5 de Marzo de 2008II Jornadas de SIG Libre - Girona22/30 Tipos de consultas soportadas Consultas textuales sobre un área geográfica — “recuperar todos los documentos con la palabra hotel que se refieren a la siguiente área geográfica” — ¿Cómo las resolvemos? Ejemplo

23 5 de Marzo de 2008II Jornadas de SIG Libre - Girona23/30 Tipos de consultas soportadas …… hotel1,3,7,8,12,… sea3,5,6,9,10,… …… Inverted Index Europe Asia … Spain Portugal MadridGalicia … … Index Structure Text Result Spatial Result Query Result …… hotel1,3,7,8,12,… sea3,5,6,9,10,… …… Text Result1,3,7,8,12,… Spatial Result Query Result Text Result1,3,7,8,12,… Spatial Result12,14,… Query Result Query Window Europe Portugal Spain Galicia Coruña … DocIds12,14,… Text Result1,3,7,8,12,… Spatial Result12,14,… Query Result12,… Text Result1,3,7,8,12,… Spatial Result12,14,… Query Result12,…

24 5 de Marzo de 2008II Jornadas de SIG Libre - Girona24/30 Tipos de consultas soportadas Otra ventaja: EXPANSIÓN DE CONSULTAS — “recuperar todos los documentos referidos a España” — ¿Cómo las resolvemos? El Servicio de Evaluación de Consultas descubrirá que España es una referencia geográfica La Tabla Hash de Nombres de Lugar localizará rápidamente el nodo interno que representa a España Todos los documentos asociados con ese nodo forman parte del resultado Todos los documentos asociados con el subárbol forman parte del resultado — El resultado contiene, además de aquellos documentos que incluyen el término España, todos los documentos que contienen el nombre de una división administrativa incluida en España

25 5 de Marzo de 2008II Jornadas de SIG Libre - Girona25/30 Organización Introducción Motivación Trabajo relacionado Arquitectura Estructura de indexación Tipos de consultas soportadas Demo Conclusiones y futuros desarrollos

26 Demo 5 de Marzo de 2008II Jornadas de SIG Libre - Girona26/30

27 5 de Marzo de 2008II Jornadas de SIG Libre - Girona27/30 Organización Introducción Motivación Trabajo relacionado Arquitectura Estructura de indexación Tipos de consultas soportadas Demo Conclusiones y futuros desarrollos

28 5 de Marzo de 2008II Jornadas de SIG Libre - Girona28/30 Conclusiones y futuros desarrollos Conclusiones: — Arquitectura de sistema para recuperación de información geográfica — Estructura de indexación formada por un índice textual, un índice espacial y una ontología — Resolución de nuevos tipos de consultas

29 Conclusiones y futuros desarrollos Trabajo futuro: — OpenLayers + WMS — Evaluación del prototipo — Desambiguación de topónimos — Implementación de algoritmos de ranking — Inclusión de otros tipos de relaciones (ej. Adyacencia) — Liberar el código 5 de Marzo de 2008II Jornadas de SIG Libre - Girona29/30

30 GRACIAS POR SU ATENCIÓN