查看“Ir-2025-spring”的源代码


= 信息检索综合实践 =

李正华

* 学生：计22计科图灵班 27人
* 助教：李星宇
* 时间：周二 6-9节（14:00-17:30）（1-17周）
* 地点：理工楼238

== 上课基本要求 ==
* 不能做的事情：打游戏、看课程无关视频、刷网页
* 认真读作业要求，按时交作业。csteaching
* 不能抄袭别人或网上的，自己做；不要把自己的作业给别人

== 课程建议 ==
* 每个作业，截止时间后，把成绩发给大家，并用ppt给大家讲一下批作业发现的问题，题目分析
* 上课期间：请大家积极提问。遇到大家都无法理解的公共问题，我会补充讲解
* 非上课时间提问
** 建议同学们在群里提问（包括但不限于代码的bug、不理解算法、作业资源和提交等），由其他同学帮助解答；
** 群里的提问如果其他同学也无法回答，可以私信助教（仅限xxx，如周三晚上7点到9点，星宇增加）；


== 计算成绩的规则和说明 ==
*实验作业:70-80分
** 一系列作业，每个作业10-20分
** 必须按照规定时间，按照规定格式要求，将实验报告+源代码，提交到csteaching

* 期末面对面小测验：10分（待定）
** 考察课程相关的基础知识，看看作业是否是自己做的

* 平时成绩：10-20分
** 不能迟到、早退，特殊情况必须请假，并带辅导员签字的假条；
** 点名时，如果发现名单上没有你的名字，及时提出

== 提交作业说明 ==
* 网址：[http://csteaching.suda.edu.cn csteaching]
* <font color='red>作业迟交了则最终成绩会按一定比例缩减</font>
* 包含两部分
** 实验报告（pdf文件，<font color='red>请把word转为pdf</font>）
*** 请按照实验模版[[:文件:ir-2022-spring-report.doc]]，认真填写个人信息、实验题目、实验内容等
*** 不要大段粘贴代码，最多可以粘贴核心的一小段代码，<font color='red>粘贴大段代码会扣分</font>
*** 写清楚自己的解决思路，尤其是遇到的难点和如何解决
*** 建议可以画流程图或者写伪代码。
*** 解决思路的流程图中是以文字为主还是以代码为主？报告中不要直接放代码。文字为主，不在于写得长，而在于写清楚，表明你确实做了、想了。
*** 问：流程图可以改成自然语言描述或者是伪代码吗？答：流程图也可以画的很high-level的。大家自由发挥。也可以画到纸上然后拍照截图。模块化思维 大问题分解小问题 。
*** <font color='red>将程序运行结果截图，没有运行结果会扣分</font>，中间的输出结果/文件可以截图一部分
** 附件（.zip压缩包）
*** 源代码：代码不要都团在一起，请用空行对代码进行分隔，并简单注释代码块的功能
*** readme.txt文件：说明如何运行你的程序，需要什么环境，如windows或linux，python版本如python3.5
* 提交前自我检查
** 是否有包含readme.txt文件解释如何编译执行你的程序。 <font color='red>如没有该文件，将减分。</font>
** 是否认真完成实验报告
** 是否可以按照readme.txt正确编译和运行程序
** 是否包含别人的代码，<font color='red>抄袭和被抄袭的都是0分</font>
** 期末可能会用软件做自动抄袭检查
** 等这学期最后几周，我们可能统一对所有的作业做自动查重，到时候也会查出一些问题。 <font color='red>请大家一定要自己做，编程能力差一点，就做得简单一点，能力强，就做得好一点。但是一定要自己做。 </font>
* 提交作业命名规则
** 实验报告（姓名学号.pdf）
** 附件（姓名学号.zip）

== 实验报告word模板 ==
* [[:文件:ir-2022-spring-report.doc]]

== 具体课程（含作业） == 

{| class="wikitable"
! style="text-align:left;"| 作业
! 成绩比例
! 评分要点
|-
| 分字
| 5%
| 按字节读取并判断高位
|-
| 单词计数
| 5%
| 无
|-
| 最大匹配分词
| 10%
| 算法和评价正确实现
|-
| 网页正文抽取
| 10%
| 按要求完成两个任务
|-
| 倒排索引
| 10%
| 高效创建倒排文件
|-
| 布尔查询
| 10%
| inter和union的复杂度为O(n)，复杂查询用堆栈判断优先级
|-
| 网页相关性排序
| 15%
| 高效实现相似度计算
|-
| 爬虫和某机构主页检索系统
| 15%
| 实现爬虫，系统架构设计良好，说明文档详细，UI完整
|-
| <font color='red>基于深度学习的检索系统</font>
| 20%
| Contriever：重现部分实验结果；自己实现评价指标；自己设计、标注 10 个 query，对比向量空间模型VSM 和Contriever 的效果，给出评价结果。建议：VSM 给 100 个结果，然后 Contriever 重排序，然后人工标注，具体如何标注更合理，自己考虑好。
|-
|}

