HOME | 事務所紹介 | サーチャー紹介 |講習会・講演会・執筆 | コラムバックナンバー |お問合せ |
注意:内容は執筆時点での情報です
コラム第56号(2007/8/14UP)
「“精度”の良い検索とは、どのような検索か」
特にデータベース検索では 「精度」 という言葉がよく使われます。
「精度の良い検索」 これが理想の検索です。
検索にあたっては、誰もが 「精度の良い検索」 をしたいでしょう。
でも、検索の「精度」ってどういうものか、ちゃんと意識して検索していますか?
今回はこの 「精度」 について、書いてみたいと思います。
●網羅性重視の検索か、適合性重視の検索か
データベース検索するときの考え方の基本には、
“広くモレ無く検索する”という「網羅性」を重視するのか、
それとも
“目的に合致した情報だけをヒットさせる”という「適合性」を重視するのか、
というふたつの考え方があります。
☆まず 「網羅性」 を重視した場合には、広くモレ無く検索します。
一般にはOR演算で検索語を足します。
例えばスポーツシューズについてモレなく検索したい場合、
「スポーツシューズ OR 運動靴」のように同義語(同じ意味を表す言葉)をOR演算します。
しかし、モレなく検索する場合は不要な情報もヒットする場合が多いのです。
不要な情報を「ノイズ」といいます。
仮にあなたが検索したいのが “スポーツシューズの性能についての文献” だとします。
その場合、上で書いた検索式ならばスポーツシューズについてモレの無い検索ができます。
でも 「スポーツシューズ OR 運動靴」 だけで検索して
『運動靴と赤い金魚』という文学作品の評論などがヒットしてしまった場合、この情報はノイズです。
☆逆に 「適合性」 を重視する場合は、目的に合致した情報に絞り込んで検索します。
一般にはAND演算で絞り込みを行います。
例えばスポーツシューズの性能として “クッション性”について検索したい場合、
「(スポーツシューズ OR 運動靴) AND クッション性」で検索します。
この検索式ならスポーツシューズのクッション性についての情報のみヒットします。
文学作品の評論などはヒットしないでしょう。
しかし逆に「衝撃の緩和」「弾性」など、
クッション性について書いてあるにもかかわらず、クッション性という言葉が使われていない情報はモレてしまいます。
このモレた情報を「検索モレ」といいます。
データの内容や検索システムがあなただけの検索目的に合わせて構築されていることはありえない以上、
どうしてもノイズや検索モレが生じます。
ですから検索をする場合は、
網羅性を重視してモレなく検索したいのか、
それとも多少検索モレがあってもいいから適合性を重視して絞って検索したいのかを
意識して検索戦略をたててみることです。
そして、最も良い検索は“目的に適合した情報のみをモレ無く検索する”ことです。
つまり 「目的に適合した情報のみをモレ無く検索する = 精度の良い検索」 です。
なるべくこれに近づくように、検索式をよく考える必要があるわけです。
例えば今のスポーツシューズの例なら、検索式をこんなふうに工夫します。
(スポーツシューズ OR 運動靴) AND ((クッション性 OR (衝撃 AND 緩和) OR 弾性))
なお、ヒットした情報の中に必要な情報がどれだけ入っているか、をデータベースの専門用語で「適合率」といいます。
また、収録されているデータ全体の中から、必要な情報が拾えた割合のことをデータベースの専門用語で「再現率」といいます。
私たちサーチャーは、調査・検索にあたっては必ず網羅性と適合性(再現率と適合率)を考えながら検索戦略をたてます。
検索モレは許されないけれども、ムダな時間を使わずに調査を進めたいわけです。
だからモレをなくすにはどうしたらいいか、上手にノイズを減らすにはどうしたらいいか、キチンと考えないといけないんですね。
●全文検索を精度よく検索する方法はあるか?
