MMDBMS: aspetti da considerare. Basi di dati multimediali. Basi di dati multimediali. MMDBMS: aspetti da considerare. Basi di dati multimediali

Transcript

1 1 Basi di dati multimediali MMDBMS: aspetti da considerare i dati sono tipicamente non strutturati si vuole analizzare il contenuto come è possibile rappresentare il contenuto di un documento multimediale? Come si fa a capire che un immagine contiene una certa persona Query un linguaggio di query per MMDBMS deve avere caratteristiche particolari query processing deve analizzare il contenuto degli oggetti 4 Basi di dati multimediali MMDBMS: aspetti da considerare 2 Nuove applicazioni richiedono la rappresentazione e la gestione di dati non tradizionali: testi arbitrari immagini audio video dati tradizionali (relazionali, orientati ad oggetti) 5 Memorizzazione: quali supporti utilizzare? (dischi, CD-ROM, nastri) che operazioni supportare: non solo lettura/scrittura ma anche (video/audio) playback rewind fast forward pause Indici: come indicizzare gli oggetti multimediali? Analizzeremo solo i primi due aspetti Basi di dati multimediali 3 Un sistema di gestione dati multimediali (MMDBMS) permette la rappresentazione e la gestione di diversi tipi di dati, potenzialmente rappresentati secondo diversi formati Un MMDBMS deve permettere di: rappresentare dati corrispondenti a diverse tipologie di media interrogare dati rappresentati in formati diversi in modo uniforme interrogare dati in formati diversi simultaneamente nel contesto della stessa query recuperare gli oggetti dal supporto su cui risiedono, compatibilmente con il tipo di media che rappresentano 6 Un oggetto multimediale in genere può essere composto da diversi sotto-oggetti, ciascuno relativo ad un particolare media le relazioni tra oggetti e sotto-oggetti possono essere modellate utilizzando un approccio orientato ad oggetti o relazionale ad oggetti rimane il problema di come rappresentare il contenuto di un oggetto corrispondente ad un singolo media 1

2 - LOB Nelle basi di dati relazionali ad oggetti, i dati multimediali vengono memorizzati secondo due distinte modalità: internamente al sistema come valori non strutturati in campi LOB (Large Object) esternamente al sistema, mantendo all interno del DBMS solo il riferimento alla posizione del file Si distinguono in: BLOB (Binary Large Object) CLOB (Character Large Object) Supportati da SQL-99 Sono fisicamente memorizzati esternamente alle tabelle ma internamente al DB ORDBMS Oggetto multimediale DBMS LOB riferimento Oggetto multimediale Gli ORDBMS forniscono inoltre nuovi tipi di dato complessi che supportano: la rappresentazione del dato multimediale Metodi per la manipolazione dei dati multimediali Predicati e funzioni per l interrogazione dei dati multimediali LOB 9 Facilitano la memorizzazione di dati multimediali (documenti, immagini, audio, ecc.) Possono contenere fino a 4GB di dati (di solito i RDBMS non vanno oltre 2-32KB) Il DBMS non associa alcuna interpretazione a questi dati 12 Gli oggetti multimediali sono completamente non strutturati per poterli interrogare in modo ragionevole, è necessario sovraimporre a ciascun oggetto una rappresentazione concettuale (surrogato) insieme di dati strutturati (attributi) che descrivono l oggetto multimediale dal punto di vista della struttura e del contenuto semantico ogni oggetto dello stesso tipo (per esempio, stesso media) sarà descritto dallo stesso tipo di surrogato il surrogato dell oggetto multimediale non descrive pienamente il contenuto informativo dell oggetto ma costituisce una sua sintesi i surrogati rappresentano gli oggetti sui quali definire le tecniche di indice I surrogati rappresentano metadati 2

3 Surrogato composto da due tipi di attributi: descrittivi associano informazioni descrittive (relazionali) a ciascun oggetto vengono associati manualmente all oggetto content-based (anche chiamati features) associano informazioni relative al contenuto vengono estratti direttamente dal sistema Conseguenza i documenti multimediali potranno essere confrontati solo rispetto agli attributi e alle feature feature uguali non sempre si riferiscono ad oggetti uguali Esempio si puo riferire sia ad una villa che ad un industria esempio Query processing: idea di base Attributi descrittivi nome: Villa Medici località:roma Oggetti multimediali Generazione metadati 2 Features + attributi Features: forma: 3 1 Meccanismo di interrogazione La query viene eseguita sui metadati (attributi + features) 2. dai metadati si risale ai documenti originali 3. i documenti originali vengono restituiti all utente Query processing: caratteristiche Oggetti multimediali Generazione metadati (automatica + manuale) Features + attributi I sistemi mettono a disposizione funzionalità per estrarre feature e per utilizzare tali feature nel contesto delle interrogazioni 1. Le query devono potere essere eseguite su diversi tipi di media contemporaneamente 2. devono considerare attributi e features 3. devono supportare query per similitudine 4. devono associare un valore di rilevanza ad ogni oggetto restituito 5. devono poter essere pesate

