Hybrid Intelligent Systems For Information Retrieval Anuradha D Thakare Shilpa Laddha Ambika Pawar

Hybrid Intelligent Systems For Information Retrieval Anuradha D Thakare Shilpa Laddha Ambika Pawar
Hybrid Intelligent Systems For Information Retrieval Anuradha D Thakare Shilpa Laddha Ambika Pawar
Hybrid Intelligent Systems For Information Retrieval Anuradha D Thakare Shilpa Laddha Ambika Pawar

1. Hybrid Intelligent Systems For Information
Retrieval Anuradha D Thakare Shilpa Laddha
Ambika Pawar download
https://ebookbell.com/product/hybrid-intelligent-systems-for-
information-retrieval-anuradha-d-thakare-shilpa-laddha-ambika-
pawar-46151654
Explore and download more ebooks at ebookbell.com

2. Here are some recommended products that we believe you will be
interested in. You can click the link to download.
Hybrid Intelligent Systems For Pattern Recognition Using Soft
Computing An Evolutionary Approach For Neural Networks And Fuzzy
Systems 1st Edition Patricia Melin
https://ebookbell.com/product/hybrid-intelligent-systems-for-pattern-
recognition-using-soft-computing-an-evolutionary-approach-for-neural-
networks-and-fuzzy-systems-1st-edition-patricia-melin-994190
New Hybrid Intelligent Systems For Diagnosis And Risk Evaluation Of
Arterial Hypertension Melin
https://ebookbell.com/product/new-hybrid-intelligent-systems-for-
diagnosis-and-risk-evaluation-of-arterial-hypertension-melin-6752654
Bioinspired Hybrid Intelligent Systems For Image Analysis And Pattern
Recognition 1st Edition Humberto Bustince
https://ebookbell.com/product/bioinspired-hybrid-intelligent-systems-
for-image-analysis-and-pattern-recognition-1st-edition-humberto-
bustince-2524830
Soft Computing For Hybrid Intelligent Systems 1st Ed Oscar Castillo
https://ebookbell.com/product/soft-computing-for-hybrid-intelligent-
systems-1st-ed-oscar-castillo-1186438

3. Recent Advances On Hybrid Approaches For Designing Intelligent Systems
1st Edition Oscar Castillo
https://ebookbell.com/product/recent-advances-on-hybrid-approaches-
for-designing-intelligent-systems-1st-edition-oscar-castillo-4662762
Fuzzy Logic And Neural Networks For Hybrid Intelligent System Design
Oscar Castillo
https://ebookbell.com/product/fuzzy-logic-and-neural-networks-for-
hybrid-intelligent-system-design-oscar-castillo-47633022
Trends In Deep Learning Methodologies Algorithms Applications And
Systems Hybrid Computational Intelligence For Pattern Analysis And
Understanding Vincenzo Piuri Editor
https://ebookbell.com/product/trends-in-deep-learning-methodologies-
algorithms-applications-and-systems-hybrid-computational-intelligence-
for-pattern-analysis-and-understanding-vincenzo-piuri-editor-34072000
Hybrid Intelligent Systems 22nd International Conference On Hybrid
Intelligent Systems His 2022 December 1315 2022 Ajith Abraham
https://ebookbell.com/product/hybrid-intelligent-systems-22nd-
international-conference-on-hybrid-intelligent-systems-
his-2022-december-1315-2022-ajith-abraham-50364786
Hybrid Intelligent Systems Based On Extensions Of Fuzzy Logic Neural
Networks And Metaheuristics Oscar Castillo
https://ebookbell.com/product/hybrid-intelligent-systems-based-on-
extensions-of-fuzzy-logic-neural-networks-and-metaheuristics-oscar-
castillo-50558764

6. Hybrid Intelligent
Systems for Information
Retrieval
Hybrid Intelligent Systems for Information Retrieval covers three areas
along with the introduction to Intelligent IR, i.e., Optimal Information
Retrieval Using Evolutionary Approaches, Semantic Search for Web
Information Retrieval, and Natural Language Processing for Information
Retrieval.
• Talks about the design, implementation, and performance issues of
the hybrid intelligent information retrieval system in one book
• Gives a clear insight into challenges and issues in designing a hybrid
information retrieval system
• Includes case studies on structured and unstructured data for hybrid
intelligent information retrieval
• Provides research directions for the design and development of
intelligent search engines
�is book is aimed primarily at graduates and researchers in the
information retrieval domain.
Dr. Anuradha D. �akare, PhD CSE, Department of Computer Engineering,
Pimpri Chinchwad College of Engineering, Pune, 411044, India.
Dr. Shilpa Laddha, PhD CSE, Department of Information Technology,
Government College of Engineering, Aurangabad, 431005, India.
Dr. Ambika Pawar, PhD CSE, Symbiosis Institute of Technology, Symbiosis
International (Deemed University), Pune, 411045, India.

7. Chapman & Hall/CRC Computational �
Intelligence and Its Applications
Series Editor: Siddhartha Bhattacharyya
Intelligent Copyright Protection for Images
Subhrajit Sinha Roy, Abhishek Basu, Avik Chattopadhyay
Emerging Trends in Disruptive Technology Management for Sustainable
Development
Rik Das, Mahua Banerjee, Sourav De
Computational Intelligence for Human Action Recognition
Sourav De, Paramartha Dutta
Disruptive Trends in Computer Aided Diagnosis
Rik Das, Sudarshan Nandy, Siddhartha Bhattacharyya
Intelligent Modelling, Prediction, and Diagnosis from Epidemiological Data:
COVID-19 and Beyond
Siddhartha Bhattacharyya
Blockchain for IoT
Debarka Mukhopadhyay, Siddhartha Bhattacharyya, K Balachandran, and
Sudipta Roy
Hybrid Intelligent Systems for Information Retrieval
Anuradha D. �akare, Shilpa Laddha, and Ambika Pawar
For more information about this series please visit: www.crcpress.com/
Chapman—HallCRC-Computational-Intelligence-and-Its-Applications/
book-series/CIAFOCUS