さて 「目的に適合した情報のみをモレ無く検索する = 精度の良い検索」
というところまで意識できたとして、 “全文検索” の場合、
はたして、上で説明したような検索式で、上手に精度の良い検索ができるのでしょうか。
“全文検索” というのは、文献などのデータの全文章を対象として検索する方法です。
論文や特許公報、新聞記事、判例、またインターネットのウェブページなどの
それぞれ全ての文を検索対象とします。
さて、この全文検索の特徴は、1件1件のデータごとの “範囲が広い” ということです。
新聞の一般記事くらいの文字数ならば、上でご紹介したような検索式で精度良く検索できる可能性が高いです。
でも論文や特許公報、インターネットのウェブページなどはデータの範囲(文字数)が広すぎて、
“AND演算をやっても、こんな遠くにある言葉と言葉どうしじゃ意味ないよ!” という状態で、
ヒットしてもノイズだらけ・・・。
特にインターネットのウェブページの検索などで、こういう経験をすることも多いのではないでしょうか。
☆「近接演算」を使う=言葉の位置関係を指定して検索する
複数の言葉の位置関係を指定して検索する方法のひとつに「近接演算」があります。
位置関係を指定するにあたって「近接演算子」を使います。
指定のしかたは、検索システムごとに違いますが、大きく分けて次のみっつの方法があります。
1 指定した順序で隣り合っている
例えば「スポーツシューズ」の検索で、
「スポーツ用シューズ」 や 「スポーツでのシューズは」 などのデータもモレなく検索しようとして
「スポーツ AND シューズ」と検索したら、
「…シューズについては、…プロスポーツ選手の…」など、ふたつの文字が順番にかかわりなく全く別々に出現するデータも検索されます。
これを例えば「スポーツ(W)シューズ」と「(W)」を間に入力することにより、
「スポーツシューズ」という順序どおりのデータを検索します。
(※この例の「(W)」はWithの頭文字を使いました。)
また「スポーツ」と「シューズ」の間に入る単語(文字)の数を0個〜複数個指定することもできます。
例えば「スポーツ (2W) シューズ」のように間に入る単語(文字)を2個以内に指定することで
「スポーツシューズ」 だけでなく 「スポーツ用シューズ」 や 「スポーツでのシューズは」 などのデータも検索できます。
2 順不同で隣り合っている
例えば 「遺伝子組み換え」 と 「組み換え遺伝子」 の両方を検索したい場合、
「遺伝子(A)組み換え」と入力することにより、両方を検索する方法です。
(※この例の「(A)」はAdjacentの頭文字を使いました。)
また「遺伝子」と「組み換え」が、何単語(何文字)以内に隣り合っているかを指定することもできます。
例えば 「遺伝子(4A)組み換え」 のように間に入る単語(文字)を4個以内に指定することで
「遺伝子について組み換え」 や 「組み換えを行った遺伝子」などのデータも検索できます。
3 同一文章内に順序を問わず存在する
例えば 「遺伝子(S)組み換え」 と指定することにより、
「任意の遺伝子を…(中略)…別の遺伝子に組み換える技術です。」という文章をヒットさせる検索方法です。
(※この例の「(S)」はSentenceの頭文字を使いました。)
さて、ここまで読んで、
“ほほう、なんと便利な検索方法だろう、こういう検索をぜひ使ってみたい!”