4 2. Attributi e feature Le query interrogano gli oggetti multimediali considerando gli attributi e le feature ad essi associati Esempio: ritrova tutte le immagini di abitazioni importanti in Liguria assumo di avere estratto le forme dalle immagini assumo di avere associato informazione descrittiva (luogo, tipo abitazione) 4. Ranking Una conseguenza della necessità di eseguire query per similitudine è quello di decidere i criteri di rilevanza di un oggetto rispetto ad una interrogazione: ranking Il ranking è un ordinamento degli oggetti restituiti da una interrogazione che riflette il grado di rilevanza dei documenti rispetto all interrogazione I criteri per effettuare il ranking dipendono dal media considerato e dal modello utilizzato per la sua rappresentazione e interrogazione Esempio: ritrova le 5 immagini in cui più probabilmente appare una certa persona, presente in una specifica foto Query per similitudine Poiché il contenuto degli oggetti viene espresso attraverso feature e poiché le feature non rappresentano pienamente il contenuto semantico di un oggetto, le condizioni di selezione sugli oggetti multimediali non sempre sono certe ciò significa che le condizioni non sono in generale condizioni di uguaglianza ma di similitudine le condizioni in genere sono verificate in una certa misura, data dalla similitudine tra ciò che stiamo cercando e ciò che abbiamo trovato 5. Query pesate In alcuni casi può essere utile pesare le varie condizioni nel contesto di una query questo permette di associare un livello di importanza alla condizione nel determinare la similarità degli oggetti Esempio: determinare le immagini che contengono una persona (0.7) non contengono alberi (0.3) la similarità viene pesata Query per similitudine Approcci alla specifica delle query il linguaggio e il query processing devono permettere di esprimere ed eseguire query di questo tipo Esempio Determina tutte le immagini in cui appare una certa persona, presente in una specifica foto difficilmente verranno restituite tutte le immagini che contengono questa persona molto probabilmente verranno trovate anche immagini in cui compaiono persone che, per qualche motivo (dipende dalle feature considerate) assomigliano alla persona cercata Si estende un query language con operazioni specifiche per l interrogazione di dati multimediali ad esempio, si estende SQL con condizioni specifiche da applicare ad oggetti multimediali tipico DBMS estesi alla gestione di dati multimediali Si fornisce un oggetto di esempio e si vogliono determinare tutti gli oggetti simili query by example: esempio: si fornisce la fotografia del viso di una persona e si vogliono ritrovare tutti i visi simili tipico di sistemi dedicati alla gestione di un solo tipo di media

5 Nel seguito... Scopo Considereremo due media: testo immagini per ciascuno illustreremo rappresentazione del contenuto query in alcuni sistemi Lo scopo è di reperire tutti e soli quei documenti che interessano l utente Un sistema con tali caratteristiche non può però essere realizzato in pratica Per tale motivo si valuta un sistema tanto più efficace quanto più e in grado di avvicinarsi a tale requisito Basi di dati testuali Criteri di valutazione Precisione (precision) Permette di quantificare quanto bene un sistema soddisfa la proprieta : Solo i documenti rilevanti vengono restituiti Richiamo (recall) Permette di quantificare quanto bene un sistema soddisfa la proprieta : Tutti i documenti rilevanti vengono restituti Basi di dati testuali Criteri di valutazione Sono in grado di memorizzare, gestire ed interrogare documenti testuali non strutturati I database di testi sfruttano tecniche sviluppate per i sistemi di Information Retrieval (IR) L ambito dell IR ha prodotto negli ultimi 20 anni: Modelli per la rappresentazione di documenti Architetture e linguaggi Interfacce e metodi di visualizzazione Nonostante questo l area dell IR è sempre stata di interesse limitato L avvento del Web ha cambiato le cose Rilevanti Restituiti Non rilevanti restituiti Rilevanti Non restituiti Non rilevanti Non restituiti Documenti contenuti nel database

6 Criteri di valutazione: richiamo Il potere di richiamo è la percentuale di documenti rilevanti restituiti rispetto al totale di documenti rilevanti presenti nel sistema Rilevanti Restituiti Richiamo = Totale Rilevanti Criteri di valutazione: considerazioni La condizione ideale è avere il 100% di precisione e richiamo In generale, aumentando il numero di documenti restituiti: si aumenta il potere di richiamo in quanto si aumenta potenzialmente il numero di rilevanti restituiti si potrebbe ridurre la precisione in quanto l incremento del numero di documenti restituiti in genere a maggiore dell incremento del numero dei documenti rilevanti restituiti Criteri di valutazione: Richiamo Il potere di richiamo ideale è uguale ad uno In generale il potere di richiamo sarà un valore inferiore ad uno perché il numero di documenti pertinenti restituiti è inferiore al numero di documenti pertinenti presenti nel sistema di documenti testuali Criteri di valutazione: Precisione La precisione è la percentuale di documenti rilevanti sul totale dei documenti restituiti Precisione = Rilevanti Restituiti Totale Restituiti Features Nel caso di documenti testuali le feature sono i termini utilizzati come indici durante la ricerca Sia i documenti che le interrogazioni vengono rappresentati in termini di insiemi di indici Gli indici possono essere: Una parola chiave o un insieme di parole chiave Un insieme di concetti che caratterizzano il contenuto informativo del documento

