Introduction to Information Retrieval
This is the companion website for the following book.
Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008.
You can order this book at CUP, at your local bookstore or on the internet. The best search term to use is the ISBN: 0521865719.
The book aims to provide a modern approach to information retrieval from a computer science perspective. It is based on a course we have been teaching in various forms at Stanford University and at the University of Stuttgart.
We'd be pleased to get feedback about how this book works out as a textbook, what is missing, or covered in too much detail, or what is simply wrong. Please send any feedback or comments to: informationretrieval (at) yahoogroups (dot) com
Online resources
Apart from small differences (mainly concerning copy editing and figures), the online editions should have the same content as the print edition.
The following materials are available online. The date of last update is given in parentheses.
* HTML edition (2009.04.07)
* PDF of the book for online viewing (with nice hyperlink features, 2009.04.01)
* PDF of the book for printing (2009.04.01)
* PDFs of individual chapters (2009.04.01)
* slides (2009.03.20)
* discussion forums (2009.03.31)
* a moodle with interactive exercises (2009.03.31, a couple of bugs fixed)
* exercises (2009.03.27)
* errata (2009.03.31)
Information retrieval resources
A list of information retrieval resources is also available.
Introduction to Information Retrieval: Table of Contents
chapter resources
Front matter (incl. table of notations) pdf
01 Boolean retrieval pdf html
02 The term vocabulary & postings lists pdf html
03 Dictionaries and tolerant retrieval pdf html
04 Index construction pdf html
05 Index compression pdf html
06 Scoring, term weighting & the vector space model pdf html
07 Computing scores in a complete search system pdf html
08 Evaluation in information retrieval pdf html
09 Relevance feedback & query expansion pdf html
10 XML retrieval pdf html
11 Probabilistic information retrieval pdf html
12 Language models for information retrieval pdf html
13 Text classification & Naive Bayes pdf html
14 Vector space classification pdf html
15 Support vector machines & machine learning on documents pdf html
16 Flat clustering pdf html html
17 Hierarchical clustering pdf html
18 Matrix decompositions & latent semantic indexing pdf html
19 Web search basics pdf html
20 Web crawling and indexes pdf html
21 Link analysis pdf html
Bibliography & Index pdf
bibtex file bib
分享到:
相关推荐
斯坦福大学的CS276课程专注于这一主题,旨在教授学生理解和实施信息检索系统的核心原理和技术。这门课程通常涵盖以下几个关键知识点: 1. **信息检索模型**:课程可能会讲解布尔模型、向量空间模型(VSM)、概率...
斯坦福大学-深度学习基础教程.rar 斯坦福大学-深度学习基础教程.rar 斯坦福大学-深度学习基础教程.rar
KPCB-斯坦福大学-互联网趋势报告-2012
深度学习基础教程 斯坦福大学教案
目前最热门的机器学习算法,百度,google等巨头正全力投入该领域的研究。
斯坦福大学ACM-ICPC 这是斯坦福 ACM-ICPC 团队的存储库。它目前托管 (a) 团队笔记本和 (b) CS 97SI的完整讲座幻灯片。 该团队笔记本是根据斯坦福大学前团队成员和教练编写的代码编写的。
在这个“IOS开发斯坦福--卡牌游戏源码”项目中,我们将探讨iOS应用开发的基础,特别是使用Swift编程语言和UIKit框架来构建一款简单的卡牌游戏。 首先,Swift是苹果公司推出的一种强类型、高性能的编程语言,它的...
因此,课程中会有专门的模块介绍CVX、Convex.jl、Gurobi等著名的凸优化软件库,以及如何在实际中运用这些工具进行问题求解。 总之,通过斯坦福大学提供的“凸优化”课程,我们可以获得一个全面而深入的理解,不仅...
【标题】:“斯坦福大学-吴恩达机器学习课程”是一门广受欢迎的在线课程,由世界著名的计算机科学家、人工智能专家吴恩达教授主讲。这门课程涵盖了机器学习的基础到高级主题,旨在帮助学生理解和应用各种机器学习...
为了解决这些问题,"2019-[斯坦福]-Pre-training Graph Neural Networks-笔记-rrrr1"这篇文章提出了一种预训练方法,旨在提高GNNs的性能和泛化能力。 首先,文章对预训练GNNs的方法进行了分类,主要分为节点级别...
这种层次化学习使得模型能够自动提取数据中的关键信息,无需人为设计复杂的特征工程。 无监督特征学习(Unsupervised Feature Learning,UFLDL)是深度学习的一部分,它强调在没有标签的情况下学习数据的结构和模式...
根据给定的信息,我们可以从斯坦福大学编程方法学的第一课示例代码中提炼出一系列重要的知识点,这些知识点不仅适用于初学者,对于有一定基础的学习者来说也有很高的参考价值。 ### 核心知识点概述 1. **面向对象...
吴恩达老师在斯坦福大学讲的机器学习公开课,原始英文讲义,可供下载。一边看视频一边看讲义,效果可能更好一些。
斯坦福大学-机器学习课程全20课的字幕文件,Andrew Ng的,全英文,是20节课的讲课时的口头表达英文,学习机器学习的好资料。PDF文件,一课一个文件。顺便可以学习下口语。文件没加密,可编辑,方便使用。还是喜欢看...
【斯坦福231N-CV-DL-李飞飞团队】是斯坦福大学计算机科学课程的一部分,由著名人工智能专家李飞飞教授及其团队主讲。这个课程专注于计算机视觉(CV)与深度学习(Deep Learning)的交叉领域,旨在帮助学生理解和掌握...
信息检索的课件,这是关于网页检索的课件,斯坦福大学的课件
斯坦福大学的机器学习公开课课件 Lecture notes 1 (ps) (pdf) Supervised Learning, Discriminative Algorithms Lecture notes 2 (ps) (pdf) Generative Algorithms Lecture notes 3 (ps) (pdf) Support Vector...
RNN适合处理序列数据,如自然语言,通过循环结构来保留和传递时间序列中的信息。LSTM和GRU解决了标准RNN中的梯度消失和爆炸问题,提高了长期依赖关系的建模能力。 深度学习中的其他重要主题,如自动编码器(AE)、...