Articolo del Mese - Marzo 2019

Tassonomie e ricerche. Ecco come ottenere migliori risultati

by Heather Hedden

Le tassonomie, o qualsiasi altro dizionario dei termini di classificazione, servono a effettuare etichettature coerenti e soprattutto una ricerca accurata. Normalizzano i concetti, raggruppando sinonimi o altre forme varianti per lo stesso concetto, in modo tale che il contenuto desiderato non venga perso nella ricerca di termini alternativi e il contenuto non appropriato non venga proposto nel caso di parole con più significati. Non solo: i raggruppamenti dei termini tassonomici delle gerarchie strutturate possono guidare gli utenti al termine di tassonomia desiderato.

Le tassonomie richiedono però uno sforzo per creare e quindi applicare l’etichettatura, ed è per questo che i vantaggi delle tassonomie rispetto alla sola ricerca vengono spesso messi in discussione, anche se la ricerca presenta alcuni limiti. Nonostante nel passato siano stati apportati miglioramenti alle tecnologie di ricerca, di recente non sono stati apportati nuovi miglioramenti, e i metodi che funzionano bene per i motori di ricerca sul web non si applicano necessariamente alla ricerca sulle raccolte relativamente più ridotte di contenuti all’interno di un’azienda. Le tassonomie e la ricerca non sono metodi che si escludono a vicenda per consentire agli utenti di trovare contenuti. Invece, le tassonomie e la ricerca possono essere utilizzate in combinazione in vari modi per migliorare i risultati e l’esperienza degli utenti. Quando la ricerca fu inizialmente introdotta nei sistemi di contenuti digitali delle aziende, fu vista come un’alternativa economica allo sviluppo di una tassonomia e all’individuazione manuale dei contenuti.

In alcuni casi, dove si desideravano risultati più accurati, agli utenti veniva offerta la scelta di sfogliare gli argomenti della tassonomia o cercare il testo completo del contenuto, ma le due funzioni erano separate. Nel frattempo, la tassonomia gerarchica sfogliabile a più livelli è diventata meno comune, poiché le tassonomie sono diventate troppo vaste per essere pratiche da mostrare completamente. Ma ora vi sono vari metodi per combinare le tassonomie e cercare un’esperienza unificata con i migliori risultati: ricerca sulla tassonomia, tassonomie in ambito ricerca di tipo “faceted”, termini di tassonomia per affinare i risultati post-ricerca e infine knowledge graph, ovvero grafi di conoscenza.

La ricerca sui termini di tassonomia
La ricerca sui termini di tassonomia è in genere abilitata all’interno della funzione di ricerca standard, quindi l’utente potrebbe anche non essere consapevole del fatto che la ricerca è sulla tassonomia. Una singola casella di ricerca viene presentata all’utente. Potrebbe esserci un’opzione per selezionare “tipo di ricerca”, offrendo all’utente una scelta tra ricerca su testo completo o su parola chiave e ricerca su tassonomia o su soggetto, ma un’opzione più semplice sarebbe quella di avere la ricerca predefinita sui termini della tassonomia, e quando nessun termine di tassonomia, oppure un suo sinonimo, corrisponde alla stringa di ricerca immessa dall’utente, la ricerca torna automaticamente alla modalità full-text. Ne deriva un’esperienza trasparente per gli utenti, in quanto non devono decidere se cercare o meno la tassonomia. Quando la ricerca è in base alla tassonomia, i relativi termini possono o non possono essere mostrati all’utente. Un’opzione comune è quella di presentare un breve elenco di termini di tassonomia, appena sotto la casella di ricerca, in una funzionalità di tipo completamento automatico: quando l’utente inserisce i caratteri nella casella di ricerca, i termini di tassonomia che iniziano con le stesse lettere sono presentati in un elenco. Una versione più sofisticata, di tipo “ricerca suggerita”, comprende termini di tassonomia che contengono una parola inserita dall’utente all’interno del termine di tassonomia e non solo all’inizio del termine di tassonomia. Le varianti e i sinonimi di parole completamente diverse non sono in genere inclusi nella “ricerca suggerita”, ma potrebbero esserlo.

