Che cos'è la ricerca approssimativa?

Le ricerche approssimative utilizzano vari algoritmi e tecniche per determinare la somiglianza tra due stringhe di testo, la query di ricerca e la potenziale corrispondenza nei dati. Questi algoritmi spesso si basano su concetti come:

• Distanza di Levenshtein: determina il numero minimo di modifiche (come inserimenti, eliminazioni o sostituzioni) necessarie per trasformare una stringa in un'altra. Una distanza di Levenshtein più bassa indica una maggiore somiglianza. Ad esempio, le parole "kitten" e "sitting" hanno una distanza di Levenshtein pari a 3.
• Similarità del coseno: calcola il coseno dell'angolo tra due vettori che rappresentano le parole o le stringhe. Una similarità del coseno uguale a 1 rappresenta una corrispondenza esatta, mentre 0 indica nessuna somiglianza. Viene comunemente utilizzata per confrontare i documenti in base al loro contenuto di parole.
• Algoritmi fonetici: queste tecniche, come Soundex o Metaphone, codificano le parole in base alla loro pronuncia. Questo aiuta a trovare parole che suonano in modo simile anche se hanno ortografie diverse, come "Smith" e "Smyth".

Utilizzando questi tipi di concetti, i motori di ricerca approssimativa possono classificare le potenziali corrispondenze in base alla loro somiglianza con la query originale, aiutando gli utenti a visualizzare una serie di risultati pertinenti, anche se contengono variazioni minori rispetto ai termini di ricerca.

Man mano che le dimensioni dei set di dati aumentano e gli input degli utenti si diversificano, la ricerca approssimativa offre un approccio prezioso per il recupero di informazioni in modo efficace. Può aiutare a colmare il divario tra i diversi modi in cui gli utenti comunicano (o cercano) e il modo in cui i dati potrebbero essere stati strutturati e archiviati. 

Ecco perché la ricerca approssimativa può essere importante:

• Facilità d'uso: la ricerca approssimativa tiene conto di errori di battitura, varianti di parole o errori di ortografia, consentendo agli utenti di trovare più facilmente ciò di cui hanno bisogno senza dover conoscere l'ortografia o la frase esatta. In questo modo, l'esperienza di ricerca può essere più rapida e fluida.
• Maggiore pertinenza della ricerca: considerando varianti e sinonimi, la ricerca approssimativa recupera una gamma più ampia di risultati pertinenti che potrebbero essere stati trascurati dalle ricerche con corrispondenza esatta.
• Migliore rilevabilità dei dati: nei set di dati di grandi dimensioni con potenziali incoerenze o variazioni nell'inserimento dei dati, la ricerca approssimativa aiuta a scoprire connessioni nascoste e a recuperare informazioni pertinenti che potrebbero essere state trascurate.

La differenza fondamentale tra la ricerca esatta e quella approssimativa sta nel modo in cui gestiscono le variazioni dei dati. Analizziamo le differenze principali:

Per illustrarne le applicazioni pratiche, diamo un'occhiata ad alcuni esempi di come la ricerca approssimativa può aiutare a far corrispondere l'intent dell'utente dietro diverse query di ricerca con risultati di ricerca pertinenti. 

• L'utente cerca: "tota di mele"
• Risultati della ricerca approssimativa: "torta di mele"

In questo caso, nonostante l'errore di battitura, l'algoritmo di ricerca approssimativa riconosce l'intenzione dell'utente e fornisce la ricetta desiderata per la torta di mele. Capisce che "tota" è probabilmente un errore di ortografia di "torta" e assegna la priorità al risultato di conseguenza.

• L'utente cerca: "ricetta"
• Risultati della ricerca approssimativa: "ricette"

La ricerca approssimativa gestisce senza problemi le variazioni della pluralità. Indipendentemente dal fatto che l'utente cerchi la forma singolare o plurale, il motore di ricerca recupera in modo intelligente i risultati che corrispondono al significato inteso, assicurando che gli utenti trovino le ricette indipendentemente dall'approccio grammaticale.

• L'utente cerca: "idee per pasti veloci"
• Risultati della ricerca approssimativa: "ricette facili per cena"

La capacità di interpretare i sinonimi amplia l'ambito di ricerca. Il motore riconosce che "idee per pasti veloci" e "ricette facili per cena" sono concettualmente simili e fornisce risultati pertinenti per entrambi, ampliando le possibilità andando oltre le parole chiave letterali usate.

• L'utente cerca: "scarpe da corsa"
• Risultati della ricerca approssimativa: "correre scarpa"

Gli algoritmi spesso utilizzano lo stemming, che riduce le parole alla loro forma di base o radice. In questo modo, la ricerca può trovare corrispondenze tra "scarpe da corsa" e "correre scarpa", anche se le parole sono grammaticalmente diverse, e gli utenti possono trovare prodotti pertinenti indipendentemente dalle piccole variazioni.

• L'utente cerca: "USA"
• Risultati della ricerca approssimativa: "Stati Uniti d'America"

Il sistema gestisce efficacemente le abbreviazioni, riconoscendo che "USA" si riferisce agli "Stati Uniti d'America". Questa funzionalità è particolarmente utile nei database e nei motori di ricerca, dove le abbreviazioni vengono spesso utilizzate per brevità.

L'implementazione della ricerca approssimativa prevede in genere i seguenti passaggi:

1. Preelaborazione dei dati: questo passaggio prevede in una certa misura la pulizia e la standardizzazione dei dati. Ad esempio, potrebbe includere la conversione del testo in minuscolo, la rimozione della punteggiatura o l'applicazione di tecniche di stemming. Sebbene la ricerca approssimativa sia tollerante alle variazioni, un'elaborazione preliminare di base può migliorarne l'efficienza.
2. Indicizzazione: i dati pre-elaborati vengono indicizzati, spesso utilizzando strutture di dati specializzate come indici invertiti o strutture trie. Queste strutture consentono un recupero rapido di potenziali corrispondenze per una determinata query.
3. Calcolo della somiglianza: quando un utente invia una query, l'algoritmo di ricerca approssimativa calcola i punteggi di somiglianza tra la query e i dati indicizzati. Ciò comporta l'utilizzo di algoritmi come la distanza di Levenshtein, la somiglianza del coseno o gli algoritmi fonetici per quantificare il grado di corrispondenza.
4. Ranking e recupero: le potenziali corrispondenze vengono classificate in base ai loro punteggi di somiglianza e i risultati con il ranking più alto vengono recuperati e presentati all'utente.

Sebbene l'implementazione specifica possa variare a seconda dell'applicazione, Vertex AI di Google Cloud può sfruttare le tecniche di ricerca approssimativa all'interno dei workflow di machine learning per migliorare l'accuratezza del modello e gestire dati rumorosi o incoerenti. Ad esempio, la corrispondenza approssimativa può migliorare il feature engineering raggruppando punti dati simili o identificando e correggendo errori nei set di dati di addestramento.