8. Hybrid Intelligent
Systems for Information
Retrieval
Anuradha D. Thakare,
Shilpa Laddha, and Ambika Pawar

9. First edition published 2023
by CRC Press
6000 Broken Sound Parkway NW, Suite 300, Boca Raton, FL 33487–2742
and by CRC Press
4 Park Square, Milton Park, Abingdon, Oxon, OX14 4RN
CRC Press is an imprint of Taylor & Francis Group, LLC
© 2023 Anuradha D. �akare, Shilpa Laddha and Ambika Pawar
Reasonable e�orts have been made to publish reliable data and information, but the authors
and publisher cannot assume responsibility for the validity of all materials or the consequences
of their use. �e authors and publishers have attempted to trace the copyright holders of all
material reproduced in this publication and apologize to copyright holders if permission
to publish in this form has not been obtained. If any copyright material has not been
acknowledged please write and let us know so we may rectify in any future reprint.
Except as permitted under U.S. Copyright Law, no part of this book may be reprinted,
reproduced, transmitted, or utilized in any form by any electronic, mechanical, or other means,
now known or herea�er invented, including photocopying, micro�lming, and recording, or in
any information storage or retrieval system, without written permission from the publishers.
For permission to photocopy or use material electronically from this work, access www.
copyright.com or contact the Copyright Clearance Center, Inc. (CCC), 222 Rosewood Drive,
Danvers, MA 01923, 978–750–8400. For works that are not available on CCC please contact
[email protected]
Trademark notice: Product or corporate names may be trademarks or registered trademarks
and are used only for identi�cation and explanation without intent to infringe.
Library of Congress Cataloging‑in‑Publication Data
Names: �akare, Anuradha, 1978– author. | Laddha, Shilpa, author. | Pawar, Ambika, author.
Title: Hybrid intelligent systems for information retrieval / Anuradha D �akare, Shilpa
Laddha, Ambika Pawar.
Description: Boca Raton : Chapman & Hall/CRC Press, 2023. | Series: Chapman & Hall/CRC
computational intelligence and its applications | Includes bibliographical references
and index.
Identi�ers: LCCN 2022023753 (print) | LCCN 2022023754 (ebook) | ISBN 9781032035680
(hardback) | ISBN 9781032035703 (paperback) | ISBN 9781003187974 (ebook)
Subjects: LCSH: Information storage and retrieval systems. | Hybrid computers. |
So� computing.
Classi�cation: LCC Z699 .T455 2023 (print) | LCC Z699 (ebook) | DDC 025.04—dc23/
eng/20220812
LC record available at https://lccn.loc.gov/2022023753
LC ebook record available at https://lccn.loc.gov/2022023754
ISBN: 978-1-032-03568-0 (hbk)
ISBN: 978-1-032-03570-3 (pbk)
ISBN: 978-1-003-18797-4 (ebk)
DOI: 10.1201/9781003187974
Typeset in Minion Pro
by Apex CoVantage, LLC

10. Contents
Preface, ix
Acknowledgments, xiii
Author Biographies, xv
C
hapter 1 ◾ Introduction 1
1.1 INFORMATION RETRIEVAL MODELS 3
1.2 INTRODUCTION TO OPTIMAL INFORMATION �
RETRIEVAL 6
1.3 INTRODUCTION TO SEMANTIC WEB RETRIEVAL 7
1.4 INTRODUCTION TO NATURAL LANGUAGE �
PROCESSING FOR INFORMATION RETRIEVAL 12
Chapter 2 ◾ Matching Functions 23
2.1 CLASSICAL MATCHING FUNCTIONS 23
2.2 HYBRID VIRTUAL CENTER MATCHING FUNCTION �
(VCF) FOR GENETIC ALGORITHM-BASED RETRIEVAL 31
2.3 VCF-BASED INFORMATION RETRIEVAL 32
2.4 HYBRID UNIFICATION SCHEME FOR MATCHING 33
2.5 PERFORMANCE EVALUATION 35
2.6 SUMMARY 43
Chapter 3 ◾ I nformation Retrieval Models 45
3.1 COMPUTATIONAL MODELS FOR RESEARCH 45
3.2 DIMENSIONALITY REDUCTION WITH SVD �
AND PCA 47
v

11. vi ◾ Contents
3.3 OPTIMAL INFORMATION RETRIEVAL WITH �
GENETIC ALGORITHM 49
3.4 SUMMARY 56
Chapter 4 ◾ H ybrid Swarm Intelligence Approaches for �
Optimal Information Retrieval 57
4.1 INTRODUCTION 57
4.2 SWARM INTELLIGENCE METHODS 59
4.3 PARTICLE SWARM OPTIMIZATION FOR �
INFORMATION RETRIEVAL 65
4.4 BEES ALGORITHM FOR INFORMATION �
RETRIEVAL 68
4.5 HYBRID PSO AND BEES ALGORITHMS FOR �
INFORMATION RETRIEVAL 70�
4.6 PERFORMANCE EVALUATION 84
4.7 SUMMARY 86
Chapter 5 ◾ I nformation Retrieval and Semantic �
Search 89
5.1 INTRODUCTION 89
5.2 DOCUMENT-ORIENTED SEARCH 94
5.3 DOMAIN ONTOLOGY-BASED SEMANTIC �
SEARCH 96
5.4 MULTIMEDIA INFORMATION SEARCH 98
5.5 RELATION-FOCUSED SEARCH 99
5.6 SEMANTIC ANALYTICS 99
5.7 MINING-BASED SEARCH 100�
5.8 SUMMARY 100�
Chapter 6 ◾ O ntology Creation Using Clustering �
Technique 105
6.1 INTRODUCTION 105
6.2 WORDNET TO CALCULATE SEMANTIC �
SIMILARITY 105

12.         Contents ◾ vii
6.3 BASICS OF CLUSTERING 106
6.4 ONTOLOGY CONSTRUCTION 109
6.5 WORKING OF ONTOLOGICAL MAPPER 110�
6.6 SUMMARY 120�
Chapter 7 ◾ N atural Language Processing for �
Information Retrieval 123
7.1 INTRODUCTION 123
7.2 NLP TECHNIQUES FOR IR 125
7.3 PARSING TECHNIQUES FOR UNDERSTANDING �
TEXT SYNTAX 135
7.4 NAMED ENTITY RECOGNITION (NER) 138
7.5 WORD EMBEDDING/VECTORIZATION 139
7.6 SUMMARY 144
Chapter 8 ◾ D eep Learning for Information Retrieval 147
8.1 INTRODUCTION 147
8.2 DEEP LEARNING FUNDAMENTALS 148
8.3 DEEP LEARNING APPROACHES FOR INFORMATION �
RETRIEVAL 159
8.4 SUMMARY 164
Chapter 9 ◾ A pplication of Ontology in Domain-Speci�c �
Information Retrieval: A Case Study 167
9.1 INTRODUCTION 167
9.2 SYSTEM ARCHITECTURE 168
9.3 KEYWORD MANAGER (BASIC QUERY MAPPER) 172
9.4 QUERY PROTOTYPE MAPPER 176
9.5 QUERY SIMILARITY 182
9.6 QUERY WORD ORDER MAPPER 188
9.7 SPELLING CORRECTION 194
9.8 EVALUATION PROCESS 209
9.9 SUMMARY 212

13. viii ◾ Contents
Chapter 10 ◾ A pplications of NLP and IR 215
10.1 INTRODUCTION 215
10.2 PREDICTION OF LIKES AND RETWEETS 216
10.3 INTELLIGENT QUESTION ANSWERING 221
10.4 SUMMARY 225
INDEX 22 9

14. Preface
W
ith global digitization, digital data are getting generated at
a fast pace. Simultaneously extracting and retrieving useful infor­
mation and patterns from it is becoming more challenging as retrieved
information is not always in a structured form. Information search and
retrieval has become part of everyday life. Several Information Retrieval
(IR) systems are used by a wide variety of users regularly, and it is a great
contribution to the society. However, optimal retrieval methods need to
be improved for enhancing the performance of IR. �is book provides
detailed insights on paradigms of information retrieval and discussion
on how to design and develop a system for intelligent information search
from vast repositories.
�is book covers the architectures of modern information systems
pertaining to structured and unstructured data retrieval, and there is a
detailed discussion on how to develop computational models for retrieval
systems. It describes evolutionary approaches for optimal information
retrieval and the design of hybrid intelligent information retrieval sys­
tems for various applications. �e focus is on three key areas: Optimality
in Information Retrieval with Evolutionary Algorithms, Semantic Web
Information Retrieval, and Natural Language Processing for Information
Retrieval. �is is a comprehensive textbook on the subject, covering a
broad array of topics with more emphasis on the techniques that have
been pro�tably employed in exploiting the available information. To give a
clear understanding of the topics, the case studies and examples of hybrid
intelligent information systems are also included.
�e primary goal of this book is to present the design, implementa­
tion, and performance issues of a hybrid intelligent information retrieval
system. �e researchers will get clear insights into challenges and issues
in designing a hybrid information retrieval system with research direc­
tions for the design and development of intelligent information retrieval
ix

