Ir-2022-spring

来自SUDA-HLT
跳到导航 跳到搜索

信息检索课程设计（Comprehensive Practice on Information Retrieval）Course Resources

Teacher: 李正华

Teach Assistant: 侯洋...

课程交流学习群（qq） 群 号: 见学院通知

2022春季学期1-17周 周一5-8节 理工楼315（21级计科图领班，21级计算机科技）


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，通过聊天室或语音交流。遇到大家都无法理解的公共问题，我会补充讲解（同时录视频）
  • 提问规则：
    • 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；
    • 私信助教的时间原则上限制在周一下午上课期间，周四晚上7点到9点

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：csteaching
  • 作业提交截止日期前一天会进行通知，作业迟交了则最终成绩会按一定比例缩减
  • 在规定时间内提交作业，包含两部分
    • 实验报告（word或pdf）
      • 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，粘贴大段代码会扣分
      • 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 。
      • 将程序运行结果截图，没有运行结果会扣分，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。如没有该文件，将减分。
    • 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，抄袭和被抄袭的都是0分
    • 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。 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。
  • 提交作业命名规则
    • 实验报告（姓名学号.doc或姓名学号.pdf）
    • 附件（姓名学号.zip）
  • 作业提交时间
    • 作业1：暂定第10周
    • 作业2：2022年3月13日22:00之前提交
    • 作业3：2022年3月20日22:00之前提交
    • 作业4：2022年4月3日22:00之前提交
    • 作业5：2022年4月10日22:00之前提交
    • 作业6：2022年4月17日22:00之前提交

实验报告word模板

具体课程（含作业）

信息检索课程介绍

信息检索系统介绍

作业1：分字（C++语言）

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

作业2：单词计数

作业3：最大匹配分词

  • 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
*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

作业4：网页正文抽取

作业5：倒排索引

作业6：布尔查询

  • 作业提交时间截止时间：4.17号22:00之前提交
  • 2022春视频和图片：

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：【给两周时间？】号22:00之前提交

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：【给三周或1个月时间？】号22:00之前提交

作业9：词义标注（这个作业会插入到作业列表中，在我们的系统上做，自动会评分）

  • 作业提交时间截止时间：【最长两周时间】

下面的不用管了

== 作业7：网页排序 ==

* 课件 
** 网页排序原理课件  [http://hlt.suda.edu.cn/yingli/teach/ir-2019-spring/web-page-rank.ppt PPT下载]  
** 网页排序实验作业课件  [http://hlt.suda.edu.cn/yingli/teach/ir-2019-spring/web-page-rank-task.ppt PPT下载]  
* 数据
** 数据下载   [http://hlt.suda.edu.cn/yingli/teach/ir-2019-spring/files-web-page.tar.gz data下载]
* 作业提交时间截止时间：2019.5.14上机课之前


== 作业9：综合练习：苏大主页搜索、或者计算机学院主页搜索 ==
* 两个作业任选一个，前一个作业更难，分数会相对高一些
* 把之前所有的内容串起来
* 桌面搜索
** 对整个操作系统所有的文件名建立倒排
** 用户输入一些关键字，可以返回相关（根据tf-idf排序）的文件
** 不要求分析文件内容，只看文件名即可。
* 苏大网页搜索
** 需要爬取所有的苏大网页，从苏大主页开始，根据锚文本和链接递归爬取
** 正文抽取
** 建立倒排
** 支持查询和排序


== 作业8：有监督隐马尔可夫模型HMM：用于词性标注 ==
* 上课时间：2019.5.14
* 极大似然估计推导
** 极大似然估计的由来，公式推导见 [http://hlt.suda.edu.cn/yingli/teach/ir-2019-spring/max-eq.pdf PDF下载] 
**  HMM模型中极大似然估计的由来，公式推导见 [http://hlt.suda.edu.cn/yingli/teach/ir-2019-spring/hmm-eq.pdf PDF下载] 
* 隐马尔科夫模型（HMM）  
** Collins教授的课件 [http://hlt.suda.edu.cn/yingli/teach/ir-2019-spring/collins-tagging.pdf PDF下载]，介绍至三元HMM模型最大似然参数估计，未讲Viterbi解码。
** 李老师的课件 [http://hlt.suda.edu.cn/yingli/teach/ir-2019-spring/HMM-v2.pptx PPT下载]，李老师新增一页PPT [http://hlt.suda.edu.cn/yingli/teach/ir-2019-spring/zhli-add.ppt PPT下载]
** Viterbi解码的一个动画例子[http://hlt.suda.edu.cn/yingli/teach/ir-2019-spring/hmm-zhli.pdf PDF下载]
* 数据
** 数据下载   [http://hlt.suda.edu.cn/yingli/teach/ir-2019-spring/data.tar.gz data下载]




== 作业 5：中文多粒度分词标注 ==
* 上课时间：2019.4.16
* 中文多粒度分词标注系统网址：http://101.132.166.249/anno-sys/index.php?action=index
* 多粒度分词标注规范  [http://hlt.suda.edu.cn/yingli/teach/ir-2019-spring/MWS_guideline.pdf PDF下载]  
* 多粒度分词介绍以及标注系统使用说明  [http://hlt.suda.edu.cn/yingli/teach/ir-2019-spring/MWS.pptx PPT下载]
* 作业完成时间：2019.4.26上午12：00以前。
*作业完成要求：完成110句的标注以及所有的学习任务。
取自“http://hlt.suda.edu.cn/index.php?title=Ir-2022-spring&oldid=4641”