== 信息检索课程介绍 ==
* [http://hlt.suda.edu.cn/~zhli/teach/ir-2019-spring/ir-introduction-v0.4.pdf PPT下载]
* 2022春视频和图片：
** 低画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/course-intro-low-quality.mp4 课程介绍]
** 高画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/course-intro-part-1.mp4 课程介绍-part1]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/course-intro-part-2.mp4 课程介绍-part2]
** 图片：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/course-intro.jpg 图]

* <font color='red>和2022年课程的区别</font>：增加了'''基于深度学习的检索'''的内容，删除'''词性标注'''相关内容

== 信息检索系统介绍 ==
* 2022春视频：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/intro-to-info-retrieval.mp4 信息检索系统介绍]
= 具体作业 =

== 作业1：分字（C++语言） ==
* 2022春视频和图片：
** 低画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/split-char-low-quality.mp4 作业1]
** 高画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/split-char-part-1.mp4 作业1-part1]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/split-char-part-2.mp4 作业1-part2]
** 图片：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/split-char-figure-1.jpg 图1]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/split-char-figure-2.jpg 图2]
* UTF-8数据：[[文件:sentence.txt]]
* UFT-8编码规则：
 <nowiki>
1字节 0xxxxxxx
2字节 110xxxxx 10xxxxxx
3字节 1110xxxx 10xxxxxx 10xxxxxx
4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx </nowiki>

== 作业2：单词计数 ==
* 课件 [http://hlt.suda.edu.cn/~zhli/teach/ir-2019-spring/word-count.pdf PPT下载]
* 2022春视频：
** 低画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/word-count-low-quality.mp4 作业2]
** 高画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/word-count-2.mp4 作业2] 
* 数据 [http://hlt.suda.edu.cn/~zhli/teach/ir-2019-spring/sample-en.txt txt下载]

== 作业3：最大匹配分词 == 
* 作业提交时间截止时间：第5周3.25下课之前提交
* 课件：前向最大匹配 PDF文件--[[文件:Word-seg-max-match.pdf]]；PPT文件--[[文件:Word-seg-max-match.zip]]
* 2022春视频和图片：
** 低画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/word-seg-max-match-low-quality.mp4 作业3]
** 高画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/word-seg-max-match.mp4 作业3] 
** 图片：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/word-seg-max-match.jpg 图] 

* 数据下载：
** 字典：[[文件:dict.txt]] 
** 待分词：[[文件:sentence.txt]] 
** 正确答案（人工标注的，你的模型的预测结果要和这个文件进行对比，从而得到P/R/F值）：[[文件:answer.txt]]；
** 正向最大匹配分词模型的预测结果（如果你的程序写对了，那么应该和这个结果一模一样）：[[文件:out.txt]]

 <nowiki>
*正确实验结果
**正确识别的词数：20263
**识别出的总体个数：20397
**测试集中的总体个数：20454
**正确率：0.99343
**召回率：0.99066
**F值：0.99204 </nowiki>

== 作业4：网页正文抽取 ==

* 作业提交时间截止时间：x.x下课前提交
* 2022春视频： [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/web-page-content-extraction.mp4 作业4]
* 课件（<font color='red'>请严格按照课件要求完成作业</font>）： 
** [[:文件:ir-2022-spring-web-page-content-extraction.ppt]]
** [[:文件:ir-2022-spring-web-page-content-extraction.pdf]]
* 数据
** 1.html和2.html [[:文件:ir-2022-spring-example-html.zip]]
** data-1k：1000个html文件 [[:文件:ir-2022-spring-all-html.zip]] （如果文件出现乱码，请到qq群里下载）

== 作业5：倒排索引 == 

* 作业提交时间截止时间：第8周4.15下课前提交
* 课件： 
** 仅供参考，与本次作业要求无关：[[:文件:ir-2022-spring-inverted-index-simplified.ppt]]
*  2022春视频和图片： 
** 视频：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/inverted-index.mp4 作业5]
** 图片：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/inverted-index.jpg 图]
* 数据
** 停用词表：[https://github.com/goto456/stopwords github网址] [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/stopwords.zip 苏大本地下载] 
** 结巴词典：[https://github.com/fxsjy/jieba/tree/master/extra_dict github网址] [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/word_dict.zip 苏大本地下载]
** 结巴词典文件每一行有3列，为：单词、词频、词性，只需要使用第一列的单词即可，使用small进行调试，提交作业用big