15. x ◾ Preface
systems. With the advent of technology, the reader will be able to pro­
vide intelligent solutions with a variety of hybrid approaches covered in
this book.
Because of the hybrid nature of information retrieval systems discussed,
this book makes few assumptions about the background of the reader and
introduces relevant concepts as the need arises with the main focus on
information retrieval. �is book is intended for readers across the globe.
�is textbook can be used for courses like Information Retrieval, Web
Information Retrieval, and Modern Approach to Information Retrieval
taught for Under Graduate and Post Graduate levels. Also, the book is use­
ful for the researchers working in the information retrieval domain, large
professional audience as well like engineers, scientists, business managers,
industrial research and development departments, academicians, and so on.
ORGANIZATION OF THE BOOK
�e book is organized into ten chapters. A brief description of each of the
chapters follows.
Chapter 1 introduces an important paradigm of IR which includes IR
models and their performance, methods for optimal IR, semantic web
retrieval, and natural language processing.
Chapter 2 describes a method of using genetic algorithms (GAs) in the
�eld of information retrieval and precisely how the GAs can be used to
adjust the matching functions. �e overall matching function and vir­
tual center-based matching function are used to increase the IR systems’
performance and VCGA showed enhanced values of the performance
measures, i.e., precision and recall. �e uni�ed matching scheme for
information retrieval utilizes multiple matching functions and is subse­
quently presented for information retrieval.
Chapter 3 describes the details of the proposed approach for GA-based
information retrieval. It �rst discusses the two computational models,
singular value decomposition and principal component analysis. �en, it
describes the justi�cation of these models for information retrieval fol­
lowed by hybridization with GA. Finally, the chapter ends with the results
and discussion.
Chapter 4 presents hybrid swarm intelligence approaches in the context
of optimal information retrieval. �e major sections are as follows: Particle
Swarm Optimization for Information Retrieval, Bees Algorithm for
Information Retrieval, Hybrid PSO, and Bees Algorithms for Information
Retrieval along with Performance Evaluation Method.

16.         Preface ◾ xi
Chapter 5 discusses six di�erent categories of semantic search on the
basis of objectives, methodologies, and functionalities, which includes
document-oriented search, entity and knowledge-oriented search, multi­
media information search, relation-centered search, semantic analytics,
and mining-based search.
Chapter 6 discusses ontology creation using clustering technique. �e
query response time and the scalability issue in information retrieval can
be reduced by the cluster retrieval approach. Clustering is an imperative
�eld of research insight and information mining. �is chapter discusses
how ontology constructed using the clustering technique improves the
retrieval e�ciency and reduces the search time.
Chapter 7 discusses NLP techniques used for data preprocessing in IR.
�e e�ectiveness of information retrieval tasks strongly depends on the
basic preprocessing such as tokenization, stemming, part of speech tag­
ging, and parsing. �is chapter also discusses the implementation of NLP
techniques.
Chapter 8 covers fundamental deep learning techniques and further
explains the e�ciency and applications of deep learning models for solv­
ing IR problems.
Chapter 9 discusses the case study illustrating the application of ontol­
ogy in the Indian tourism domain and how the performance of the system
is improved by presenting precise and e�cient results.
Chapter 10 discusses case studies illustrating the applications of NLP &
IR. �e �rst case study is the contribution of researchers for predictions
of likes and retweets based on tweet content. �e second case study dis­
cussed is the intelligent question answering system (QAS) with the help of
NLP and IR techniques along with statistical techniques.

18. Acknowledgments
T
he editors wish to acknowledge the valuable contributions of the
reviewers regarding the improvement of quality, coherence, and con­
tent presentation of chapters.
�e editors would like to acknowledge the help of all the people involved
in this book directly or indirectly and, more speci�cally, the publishing
team. Without their support, this book would not have become a reality.
As always, the greatest debt one owes is to one’s colleagues, friends, and
family. We the editors are the friends with a constant source of encourage­
ment to each other who throughout this project share technical expertise
and support of all kinds. Finally, we must thank our family members as
they are responsible for this book in more ways than even they know. �is
book is dedicated to them.
We hope that the book is evolving knowledge repository. So this book
may have areas for improvement and inadvertent errors to be corrected.
We, authors, sincerely request the readers to feel free to email us their sug­
gestions and feedback on the book. We will surely try to incorporate the
relevant ones in the next edition.
Dr. Anuradha D. �akare
Department of Computer Engineering
Pimpri Chinchwad College of Engineering, Pune, 411044, India
Dr. Shilpa Laddha
Department of Information Technology,
Government College of Engineering, Aurangabad, 431005, India
Dr. Ambika Pawar
Symbiosis Institute of Technology, Symbiosis International
(Deemed University),
Pune, 411045, India
xiii

20. Author Biographies
Dr. Anuradha �akare is a Professor in the
Department of Computer Engineering in Pimpri Chinchwad College of Engineering, Pune. She has more than 22 years of teaching and research experience. Anuradha received her PhD in Computer Science and Engineering from SGB Amravati University, her ME degree in Computer Engineering from Savitribai Phule Pune University and her BE degree in Computer Science and
Engineering from Sant Gadge Baba Amravati University, Amravati, India. She is PhD guide in Computer Engineering in SPPU, Pune. Dr. Anuradha worked as Secretary of the Institution of Engineering & Technology Pune LN, and is a Member of IEEE and ACM.
Dr. Anuradha has published 95 research papers in reputed journals
and at conferences, with indexing in SCI, Scopus, IEEE, Web of Science, Elsevier and Springer etc. She has authored and edited books published by CRC Taylor & Francis, IGI Global and others. She received a research project grant and workshop grants from AICTE-AQIS, QIP-SPPU, BCUD-SPPU Pune and Maharashtra State Commission for Women. She received Best Woman Researcher Award and Best Faculty Award from the International Forum on Science, Health & Engineering. She has received best paper award in International Conferences, delivered 26 expert talks on Machine Learning, Evolutionary Algorithms, Outcome Based Education etc., and worked with industries such as DRDO, NCL etc. for research projects. She was a General Chair of the IEEE International Conference ICCUBEA 2018 and Advisory Member for International Conferences. She worked as a reviewer for the Journal of International Blood Research, IEEE transactions and Scopus journals.
xv

