булевская или двоичнаямодель (boolean model) – модель поиска, опирающаяся на операции пересечения, объединения и вычитания множеств;
векторная модель – модель информационного поиска, рассматривающая документы и запросы как векторы в пространстве слов, а релевантность как расстояние между ними;
вероятностная модель – модель информационного поиска, рассматривающая релевантность как вероятность соответствия данного документа запросу на основании вероятностей соответствия слов данного документа идеальному ответу;
внетекстовые (внестраничные) критерии (off-page) – критерии ранжирования документов в поисковых системах, учитыващие факторы, не содержащиеся в тексте самого документа и не извлекаемые оттуда никаким образом;
входные страницы(doorways, hallways) – страницы, созданные для искусственного повышения ранга в поисковых системах (поискового спама). При попадании на них пользователя перенаправляют на целевую страницу;
графематический анализ, лексический анализ, токенизация (tokenization, lexical analysis) – выделение в тексте слов, чисел, и иных токенов, в том числе, например, нахождение границ предложений;
дизамбигуация, таггинг (tagging, part of speech disambiguation) - выбор одного из нескольких омонимов c помощью контекста; в английском языке часто сводится к автоматическому назначению грамматической категории «часть речи»;
дубликаты(duplicates) – разные документы с идентичным, с точки зрения пользователя, содержанием;
приблизительные дубликаты (near duplicates) - в отличие от точных дубликатов, содержат незначительные отличия;
иллюзия свежести– эффект кажущейся свежести, достигаемый поисковыми системами в интернете за счет более регулярного обхода тех документов, которые чаще находятся пользователями;
инвертированный файл,инверсный файл, инвертированный индекс, инвертированный список (inverted file) – индекс поисковой системы, в котором перечислены слова коллекции документов, а для каждого слова перечислены все места, в которых оно встретилось;
индекс цитирования (citation index) – число упоминаний (цитирований) научной статьи, в традиционной библиографической науке рассчитывается за промежуток времени, например, за год;
индексирование, индекс, индексация (indexing) – процесс составления или приписывания указателя (индекса) – служебной структуры данных, необходимой для последующего поиска. Латентно-семантическим индексированием называется запатентованный алгоритм поиска по смыслу, идентичный факторному анализу. Основан на сингулярном разложении матрицы связи слов с документамиl
информационный поиск (Information Retrieval, IR) – поиск неструктурированной информации, единицой представления которой является документ произвольных форматов. Предметом поиска выступает информационная потребность пользователя, неформально выраженная в поисковом запросе. И критерий поиска, и его результаты недетермированы. Этими признаками информационный поиск отличается от «поиска данных», который оперирует набором формально заданных предикатов, имеет дело со структурированной информацией и чей результат всегда детерминирован. Теория информационного поиска изучает все составляющие процесса поиска, а именно, предварительную обработку текста (индексирование), обработку и исполнение запроса, ранжирование, пользовательский интерфейс и обратную связь;
лемматизация, нормализация(lemmatization) – приведение формы слова к словарному виду, то есть лемме;
обратная встречаемость или частота в документах(inverted document frequency, IDF) – показатель поисковой ценности слова (его различительной силы); обратная говорят, потому что при вычислении этого показателя в знаменателе дроби обычно стоит число документов, содержащих данное слово;
обратная связь, псевдо-обратная связь– отклик пользователей на результат поиска, их суждения о релевантности найденных документов, зафиксированные поисковой системой и использующиеся, например, для итеративной модификации запроса. Следует отличать от псевдо-обратной связи – техники модификации запроса, в которой несколько первых найденных документов автоматически считаются релевантными;
основа – часть слова, общая для набора его словообразовательных и словоизменительных (чаще) форм;
подпись, сигнатура (signature) – множество хеш-значений слов некоторого блока текста. При поиске по методу сигнатур все сигнатуры всех блоков коллекции просматриваются последовательно в поисках совпадений с хеш-значениями слов запроса;
поиск по смыслу – алгоритм информационного поиска, способный находить документы, не содержащие слов запроса;
