情報検索（IR）とは？基本概念から評価指標まで徹底解説

情報検索（Information Retrieval）とは

情報検索（IR：Information Retrieval）は、長年にわたりデータベースシステムと並行して発展してきた研究分野です。構造化データに対するクエリ処理やトランザクション処理を主な対象とするデータベースシステムとは異なり、情報検索は複数のテキストベースの文書群から、目的のデータを整理し、取り出すことを扱います。

データベースシステムとの違い

情報検索とデータベースシステムでは扱うデータの種類が異なるため、それぞれに特有の課題が存在します。

たとえば、並行制御、リカバリ、トランザクション管理、更新処理といったデータベースシステムで一般的な問題は、情報検索システムでは通常発生しません。逆に、非構造化文書の取り扱い、キーワードに基づく近似検索、「関連性（relevance）」という概念などは、情報検索特有の問題であり、従来のデータベースシステムではほとんど扱われてきませんでした。

情報検索の主な応用分野

テキストデータが大量に存在することから、情報検索にはさまざまな応用があります。代表的なものとして、オンライン図書館目録システム、オンライン記録管理システム、そして近年急速に発展しているWeb検索エンジンなどが挙げられます。

情報検索の基本的な仕組み

一般的なデータ検索の問題は、ユーザーのクエリに基づいて、文書集合の中から関連する文書を見つけ出すことです。クエリは通常、ユーザーの情報需要を定義するいくつかのキーワードで構成されますが、関連レコードの実例（例文書）が用いられる場合もあります。

この方式は、中古車探しなどのような一時的（アドホック）なデータ需要がある場合に特に適しています。一方、研究者の関心領域のような長期的なデータ需要を持つユーザーに対しては、検索システム側が能動的に動作し、新しく到着したデータ要素がユーザーの需要に関連すると判断されれば、それを「プッシュ」配信することもあります。

検索品質を測る2つの基本指標

テキスト検索の品質を評価するための基本的な指標として、次の2つが広く使われています。

適合率（Precision）

検索結果として返されたデータのうち、実際にクエリに関連している（正しい回答である）データの割合です。次の式で表されます。

適合率 ＝ |{関連文書} ∩ {検索された文書}| ／ |{検索された文書}|

再現率（Recall）

クエリに関連する文書全体のうち、実際に検索で取得できた文書の割合です。次の式で表されます。

再現率 ＝ |{関連文書} ∩ {検索された文書}| ／ |{関連文書}|

トレードオフとF値（F-score）

情報検索システムでは、再現率を犠牲にして適合率を高めるか、あるいはその逆を行うというトレードオフが求められることがよくあります。この両者のバランスを評価するために一般に用いられるのがF値であり、適合率と再現率の調和平均として表されます。

F値 ＝ 2 × 適合率 × 再現率 ／ （適合率 ＋ 再現率）

調和平均を用いることで、片方の指標を極端に犠牲にしてもう片方だけを高めるようなシステムには低い評価が与えられます。適合率、再現率、F値は、検索されたレコード集合の品質を測る基本的な指標です。ただし、これら3つの指標は、検索結果セット内の文書の内部順位（ランキング）に敏感ではないため、順序付きの検索結果リスト同士を比較する用途には、一般的にあまり有用ではありません。