21. xvi ◾ Author Biographies
Prof. Dr. Shilpa Laddha is an Assistant
Professor in the Department of Information
Technology at the Government College of
Engineering, Aurangabad. Prof. Laddha
has completed her Bachelors Degree and
Masters Degree in Computer Science &
Engineering from SGBAU, Amravati and
Dr. BAMU, Aurangabad, India, respectively.
She did her Doctorate in Computer Science
& Engineering from Sant Gadge Baba Amravati University (SGBAU),
Amravati, India. She is PhD guide in Computer Engineering in
Dr. Babasaheb Ambedkar Marathwada University. She has more than
22 years of teaching and research experience.
Her areas of interest include Arti�cial Intelligence, Machine
Learning, Information Retrieval, Semantic Web Mining & Ontology
and many more. She has a profound expertise in undertaking the full
depth training of engineering students. She has authored one book.
She has two copyrights and three patents to her credit and her many
research papers are published in prominent international journals.
She has presented research communications in national and
international meetings and is a visiting professor to many universities.
She is reviewer for various journals and conferences. She has guided
more than 200 students for their graduation projects. She is associated
with the development of an innovative, integrated engineering
curriculum designing for various colleges.
She received Outstanding Women (Computer Science & Engineering)
Award VIWA 2020 from the Centre for Advanced Research and Design,
Venus International Foundation, Chennai.
She also received International Excellence “Best Research �esis”
Award at 1st Universal Innovators Leadership Awards (UILA 2020) by:
SScbs, University of Delhi, New Delhi, in association with NIT Patna
& University of Valladolid, Spain.

22.         












Author Biographies ◾ xvii
Dr. Ambika Pawar is Associate Professor
in Computer Science & Engineering and
Information Technology Department,
Symbiosis Institute of Technology,
Symbiosis International (Deemed
University), Pune, India.
She has obtained her BE degree in
Computer Science and Engineering from
Pune University, Pune, India and ME
degree in Computer Engineering from Pune University, Pune, India.
She completed her PhD in Computer Science and Engineering from
Symbiosis International (Deemed University). She has more than 18
years of teaching and research experience.
Dr. Ambika is guiding a total of seven PhD scholars in Computer
Engineering at Symbiosis International (Deemed University) and
Lovely Professional University.
She worked as Tutorial Chair of IEEE International Conference
IEEE PUNECON 2018.
She has 32 publications in reputed journals and conferences, with
indexing in Scopus, IEEE, Web of Science, Elsevier and Springer.
She has worked as a reviewer and session chair for International
Conferences and delivered expert talks on Data Privacy, Analysis
of Algorithms, Cloud Computing, etc.

24. Chapter 1
Introduction
I
magine you are a detective who has been handed a case of a robbery
in the house of an a�uent politician. What would your �rst steps be?
A�er a bit of consideration, you end up deciding on visiting the crime
scene to get information about the robbers that can help you catch them.
But, where was this house? You need the precise address to go there. You
check the case �le, which has the address. You �nally are at the crime
scene and are told that the robbers were careful, as the forensic depart­
ment could not �nd any �ngerprints. Observing the room, you see a bro­
ken vase. �ere was soil on the �oor, which had caught a shoe print, most
likely belonging to one of the robbers! You ask the forensic department to
get the print and retrieve the make of the shoe and �nd out the stores that
sell the shoe. How is it possible to �nd out what shoe was worn by a robber
just by its shoe print? �e answer is information retrieval .
Information retrieval is the process of obtaining an entity that satis�es
certain rules. In modern times, information is mainly stored on comput­
ers either in the form of documents, in databases, or as �les across multiple
machines. Information retrieval is also used synonymously with search in
this context. With the increase in the size of documents, larger databases,
and gigabyte-sized �les stored across hundreds of machines, information
retrieval becomes slow if it is not optimized.
Information Retrieval Framework: An essential task of information
retrieval is to �t the query against all of the information items. All knowl­
edge items are indexed, allowing for quicker search results. An index is a
data structure constructed on top of knowledge objects that is optimized.
DOI: 10.1201/9781003187974-1 1

25. 2 ◾ Hybrid Intelligent Systems for Information Retrieval
�e indexer tokenizes the text and uni�es word families by removing
terms with little semantic meaning. �e question is treated in the same
way. �e retrieval system’s response to a user’s request for information is
expressed as a question. �e information system responds by comparing
a query’s importance to the information objects. �e aim of information
retrieval is to locate relevant data.
A retrieval strategy is a collection of algorithms and frameworks that oper­
ate with three subsystems: a set of documents, a set of queries, and matching
mechanisms to match a query with a set of documents. �ere must also be
a similarity measure and a strategy for assigning similarity measures. �e
similarity metric indicates how similar the document and query descriptions
are. �e user is then presented with a ranking of the documents. �e question
can be tweaked on the basis of the user’s suggestions. �ere are several models
for retrieving information. �e vector space model, the Boolean model, and
the probabilistic model are the three primary models. �e Boolean model
compares the query to the document database using Boolean expressions.
�e question and documents are both mapped in the vector space model,
and the results are compiled using a speci�c distance as a metric. �e proba­
bilistic model uses user input to predict document signi�cance as a possibil­
ity for iterative improvement. Ranking strategy is supported by both vector
space and probabilistic models. �e aim of the information retrieval research
was to increase retrieval performance. Precision and recall are two of the
most common metrics used to assess e�ectiveness. �ese measures should
be compared and contrasted in order to enhance the information retrieval
system. Figure 1.1 represents Information Retrieval Framework.
FIGURE 1.1 Information retrieval framework.

26.         











Introduction ◾ 3
1.1 INFORMATION RETRIEVAL MODELS
�e related documents for a user’s query are selected and ranked using
an information retrieval (IR) model. Document selection and ranking
can be formalized by a matching function that returns a retrieval status
value for each document in the set since the texts of the documents and
the queries are interpreted in the same way. �e contents of most IR sys­
tems are represented by a vocabulary V of words, which are a collection
of descriptors.
�e query-document matching function is de�ned by an IR model in
one of three ways:
1. �e likelihood of a user’s relevance rel for each document d and
question q in a set R q of training documents is estimated:
Rel|d,q,Rq) Prob(rel|d,q,Rq).
2. In a vector space SIM, the computation of a similarity function
between queries and documents, (q,d). �e probability of generating
the document d from a question q p(d|q) is estimated.
3. �e number of bits needed to code the number Xi of occurrences of
the query terms ti q in the document, i.e., the amount of information
borne by the query terms in the document:
d|X1, . . . ,Xq) log2Prob(d|X1, . . . ,Xq).
�e research on using knowledge recovery to aid so�ware development,
speci�cally retrieving traceability ties between a system’s source code and
free-text documents [1]. A method based on the retrieval of vector-space
information is used in two case studies to trace C++ source on manual
pages and Java code on functional requirements. �e case studies selected
are replications of previous studies that demonstrated a probabilistic data
recovery model. �e researchers equate the outcomes of vector space and
probabilistic models and come up with hypotheses to explain the discrep­
ancies. Vector-space and probabilistic model e�ects are correlated and
contrasted.
A new uni�ed monolingual (MoIR) and cross-lingual (CLIR) knowl­
edge recovery system [2] is based on the induction of dense real-world