La ricerca di tipo “faceted”
La ricerca di tipo “faceted”, cioè sfaccettata o “a faccette”, è un’implementazione sempre più comune della ricerca in combinazione con le tassonomie. I facet, o faccette, sono filtri che limitano i risultati della ricerca in base a diversi aspetti, come il tipo di documento, la posizione, l’organizzazione, il settore, l’argomento, la funzione, e così via. Una tassonomia sfaccettata è progettata per avere faccette e insiemi di termini appropriati per il contenuto all’interno di ogni faccetta. L’elenco di termini all’interno di ogni sfaccettatura è solitamente abbastanza breve da essere sfogliato. Gli elementi di contenuto sono contrassegnati con termini di tassonomia da ciascuna faccetta, e gli utenti ne selezionano i termini per restringere i risultati. La ricerca sfaccettata dà il controllo all’utente per limitare o ampliare ulteriormente i risultati della ricerca: l’utente può selezionare i termini da sfaccettature dopo o prima dell’esecuzione di una ricerca per parola chiave. Però, nonostante i loro benefici, le tassonomie sfaccettate non sempre sono pratiche. Al contenuto potrebbe mancare una serie di aspetti coerenti che potrebbero fungere da sfaccettatura.

Gli affinamenti post-ricerca
L’implementazione dei termini di tassonomia come affinamenti post-ricerca è una soluzione pratica quando ci sono troppi termini di tipo “argomento” per essere facilmente sfogliati. Talvolta, le tassonomie sugli argomenti possono avere centinaia o migliaia di termini. Un post-ricerca mostrerà (nel margine sinistro o destro) solo i termini di tassonomia che sono stati usati nell’indicizzazione sui record recuperati in una ricerca. I termini sono in genere elencati in ordine di conteggi di utilizzo della loro occorrenza di indicizzazione sui record recuperati. Pertanto, l’utente esegue prima una ricerca tradizionale, quindi vede quali sono i termini della tassonomia collegati al set di record recuperati, e successivamente seleziona uno di questi termini per ottenere un sottoinsieme dei risultati recuperati che sono stati indicizzati con quel termine per ottenere un risultato più mirato. Gli affinamenti post-ricerca hanno un’esperienza utente simile a quella di tipo “faceted”, ma sono diversi da questa perché visualizzano solo i valori che vengono trovati indicizzati sull’insieme di risultati e non l’intera tassonomia.

I grafi della conoscenza
I knowledge graph, o grafi della conoscenza, sono uno sviluppo più recente nella visualizzazione delle informazioni dopo l’esecuzione di una ricerca. Oltre alla visualizzazione tradizionale dei risultati di ricerca con collegamenti a record, il grafo della conoscenza mostra un “fact box” rapido, che presenta informazioni sull’argomento cercato senza che l’utente debba seguire i collegamenti. Per creare la visualizzazione delle informazioni, i grafi di conoscenza, che si basano su database di grafi anziché su database relazionali e possono utilizzare i dati negli archivi RDF tripli, estraggono i dati basati su entità e su cose e sulle loro relazioni reciproche. Allo stesso modo in cui i motori di ricerca sono stati introdotti per la prima volta sul web e successivamente introdotti in azienda, i grafi della conoscenza, inizialmente resi disponibili da Google sul web, iniziano a entrare nelle aziende, in combinazione con la ricerca di tipo enterprise. Per esempio, potrebbe trattarsi di informazioni su un esperto dei dipendenti, un progetto o una struttura. I grafi della conoscenza si basano sui metadati e, mentre i contenuti sul web non sono coerentemente etichettati con i metadati, vi sono molti contenuti su determinati argomenti che dispongono di metadati, in modo da rendere possibile la creazione di grafi della conoscenza. All’interno dell’azienda, tuttavia, affinché i grafi della conoscenza funzionino, i contenuti devono essere contrassegnati in modo più coerente con i metadati che derivano da una sorta di tassonomia.

Heather Hedden presenterà a Roma per Technology Transfer il seminario “Design di Tassonomia e Metadati” il 25 Marzo 2019