== 作业6：布尔查询 ==

* 作业提交时间截止时间：x.x下课前提交
*  2022春视频和图片： 
** 视频：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/bool-query.mp4 作业6]
** 图片：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/bool-query.jpg 图]
* 作业提交说明：
** 附件中给出本次作业使用的倒排索引文件（可以在作业5的基础上进行优化），<font color="red">不需要提供构建倒排索引的代码，但在实验报告中给出倒排索引文件的说明，参考侯皓文同学</font>
** 交集、并集操作用inter()、union()这两个函数单独封装
** <font color="red">对4个语句</font> 'A', 'B', 'A AND B', 'A OR B' （A、B为自定义的查询词） 分别进行一次查询，每次的查询结果单独保存到一个txt文件中，以查询语句作为文件名（如 'A AND B.txt'`）
** 结果展示部分，文件按名字字母序排序：指字符序（用内置的sort即可），先用pinyin包转成拼音再排序也可以，不要自行改变文件名（如 阿大.txt -> 34.txt）
** 实现更复杂的查询，如：'A AND B OR C' 可以加分
** 查询词的加重（用#标记）不做强制要求，但做了加分

== 作业7：基于向量空间模型和tf-idf权重的网页相关性排序 ==

* 作业提交时间截止时间：xx之前提交
** 视频：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/web-page-rank.mp4 作业7]
** 图片：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/web-page-rank-1.jpg 图片1]  [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/web-page-rank-2.jpg 图片2]
* 作业要求：
** 如果无法理解向量空间模型，可以选择做tf-idf作业，但最多只给50分
** 实现基于向量空间模型的网页相关性排序
** 给定一个查询Q：可以是手动用空格分好词的"李正华 招收 学生"；也可以是未分词的"李正华招收学生"，之后用最大匹配分词分好词 -> "李正华 招收 学生"
** 注释：一个给定分词的查询Q实际上等价于布尔查询OR："李正华 招收 学生" <=> "李正华 OR 招收 OR 学生"
* 作业提交说明：
** 附件中给出本任务所使用的倒排索引文件
** 在实验报告中说明对于余弦相似度计算中的：di[k]、q[k]、|di|、|q|是如何处理或存储的
** 附件中给出一个查询Q的结果，保存为文本文件"Q.txt"中，格式为：

  文档名1（余弦相似度Sim） # Sim值可不除以|q|的值，一个例子： 阿鲁巴岛.txt(0.64)
  句子1
  句子2
  ...
  文档名2（余弦相似度Sim）
  句子1
  句子2
  ...
  ......

== 作业8：爬虫和某机构主页检索系统（综合项目） ==

* 作业提交时间截止时间：xx之前提交
** 视频：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/web-spider.mp4 作业8]
** PPT：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/web-spider.pptx PPT]
* 任务一：用<font color="red">爬虫模块</font>尽量完整地爬下来一个机构对应的所有静态网页（html或htm后缀），保存到磁盘中：
** 苏大、苏大计算机学院（规模小一点）都可以
** orphan网页不用考虑
* 任务二：基于爬取的网页，做一个完整的检索系统（以后可以考虑不断完善、定时更新）：
** 1. <font color="red">网页正文提取模块</font>（同作业4的实战部分一致）
** 2. 处理网页正文的<font color="red">分句、分词模块</font>（可以用作业3的最大匹配分词，也可以用第三方的分词器，如jieba）
** 3. <font color="red">倒排索引模块</font>：基于处理好的网页正文，建立倒排索引文件（同作业5一致）
** 4. <font color="red">网页排序模块</font>：实现网页相关性排序（同作业7一致）
** 5. <font color="red">查询模块</font>：提供查询接口，用户输入查询词后显示网页名（暂定为网页的title），和包含查询词的句子，查询词进行highlight处理（如#查询词#）。查询接口可以用命令行实现，提供前端UI界面（Web或Application都可以）会获得加分。

注意：把网页源文件（html文件）保存好，避免重复爬。例如优化了网页正文提取模块、或突然想用一个更好的分词器

* 作业提交说明：
** 源代码：任务一和任务二的所有代码都要提交，每个模块（共6个，在上方已用红色标出）在readme中指明在哪个python文件中实现的
** 处理好的网页数据（可选）：原始网页，提取出并分好句、分好词的网页正文，若网页数据特别大的话可以不要
** 在实验报告中将三项统计信息放到表格中：网页（文档）数、句子数、单词数
** 倒排索引文件（必备）
** 说明文档：(每个模块的)实现的功能，如何使用，接口等，内容不限

== 作业9：深度学习方法&检索结果的评价 ==

TODO

== 时间表 ==


 <nowiki>
2.25 第1周
3.18 第4周
3.25 第5周
4.1 第6周
4.29 第10周
5.6 第11周
5.27 第14周
6.3 第15周
6.17 第17周

1	08:00-08:45
2	08:50-09:35
3	09:55-10:40
4	10:45-11:30
5	11:35-12:20
6	14:00-14:45
7	14:50-15:35 【休息5分钟，+15分钟】
8	15:55-16:40 
9	16:45-17:30 【17:15】   </nowiki>