27. 4 ◾ Hybrid Intelligent Systems for Information Retrieval
word vectors known as word embeddings from comparable data (WE).
Here a number of signi�cant contributions are made:
(1) �e Bilingual Word Embedding Skip-Gram model, which is the �rst
model to learn bilingual word embedding solely based on document-
aligned comparable results
(2) Demonstration of how to use compositional distribution semanticity
models to create single-word embedded documents in a simple but
e�ective way
(3) Development of new MoIR and CLIR models on the �y
�e simultaneous derivation in the strict mathematical formalism of
three major probabilistic retrieval models: binary independent retrieval
(BIR), Poisson model (PM), and linguistic modeling (LM) are investi­
gated [3]. �e inquiry has raised a number of concerns. First, although
the models are based on the same source, namely, the probability of
signi�cance, they vary in terms of event areas. Can we relate the event
spaces in a consistent notation and how could this be recorded? Second,
BIR and PM have a close relationship, but how do they handle LM? �ird,
what is the relationship between probabilistic and TF-IDF models? �e
model has yielded a number of formalized �ndings as a result of parallel
research: PM and BIR.
An information collection system plays a critical role in information
retrieval, query processing, and wireless networks, in addition to its signi�­
cant role within the network information platform. As methods for record
recovery, researchers are aided in extracting documents from datasets.
Traditional keyword-based information retrieval models ignore seman­
tic information that can’t re�ect the user’s needs. As a result, it is impor­
tant for consumers to be able to get personalized information quickly. For
exact index term frequency, there is no list of experts on ontology-based
systems. �erefore, an ontology model for document processing and doc­
ument recognition [4] was proposed by the researchers.
�e creation of e�ective information recovery models has been a long-
term challenge in information retrieval (IR), with considerable improve­
ment over the years. Comparing a new recovery function against all
current recovery features across all available data collections becomes
more di�cult, if not impossible, as there are more and more developed
functions for recovery and new data collections. �e e�orts to develop a

28. Introduction     ◾    5
forum aimed at improving the reproductivity of IR research and promot
ing evaluation and comparison [5] are discussed in order to address the
issue. In 16 TREC standard colliders, more than 20 state-of-the-art recov
ery functions were introduced and systematically tested.
1.1.1 Information Retrieval Categories for Research
�e expansive research in information retrieval is categorized into three
categories: the probabilistic information retrieval, knowledge-based
information retrieval, and learning system-based information retrieval as
depicted in Figure 1.2.
I. Probabilistic Information Retrieval
Estimating the probability of relevance of a document from the input query
is called probabilistic retrieval. �e probability of relevance for the docu
ment is established on the basis of relevance feedback from some docu
ments. �e relevance probability for a set of sample documents or a set of
sample queries is estimated. Moreover, it is extended to all the documents
or queries. �e inference networks capture probabilistic dependencies
among the nodes in the network using a document and query system [6].
II. Knowledge-Based Information Retrieval
�is approach focuses on modeling the knowledge of an expert retriever.
�e experts use domain knowledge, in terms of search strategies and
­
­
­
­
FIGURE 1.2 Information retrieval techniques.

29. 6 ◾ Hybrid Intelligent Systems for Information Retrieval
feedback heuristics. Another area that is the mode is the user of the sys­
tem. �e knowledge-based approach is used in some speci�c domains, but
it may not be applicable to all domains [6].
III. Learning System-Based Information Retrieval
�is approach is based on the algorithmic extraction of knowledge or pat­
terns in the data. �e three broad areas of learning system-based informa­
tion retrieval are symbolic learning, arti�cial neural networks, and the
evolution-based strategy. �e knowledge discovery in symbolic learn­
ing approach is done typically by inductive learning [6]. A hierarchical
arrangement of concepts is created producing IF-THEN type production
rules. ID3 decision-making algorithm is one such traditional algorithm.
�e neural network is a system of interconnected neurons. It is a learning
algorithm that simulates the way the human brain learns and remembers
the knowledge. �e knowledge is captured and remembered in terms of
the thresholds on logic units, the interconnections between the neurons,
and the weights of synapses [6].
1.2 INTRODUCTION TO OPTIMAL
INFORMATION RETRIEVAL
Earlier, there was no way to do two things at once; hence, linear approaches
were the only way to go. �ese algorithms end up being too slow to be used
for modern information retrieval. Recent developments in threading and
multi-core processing have allowed us to create and use algorithms that
run parallel. Optimizing information retrieval broadens the applications
as it can be used to lower response times and make searching large data­
bases simple. Let’s take a look at an example. Imagine we have misplaced
some item in our house which has four rooms. �e item would be found
quicker if four people each search a room, rather than a person searching
all four rooms.
�e best parameters for recovery are usually determined by empirical
tuning and di�er depending on the set of documents and the demand. A
family of two-stage language models for knowledge collection precisely
captures the various in�uences of the query and document collection [7, 8]
on the collection’s optimal parameter settings. A two-stage smoothing
method was presented as an example, which allows estimating the smooth­
ing parameters entirely automatically. To smooth the document language
model in the �rst step, a Dirichlet with the collection language model
as the reference model is used. �e next move entails Google becoming

30.         







Introduction ◾ 7
increasingly relevant in our lives as the number of search engines such
as Google increases signi�cantly. All search engines need an e�cient
retrieval model that can correctly rank documents for a given query. �is
has been a major research topic in the collection of data for decades. Many
di�erent information retrieval problems have been successfully solved by
a new generation of retrieval models, o�en referred to as statistical lan­
guage models, in the last 10 years. In contrast to conventional models such
as the vector s, these modern models have a stronger statistical base and
can use statistical estimation to optimize retrieval parameters.
A new classi�cation combines the strengths of two earlier methods:
boosted tree classi�cation and an empirically optimum lambda grade for
a commonly used data retrieval measure [9, 10]. While the concepts apply
to all poor students, the algorithm is built on enhanced regression trees
and is substantially faster in both the train and test phases while main­
taining comparable accuracy. Solving the line research problem by �nding
an ideal linear combination for two rankers demonstrates how to use this
approach speci�cally when boosting and how to adapt a model starting
from a previously trained model using an e�cient technique.
1.3 INTRODUCTION TO SEMANTIC WEB RETRIEVAL
In this technical era, existence without the Internet is beyond imagina­
tion. World Wide Web (WWW), which connects billions of individuals
all around the globe, is the rapid, straightforward, and most pragmatic
medium of correspondence. WWW is the biggest warehouse of infor­
mation, and it is easily accessible in a user-friendly manner via gadgets
like PCs, portable tablets, cell phones, and many such devices. With
the expeditious development of WWW, web search tools have trans­
formed into the primary need of information retrieval for individu­
als to fetch the web information. Usually, users enter a query in the
browser; the Search Engine performs the query and renders pertinent
results as output.
�ough, hunting the web has accelerated the ful�llment level of the
users but is still not as required. However, retrieval of the required infor­
mation is yet a challenging job due to the fact that the information on
WWW is not structured and intelligible. Users still struggle to fetch the
precise facts on the Internet. Retrieving the most correct end result for
the user-entered query is a hard mission due to the giant unstructured
repository on the web. Also, the numbers of results returned by the search
engine are humongous.

