Bei Information Retrieval (IR) handelt es sich um die Wissenschaft die sich mit Suchtechnologien beschäftigt. Ein offensichtliches Beispiel wo solche Technologien zum Einsatz kommen sind die großen Web-Suchmaschinen, wie Google und Bing. Neben der Web-Suche ist IR auch ein wichtiger Bestandteil anderer Bereiche und zwar überall dort, wo es um den Abruf von Informationen geht.

Ziel dieses Kurses ist es, den Studenten die Grundlagen (nur kurze Einleitung) und fortgeschrittene Konzepte des Information Retrieval zu vermitteln. Insbesondere sollten die Studenten:

• Ein grundlegendes Verständnis erhalten, wie (Web-) Suchmaschinen (wie Google, Bing, Lucene, Elasticsearch usw.) funktionieren
• Lernen wie Sie eine große Anzahl von Dokumenten effizient durchsuchen und die gefundenen Dokumente nach deren Relevanz (hinsichtlich der Suchanfrage) sortieren können.
• Lernen wie die Effektivität von verwendeten Suchmethoden evaluiert werden kann und wie zusätzliche Kontextinformationen (wie zB PageRank) die Suchergebnisse weiter verbessern
• Lernen wie Deep Neural Networks funktionieren und wie diese zur Verbesserung von Suchergebnissen beitragen können. Weiters wird es eine kurze Einführung in den Bereichen Maschinelles Lernen (Machine Learning) und Neural Networks geben
• Lernen wie mit (Deep) Neural Networks ausgeklügelte Textdarstellungen erstellen können, z. B. Word Embeddings

Unterschiede zum Kurs Grundlagen des IR (188.977)

• Die Grundkonzepte des IR (invertierter Index, Textvorverarbeitung usw.) werden im Grundlagenkurs ausführlich und im Detail vermittelt. Diese Konzepte werden im Advanced Kurs nur kurz angeschnitten.
• Ein wesentlicher Teil des Advanced Kurses werden die Themen Maschinelles Lernen, Deep Learning und Word Embeddings sein. Im Grundlagenkurs werden diese Themen nicht behandelt.

Vorlesungen (20 h)

• Vorbesprechung
• Crash Course IR 1 (Inverted index, scoring, evaluation)
• Crash Course IR 2 (PRF like RM3, Web search: crawling, PageRank)
• Word embeddings / representation (word2vec, fasttext, ELMo), query expansion
• Learning to rank + Deep learning
• Neural-IR
• Deep learning for text processing 1
• Deep learning for text processing 2
• Music information retrieval 1
• Music information retrieval 2

Übung (40 h)

• Exercise1 (classic IR): 10 h
• Exercise2 (Neural Network IR): 20 h
• Exercise3 (Music IR): 10 h

Prüfung (15 h)

• Vorbereitung: 14 h
• Prüfung: 1 h

Summe (75 h)