поиск похожих документов (similar document search)– задача информационного поиска, в которой в качестве запроса выступает сам документ и необходимо найти документы, максимально напоминающие данный;
поисковая система, информационно-поисковая система, ИПС, поисковая машина, машина поиска, «поисковик» (search engine, SE) – программа, предназначенная для поиска информации, обычно текстовых документов;
поисковый запрос, предписание (query) – обычно строчка текста;
полисемия, омонимия, многозначность, омография (polysemy, homography) - наличие нескольких значений у одного и того же слова;
полнота, охват (recall) – доля релевантного материала, заключенного в ответе поисковой системы, по отношению ко всему релевантному материалу в коллекции;
прюнинг(pruning) – отсечение заведомо нерелевантных документов при поиске с целью ускорения выполнения запроса;
прямой поиск– поиск непосредственно по тексту документов, без предварительной обработки (без индексирования);
различительная сила слова или контрастность термина (term specificity, term discriminating power) – степень ширины или узости слова. Слишком широкие термины в поиске приносят слишком много информации, при это существенная часть ее бесполезна. Слишком узкие термины помогают найти слишком мало документов, хотя и более точных;
регулярное выражение, шаблон, маска (regualr expression, pattern) – способ записи поискового предписания, позволяющий определять пожелания к искомому слову, его возможные написания, ошибки и т.д. В широком смысле – язык, позволяющий задавать запросы неограниченной сложности;
словоизменение(inflection) – образование формы определенного грамматического значения, обычно обязательного в данном грамматическом контексте, принадлежащей к фиксированному набору форм (парадигме), характерного для слов данного типа. В отличие от словообразования никогда не приводит к смене типа и порождает предсказуемое значение. Словоизменение имен называют склонением (declension), а глаголов – спряжением (conjugation);
словообразование (derivation) – образование слова или основы из другого слова или основы. Чаще приводит к смене типа и к образованию слов, имеющих идеосинкразическое значение;
спам поисковых систем, накрутка поисковых систем, спамдексинг (spam) – попытка воздействовать на результат информационного поиска со стороны авторов документов. К спаму относится также клоакинг (cloaking) – техника поискового спама, состоящая в распознании авторами документов робота (индексирующего агента) поисковой системы и генерации для него специального содержания, принципиально отличающегося от содержания, выдаваемого пользователю. Ещё одним видом спама является непотизм: – вид спама поисковых систем, установка авторами документов взаимных ссылок с единственной целью поднять свой ранг в результатах поиска;
стемминг – поцесс выделения основы слова;
стоп-слова (stop-words) – те союзы, предлоги и другие частотные слова, которые данная поисковая система исключила из процесса индексирования и поиска для повышения своей производительности и/или точности поиска;
суффиксные деревья, суффиксные массивы (suffix trees, suffix arrays, PAT-arrays) – индекс, основанный на представлении всех значимых суффиксов текста в структуре данных, известной как бор (trie). Суффиксом в этом индексе называю любую «подстроку», начинающуюся с некоторой позиции текста (текст рассматривается как одна непрерывная строка) и продолжающуюся до его конца. В реальных приложениях длина суффиксов ограничена, а индексируются только значимые позиции – например, начала слов. Этот индекс позволяет выполнять более сложные запросы, чем индекс, построенный на инвертированных файлах;
точность(precision) - доля релевантного материала в ответе поисковой системы;
хеш-значение (hash-value) – значение хеш-функции (hash-function), преобразующей данные произвольной длины (обычно, строчку) в число фиксированного порядка;
частота (слова) в документах, встречаемость в документах, документная частота (document frequency) – число документов в коллекции, содержащих данное слово;
частота термина (term frequency, TF) – частота употреблений слова в документе;
шингл (shingle) – хеш-значение непрерывной последовательности слов текста фиксированной длины;
статическая популярность (PageRank) – алгоритм расчета статической (глобальной) популярности страницы в интернете, назван в честь одного из авторов - Лоуренса Пейджа. Соответствует вероятности попадания пользователя на страницу в модели случайного блуждания;
TF*IDF –численная мера соответствия слова и документа в векторной модели; тем больше, чем относительно чаще слово встретилось в документе и относительно реже в коллекции.