31. 8 ◾ Hybrid Intelligent Systems for Information Retrieval
Most of the search engines (SE) are primarily keyword based, but most
of the time, it is a bit cumbersome to frame a query with the exact term
needed for the desired result. To resolve this, along with keyword match,
the semantics of the words must be taken into consideration by the SE.
�us, an information retrieval interface is required that renders high-
quality search results with high accuracy [22].
Earlier Tim Berner Lee and his team planned to store the documents on
the WWW. But as the volume of documents increases, searching for rele­
vant documents becomes challenging. To handle this, Tim Berner Lee and
his team later �nalize to de�ne the documents in a machine-interpretable
form. Here ontologies play an important role. Ontology de�nes a common
understanding of domain-speci�c concepts and their relationship.
Adding the convenience of keyword-based interfaces with the power
of semantic innovations is perhaps the most di�cult part of semantic
retrieval. As indicated by our vision of the semantic web, all the e�ort
toward expanding the retrieval e�cacy while saving the ease of use will
in the end get to the meaningful part of improving semantic searching
with keyword-based interfaces. �is is a di�cult job as it requires complex
inquiries to be replied with very few query terms.
�ough semantic web (Web 3.0) is an expansion of the present web
(Web 2.0), it is worth noting that replacement to Web 2.0 is not possible.
SE is one of the most useful resources on the web. It plays an important
role in retrieving information from huge repositories on the web. In order
to increase the performance of traditional SEs, semantic SEs need to be
developed to improve the search results and retrieval of more relevant
documents.
Most of the keyword-based search engines get the answers syntactically
correct but in huge volume. Endeavors are needed to improve the con­
ventional keyword-based SEs by considering the semantics in it. Semantic
Search is a region of research that concentrates on the meaning of terms
utilized as a part of client questions. Here ontology assumes a critical part
to characterize the idea alongside the relationship of terms in the domain.
Since the understanding of concepts is domain speci�c, ontologies are
domain dependent. According to this argument, the meaning of queries
in the tourism domain may vary in some other domains such as teaching.
It is the fact that classical information retrieval (IR) is a well-informed
and set-up discipline. A semantics-based IR moves toward enhancing it
as opposed to supplanting it. �e strategies created in traditional IR are
appropriate to semantic IR as well. Simply, the semantically enhanced IR

32.         



Introduction ◾ 9
TABLE 1.1 Performance of Information Retrieval Models
Ontology-Based
Information Retrieval Ve ctor Semantic Semantic Semantic
Method Space Probabilistic Semantic Similarity Association Annotation
Real-time applications 3 0 4 3 1 0
Precision 4 0 4 3 2 1
Recall 4 1 4 3 3 0
Reprocessing time 3 3 3 4 0 1
Retrieval time 0 3 2 4 2 1
*0—Poor; 1—Average; 2—Good; 3—E�cient; 4—Impressive.
approach embeds basic knowledge with clearly de�ned semantics to build
an intelligent web retrieval system [22].
Ontology-based information retrieval methods are widely classi�ed
into a variety of models as vector space, probabilistic, contextual, and
semantic. Similarity, association, and annotations are subparts of seman­
tic models. Table 1.1 speci�es the performance model of di�erent informa­
tion retrieval methods [11].
�e main di�erence between the traditional SEs and semantic SEs is as
follows:
In traditional SEs, query in the form of keywords is given to the search
interface without considering the relationship between the query key­
words, whereas in semantic SEs, query in the form of keywords(s) is given
to the search interface by considering the relationship between the query
keywords. �is is the main drawback of the traditional SE, which degrades
the performance of the traditional SE.
Moreover, to handle long queries, the semantic SE uses the ontology
that contains the prede�ned relation between domain-speci�c terms (key­
words) which is missing in traditional SEs.
In semantic SE, the query framed by the user is interpreted and the
important concepts are extracted. �e concepts extracted are mapped
with the ontology, and the results are presented to the user.
�e ontologies are broadly classi�ed into three main types [12]. In ter­
minological ontology, concepts are word senses and instances are words.
In topic ontology, concepts are topics and instances are documents. In
data model ontology, concepts are tables in the database and instances are
data records.
Semantic search may quickly render appropriate information in less
time due to ontology. Semantic similarity is calculated using WordNet.

33. 10 ◾ Hybrid Intelligent Systems for Information Retrieval
WordNet® is a massive lexical database in English. Nouns, verbs, adverbs,
and adjectives are grouped into psychological analogs (synsets), each of
which conveys a distinct notion. Synsets are linked by conceptual, seman­
tic, and lexical relations. �e application can be used to investigate the
following structuring of de�nitively associated words and ideas. WordNet
is also unreservedly and freely accessible for download. �e structure of
WordNet makes it a useful tool for natural language processing (NLP) and
computational linguistics.
�e Wordnet ontology [13] is a sort of semantic network that comprises
nodes (synsets) that address unique concepts, and nodes are in terms
associated with each other through semantic relations. �ese nodes and
semantic relations are utilized for investigating concepts from one to oth­
ers during the retrieval, e.g., search for the data containing opposite con­
cepts to the original one. �e various methodologies like word similarity,
structure similarity, synonyms, and those based on instances are utilized
to determine the similarities between entities. Synonyms can facilitate the
di�culty of usage of speci�c phrases in the ontologies for a similar concept.
WordNet [14] is an online lexical reference system developed at Princeton
University. �e WordNet thesauri can help enhance similarity measures.
WordNet can also be thought of as an ontology of natural language terms.
It has over 100,000 words organized into taxonomic hierarchies. Synonym
sets are made up of nouns, verbs, adverbs, and adjectives (synsets). Synsets
are also divided into senses, which correspond to di�erent interpretations
of the same phrase or notion. Di�erent synsets (concepts) are linked to
higher or lower synsets in the hierarchy via a variety of interactions. �e
hyponym/hypernym and meronym/holonym partnerships are the most
common. �e semantic similarity aids in the improvement of the term-
document similarity [15].
�e thesaurus-based similarity has been in use for long, wherein a
lexical resource such as a dictionary is used to specify the semantic rela­
tionship between words. A web source like WordNet is an example of the­
saurus-based similarity, but its major drawback is its inability to provide
any quanti�cation index to show the extent of similarity. �eir manual
maintenance and updation are also very costly. Besides this, the extent
of similarity varies across the context of time and domain. To overcome
this drawback, corpus-based similarity has been devised to compute the
semantic similarity [16].
WordNet appears to be a thesaurus in the sense that it collects phrases
depending on their meanings. However, there are a few key di�erences.

34.         








Introduction ◾ 11
For starters, WordNet connects precise senses of words rather than just
word forms (strings of letters). As a result, semantic disambiguation
occurs when phrases are encountered close together. Second, even if the
collection of words in a thesaurus does not follow any set pattern other
than meaning similarity, WordNet marks the semantic relationships
between words.
1.3.1 Structure
Synonymy is the most common relationship between phrases in WordNet,
such as between the words “open” and “unlock,” or “bus” and “automo­
bile.” Synonyms—words that express the same idea and can be used
interchangeably in a variety of contexts—are grouped into unorganized
groupings (synsets). With the help of a few “conceptual relations,” each of
WordNet’s 117,000 synsets is linked to other synsets. A synset also pro­
vides a brief de�nition (“sparkle”) and, in most cases, one or more brief
lines demonstrating how the synset components are used. Due to many
diverse synsets, there are di�erent word forms with di�erent meanings. As
a result, each form–meaning pair in WordNet is distinct.
1.3.2 Relations
�e super-subordinate relationship is the most typically encoded among
synsets (also called hyperonymy, hyponymy, or ISA relation). It connects
more generic synsets like furniture and pieces of furniture with more spe­
ci�c ones like a bed and a bunk bed. As a result, WordNet states that the
classi�cation furniture includes a bed, which in turn includes a bunk bed.
On the other hand, the class furniture includes concepts such as a bed
and a bunk bed. Following that, all noun hierarchies ascend from the root
node object. If a bunk bed is a type of bed, and a bed is a type of furniture,
then a bunk bed is a type of furniture. WordNet distinguishes between
Types (common nouns) and Instances (non-common nouns) (speci�c per­
sons, countries, and geographic entities). Parts are not inherited “upward”
as they may be characteristic only of speci�c kinds of things rather than
the class as a whole: beds and kinds of beds have legs; however, now not all
kinds of furniture have legs.
1.3.3 Clustering
�e study in [17] introduced a new clustering scheme based on the ontol­
ogy distance measure. �e WordNet is utilized to calculate the term
mutual information matrix. �e new model consolidates the customary