と思われるかたも多いかと思いますがゴメンナサイ、実はこの近接演算は全文検索では使えないことが多いのです。
検索方法を紹介しておいて、こういうことを書くのもナンですが
この 「近接演算」 はデータ構築にあたって、語と語の位置関係をデータ化するため、
検索システムとしては、かなり高度なシステムなのです。
そのため全文検索で使えないだけでなく、無料の検索システムや、安価な検索システムでも使えないことが多いのです。
ただし、
最初ご紹介した 「指定した順序で隣り合っている」 は全文検索でも使える検索システムが多いです。
っていうか、皆さんよくご存知のGoogle検索のフレーズ検索が、この「指定した順序で隣り合っている」を指定する検索です。
.フレーズ検索は、検索する文字列をダブルクォーテーション「“ ”」で囲むことにより、
「検索語として入力した文字列と同じ順番で文字列が並んでいるデータ」を拾ってくる検索方法です。
例えばGoogleで「スポーツシューズ」と検索ボックスに入力すると、
検索システム側で自動的に「スポーツ」と「シューズ」に単語分解して「スポーツAND シューズ」で検索されます。
すると、やはり「…シューズについては、…プロスポーツ選手の…」など、
ふたつの文字が順番にかかわりなく別々に出現するデータも検索されます。
これを「スポーツシューズ」の文字列どおりに検索したい場合に「“ ”」で囲って「“スポーツシューズ”」で検索する方法です。
ただし、あくまでも「順番どおりに隣り合っている」だけの指定であって、
間に入る単語(文字)の数を指定することはできません。
●全文検索は、システム側が自動的に“精度”を上げてヒットさせる場合もある
例えばGoogle検索の場合、それぞれのウェブページに出現する 「単語」 について
「数」 と 「出現位置」 をシステム側(コンピュータ)が考慮して、検索結果の精度を上げます。
そして、精度の高い(とシステム側が判断した)ページが上位に表示されます。
Googleの詳細な検索のしくみの詳細は公開されていないうえ、頻繁に変更されますので、
あまり確実なことは言えないのですが、
基本として、例えば 「スポーツシューズ」 と検索ボックスに入録した場合、
ウェブページ内に、「スポーツシューズ」という単語が多く出現するページのほうが 「関連度が高い」
とシステム側が自動的に判断し、上位に表示されるしくみです。
また、これも確実には断言できませんが
上の「近接演算」でご紹介したような “語と語の近さ(近接度)” もシステム側が自動的に判断しているようです。
例えば、上で説明したように Googleの検索ボックスに 「スポーツシューズ」 と入力すると、
自動的に「スポーツ」と「シューズ」に単語分解して「スポーツAND シューズ」で検索されますが、
それでも、「スポーツ」 と 「シューズ」 が、
なるべく 「スポーツ」が先で「シューズ」が後、
そして 「近い(近接)位置で出現するページ」 のほうが
「関連度が高いページ」 として、上位に表示されるしくみです。
またページ内で単語の出現する 「位置」 も精度を上げるための判断の対象になります。
もうひとつ大事なことは、特にGoogleの場合 「PageRank(ページランク)」 という、
各ページの評価を行っている点です。
PageRankとは、
「多くのページからリンクされているページは評価が高い」
「良質のページからリンクされているページは評価が高い」
という2つの考え方から、各ウェブページを評価する方法です。
ただし、“リンク集のページ”からリンクされている場合は除かれる、などの一定の法則のもとに評価されます。
ちなみに、この2つの考え方は “学術論文の引用による評価” と同じです。
学術論文も、
「多くの論文から引用される論文は評価が高い」、「良質の論文から引用される論文は評価が高い」です。
さてGoogleのPageRankですが、今のところ10段階評価(10が最高点)で、
私が見た公的なページで最も評価が高かったのは外務省(日本)のランク「8」です。
だいたい国の機関のページのランクが「7」前後、トヨタ自動車などの民間の大企業も「7」前後です。
さてここでご注意を。
Googleでは、今説明したように単語の数や位置、そしてPageRankなどを使って検索の精度を自動的に上げてくれます。
でも、ウェブページを作る側がこのしくみを逆手にとって、自社のページを “不当に” 検索結果の上位に表示させることもできるわけです。
実はこの “不当に” の判断基準が難しいのですよ。
どこまでが正当なSEO(ウェブページの検索エンジンへの最適化)で、どこからが不当なページか、境界は曖昧です。
Google特有のページ評価方法であるPageRankも、
自社のページが多くのページからリンクされているかのようにシステム側に見せかけて、ページの評価を上げる方法もあるのです
(詳しく書くとマネするかたもいるかもしれないのでここには書きませんが)。
せっかく優秀な検索システムをGoogleが提供してくれているのですから、
なるべくウェブページは “良識” をもって作っていただいて、
“検索されるべきではないページは検索されず、検索されるべきページが検索される”
という、検索される側に適したウェブ環境であってほしいな、と思います。
さて今回はだいぶ長くなってしまいましたが、最後まで読んでくれて有難うございます。
検索の“精度”という言葉は気軽に使うのですが、
“精度を上げて検索する”ということを意識して
検索語を選ぶとか、検索式をたてるなどの参考にしていただければ幸いです。
HOME