7 Uso dei termini indice Modelli Classici Concetti Base Docs Index Terms doc vec(d j ) = (w 1j, w 2j,, w tj ) è il vettore di pesi associati al documento dj, dove t è la cardinalita di K Information Need match Ranking g i (vec(d j )) = w ij è una funzione che restituisce il peso di k i nel documento d j 37 query 40 Modelli Classici Concetti Base Si basano sulla rappresentazione dei documenti e delle interrogazioni come insiemi di termini indice Non tutti i termini che compaiono in un documento sono egualmente rappresentativi del suo contenuto informativo: di solito i termini troppo frequenti non sono buoni candidati per diventare indici L importanza di un indice è rappresentata da un peso ad esso associato Modelli Classici Concetti Base Si assume che i pesi degli indici siano indipendenti Questa assunzione è una semplificazione perché esistono delle correlazioni tra termini che compaiono in un documento Questo facilita la definizione dei pesi ma rende meno precisa la ricerca: Es: computer network Modelli Classici Concetti Base Sia K un insieme di termini indice con cardinalita t k i un termine indice in K d j un documento w ij il peso associato a k i nel documento d j w ij quantifica l importanza dell indice k i per descrivere il contenuto informativo del documento d j w ij = 0 indica che k i non compare in d j Modelli classici: proposte Modello booleano Modello vettoriale Modello probabilistico Ogni modello specifica Come rappresentare i pesi come rappresentare le interrogazioni Come calcolare la similarita tra due documenti (tra un documento e un interrogazione)

8 Modello booleano: i pesi Modello booleano: esempio 43 E un modello semplice basato sulla teoria degli insiemi I pesi assumono valori binari: w ij ε {0,1} Un peso uguale a uno indica che il termine compare nel documento Un peso uguale a zero indica che il termine non compare nel documento 46 Esempio Interrogazione boolena: q = ka (kb kc) Interrogazione in forma disgiuntiva qdnf = (ka kb) (ka kc) Ogni congiunzione viene riscritta in un insieme di vettori sull insieme dei termini indice che compaiono nella query K q = (ka,kb,kc) (ka kb) riscritto in {(1,1,0), (1,1,1)}, in quanto non si fanno ipotesi su kc (ka kc) riscritto in {(1,0,1), (1,1,0)}, in quanto non si fanno ipotesi su kb Viene restituita l unione di tutti i vettori vec(qdnf)= {(1,1,1), (1,1,0), (1,0,0)} Modello booleano: le interrogazioni Modello Booleano: similarità Le interrogazioni sono espressioni booleane Semantica precisa Formalismo consolidato Formule atomiche Termini indici Classici connettivi:,, La negazione di un termine indica che il termine non deve comparire nei documenti cercati Esempio q = ka (kb kc) sim(q,dj) = 1 se vec(qcc) t.c. vec(qcc) vec(qdnf) k i K q g i (vec(d j )) = g i (vec(qcc))) 0 altrimenti Un documento viene restituito come risultato di una query solo se la sua similitudine con l interrogazione è pari ad uno Modello Booleano: le interrogazioni Modello Booleano: esempio Per garantire uniformita di rappresentazione, le interrogazioni vengono tradotte in un insieme di vettori Ogni interrogazione viene rappresentata come se fosse un insieme di documenti Idea Query booleana q Si riscrive q in forma normale disgiuntiva, ottenendo una nuova query booleana qdnf equivalente a q Ogni congiunzione impone condizione su termini che si vuole che appaiano/non appaiano nei documenti cercati q=vec(qdnf) = {(1,1,1), (1,1,0), (1,0,0)} d j = (0,1,0,.) non è rilevante per q anche se contiene il termine kb d i = (1,1,0,.) è rilevante per q 45 Si riscrive qdnf in un insieme di vettori sull insieme di termini indice K q che compaiono nella query Ogni vettore viene chiamato componenti congiuntive della query q (qcc) 48 8

9 Modello booleano: svantaggi 49 Nessuna nozione di matching parziale e quindi nessun meccanismo di ranking Un documento o soddisfa la query o non la soddisfa Vengono restituti solo i documenti che la soddisfano completamente I bisogni informativi di un utente devono essere tradotti in una espressione booleana Le interrogazioni formulate dagli utenti sono spesso troppo vaghe per essere rappresentate in questo modo Il problema principale e dato dal fatto che i pesi sono booleani 9