35. 12 ◾ Hybrid Intelligent Systems for Information Retrieval
term mutual information and term frequency information. �e terms are
treated as correlated in the ontology scheme but uncorrelated in the VSM-
based clustering scheme. �e technique coordinates the term mutual
information with the conceptual background knowledge given by ontolo­
gies. �e outcomes showed that semantic IR framework execution is supe­
rior to the traditional IR framework.
�e study in [18] introduced a novel concept-based mining model.
�e proposed model catches the semantic structure of each term inside a
sentence and document rather than estimating the frequency of the term
within a document only. �e model utilizes a concept-based similarity
measure. �e concept-based similarity measure combines the concepts
weight at the sentence, document, and corpus level. �e characteristics of
text clustering results are preferred accomplished by this model than by
the traditional single term-based approaches.
A model of a fuzzy semantic SE is created, and the outcomes are con­
trasted with conventional search engines in the study presented in [19].
�e study in [20] examines the basic web page clustering algorithms
with the assistance of a k-means algorithm and upgrades its performance
by providing solutions to its problems.
�e examination in [21] proposed a pre-clustering-based latent seman­
tic evaluation algorithm for document retrieval. In the standard latent
semantic algorithm for �le retrieval, the algorithm can handle the separate
challenges of painstaking calculation of the similarity between the query
vector and every text vector. It clusters the texts using k-means clustering,
which is mostly based on latent semantic analysis, and then determines
the key factor of each cluster and then calculates the similarity between
the query vector and each and every cluster’s central points for retrieval.
Based on this study, the semantic web retrieval system is implemented
using the clustering technique to construct the ontology for the Indian
Tourism domain which is discussed as a case study in Chapter 9.
1.4 INTRODUCTION TO NATURAL LANGUAGE
PROCESSING FOR INFORMATION RETRIEVAL
IR systems are designed to provide a stored collection of information
available to users. IR is a search mechanism that consists of data acquisi­
tion, analysis, organization, and promulgation of information, especially
in knowledge-based information [23, 24]. A variety of systems using infor­
mation retrieval are focused on the retrieval of text, images, video, and a
wide range of digital information. With the accretion of IR systems and

36. Introduction     ◾    13
online digital information, new digital libraries have emerged. In the past
few years, IR has gained attention because of the large amount of informa
tion available online. Existing data retrieval techniques for search opera
tions have been enhanced to meet the requirement of huge amounts of
data available on the Web, and advanced techniques have been proposed
in recent years for IR systems. �e spike in number of new users using the
Web has caused issues in the e�ciency of IR search because of diversity in
user populations [26, 27].
NLP is the computer system-based analysis of natural language text
which uses both theories and technology. NLP includes linguistic analysis
of natural language text data using computational techniques in order to
achieve human-like language processing which will be applicable in vari
ous �elds [31].
Human beings learn language by �nding patterns and templates and
learn how to convey plural/singular and how to �nd out verbs, adverbs,
nouns, and so on. Understanding all this about language, humans can
form sentences and questions. If humans can do this, then NLP teaches
computers to do the same. Further, similar to human beings, computers
can understand the meaning of a sentence or a document.
1.4.1 Working of IR Systems NLP
In IR, the basic steps followed are as shown in Figure 1.3. In the �rst step,
the user enters a search query for some information required; in the second
­
­
­
FIGURE 1.3 Basic steps followed in IR system.

37. 14 ◾ Hybrid Intelligent Systems for Information Retrieval
FIGURE 1.4 IR systems architecture.
step, based on the user query, IR system performs a search on documents,
and �nally, IR system displays relevant documents to the user. �e second
step is the most important and core activity to perform search to identify
related documents. NLP techniques play an important role in this as user
query and documents consist of plain text and to get relevant results; these
are two inputs to IR systems [31].
IR system consists of three �les: (1) �le with records/full text docu­
ments along with bibliographic and indexing data, (2) dictionary—which
consists of an alphabetical list of words, and (3) inversion list—which
maintains information about locations of occurrences for all words pres­
ent in the dictionary. Inversion list makes search operation more e�cient.
As shown in Figure 1.4, there are the following four important steps
performed in IR Systems Architecture:
Step 1: Document processing—IR system takes input documents; it
performs tagging and information extraction during this stage; also IR
systems construct inverted �le. Stop words get removed, and new docu­
ments are inter�led with the existing list. IR systems also insert or cre­
ate knowledge bases that consist of lexicons, semantic networks, phrases,
synonyms, and pronouns. At this stage, various processing is performed,
which includes stemming, part of speech tagging, and automatic indexing/

38.         


Introduction ◾ 15
subject categorization. NLP techniques represent each sentence with the
role of each word and its relationship with other words in the sentence.
Step 2: Query processing—In this step, the user query gets processed
using Boolean, NLP, and statistical systems to generate a computer inter­
pretable query. Statistical systems identify stems and singular and plu­
ral forms and assign weights to terms in the query, and the NLP system
identi�es terms, performs part of speech tagging, identi�es objects, sub­
jects, agents, and verbs, and adds synonyms. �is processing generates an
unambiguous query.
Step 3: Query matching—During the query matching step, the inter­
preted query is compared with the inverted �le and knowledge base for
�nding a match. During this step in the traditional system, every query
word is matched as it is entered by the user, whereas the NLP-based system
expands the query and adds synonyms from its knowledge base.
Step 4: Ranking and sorting—All the selected documents that are
matched during query matching get sorted with respect to date, �eld
[26, 27, 28].
1.4.2 Why NLP for IR?
�e goal of NLP is to make computer systems perform human-like
language processing. In the early days of AI, NLP was called Natural
Language Understanding (NLU). Although the goal of NLP is actually
NLU which is not yet achieved. A complete NLU system can do four text
processing, namely, paraphrasing, translation, answering questions, and
drawing inferences. However, NLP has achieved i–iii goals, and thus com­
plete NLU remains the goal of NLP.
NLP techniques are applied to natural language text available online
to make computers understand and manipulate natural language text to
perform desired tasks. �ere are many practical applications of NLP. For
example, an NLP-based IR system will provide more accurate, detailed
information expected by the user as a response to the user’s query. �e
main goal of NLP in IR is to represent the actual meaning and intention
behind user queries that can be conveyed using any language. Also the
contents of the documents searched can also be presented at multiple lev­
els of meaning so as to satisfy user requirements and replies, irrespective
of how both are expressed in the surface form.
Information retrieval systems (IRS) have a signi�cant amount of text
involved in both document and query processing; however, there are very
few implementations that utilize NLP for IR. Statistical methods for NLP

39. 16 ◾ Hybrid Intelligent Systems for Information Retrieval
are frequently utilized in IR, but there are researchers who have success­
fully developed IR systems based on NLP.
1.4.3 NLP Techniques for IR
Various NLP techniques such as tokenization, stop word removal, stem­
ming, part of speech tagging, and chunking are used in IR [25]. �ere are
IR use cases where some NLP techniques are used before using IR tech­
niques which are also called data preprocessing.
Tokenization: In the tokenization process, tokens are generated by
splitting input paragraphs into output sentences and input sentences into
a list of words. A list of words is tokens in the input sentence, and a list
of sentences is tokens in the input paragraph. Tokenization examples as
shown in Figure 1.5 take input sentences and generate output tokens,
which will be used for further processing.
Stop word Removal: Almost all IR applications remove stop words (fre­
quently appearing but meaningless words) in order to improve the perfor­
mance. Stop word removal makes data easier to understand as it removes
meaningless words (stop words) from data. Some examples of stop words
are “a,” “an,” “the,” “in,” “on,” and so on, as shown in Figure 1.6. Search
FIGURE 1.5 Tokenization example.
FIGURE 1.6 Stop word removal example.

40.         



Introduction ◾ 17
engines such as Google are designed to remove stop words while indexing
data during search operation as well as while retrieving data as a result.
�is process makes operations more e�cient with respect to processing
time and space.
Stemming: During stemming, words get converted to its basic form.
Table 1.2 shows stemming examples, and it is useful in IR, but its e�ect
depends on the system tested and queries executed for testing the system.
Stemming has two types: dictionary-based stemming and Porter-style
stemming. Dictionary-based stemming has more accuracy, but it leads
to high processing costs and lower coverage. Porter-style stemming has
lower accuracy, but it has less processing costs. Porter-style stemming
reduces the index size and also improves results.
Process of stemming improves similarities of documents and queries
because stemming increases common terms in documents and queries.
An increase in similarity increases IR recall value, but it reduces IR preci­
sion value. Stemming should be optimized with the IR system for better
performance.
Part-of-speech tagging: Part-of-speech tagging uses NLP techniques
used to assign a syntactic category to each word in the document in order
to resolve ambiguities. Part of speech shows the purpose and meaning
of words in sentences with respect to grammar. Table 1.3 shows the tags
TABLE 1.2 Stemming Examples
Input Words Stemmed (Root)Words
Explains Explain
Explaining Explain
Explained Explain
Examples Example
TABLE 1.3 Universal Part-of-Speech Tagset

41.    

18 ◾ Hybrid Intelligent Systems for Information Retrieval
FIGURE 1.7 Part-of-speech tagging example.
FIGURE 1.8 Classi�cation of POS tagging techniques.
and their meanings for di�erent words used in English. F igure 1.7 demon­
strates an example of how part-of-speech tagging assigns di�erent tags to
every word used in a given sentence based on word meaning and English
grammar.
A variety of techniques have been used for part of speech tagging.
Figure 1.8 shows the classi�cation of POS tagging techniques, and Table 1.3
has a Universal Part-of-Speech Tag set [29].
1.4.4 Advantages and Challenges of NLP in IR
In the history of IR, more focus was given to the representation and
retrieval of documents with limited natural language. �e system handles
user queries and also does the document match and was implemented
using bag-of-words which treats each term independently and context
and semantics were not utilized. �ere were computational challenges due
to increased database sizes. IR models, for example, vector space models
have high computation cost because of high dimensions in document rep­
resentation and query matching processing. Research-based IR has high
impact which takes advantage of advanced NLP techniques and provides a
better environment for the user queries and also enhances retrieval evalu­
ation than normal term independence models [30].

42.         




















Introduction ◾ 19
�is work has presented various methods for utilizing modern NLP
with existing IR systems. In addition to text, they have applied queries to
speech data.
Exercise
1. What is information retrieval?
2. De�ne a semantic information retrieval system.
3. List challenges of searching for information on the web?
4. List the di�erence between data retrieval and information retrieval?
5. Discuss the objectives of information retrieval systems?
6. Describe precision and recall of an information system with an
example?
7. What is the purpose of �esaurus? Explain what it contains.
8. What is natural language processing?
9. What is the relation between IR and NLP?
10. What are the bene�ts and challenges in applying NLP for IR?
11. Explain IR system architecture.
12. Why use NLP for IR?
13. Explain IR architecture and steps involved in IR.
14. Explain tokenization with suitable examples.
15. Explain stop word removal with suitable examples.
16. Explain stemming with suitable examples.
17. Explain part-of-speech tagging with suitable examples.
REFERENCES
[1] Lucia, De “Information retrieval models for recovering traceability links
between code and documentation” in Proceedings 2000 International
Conference on So�ware Maintenance, pp. 40–49. IEEE, 2000.
[2] Ivan Vulić and Marie-Francine Moens “Monolingual and cross-lingual
information retrieval models based on (bilingual) word embeddings”

43.  



 











20 ◾ Hybrid Intelligent Systems for Information Retrieval
in Proceedings of the 38th International ACM SIGIR Conference on Research and
Development in Information Retrieval, pp. 363–372. 2015. ACM Digital Library.
[3] �omas Roelleke and Jun Wang  “A parallel derivation of probabilistic infor­
mation retrieval models” in Proceedings of the 29th Annual International
ACM SIGIR Conference on Research and Development in Information
Retrieval, pp. 107–114. 2006. ACM Digital Library.
[4] Binbin Yu “Research on information retrieval model based on ontol­
ogy” EURASIP Journal on Wireless Communications and Networking 2019,
no. 1 (2019): 1–8. Springer.
[5] Peilin Yang and Hui Fang “A reproducibility study of information retrieval
models” in Proceedings of the 2016 ACM International Conference on the
�eory of Information Retrieval, pp. 77–86. 2016. ACM Digital Library.
[6] Praveen Pathak Michael Gordon and Weiguo Fan “E�ective information
retrieval using genetic algorithms based matching functions adaptation”
in Proceedings of the 33rd Annual Hawaii International Conference on
System Sciences, p. 8. IEEE, 2000.
[7] ChengXiang Zhai and John La�erty “Two-stage language models for infor­
mation retrieval” in Proceedings of the 25th Annual International ACM
SIGIR Conference on Research and Development in Information Retrieval,
pp. 49–56. 2002. ACM Digital Library.
[8] Norbert Fuhr “Probabilistic models in information retrieval” �e Computer
Journal 35 (1992). Oxford University Press.
[9] Laith Mohammad Qasim Abualigah and Essam S. Hanandeh Zarqa
“Applying genetic algorithms to information retrieval using vector space
model” International Journal of Computer Science, Engineering and
Applications (IJCSEA) 5 (2015).
[10] Qiang Wu, Christopher J. C. Burges, Krysta M. Svore and Jianfeng Gao
“Adapting boosting for information retrieval measures” Information
Retrieval 13 (2010).
[11] Sanjib Kumar Sahu, D. P. Mahapatra and R. C. Balabantaray “Analytical
study on intelligent information retrieval system using semantic net­
work” In Computing, Communication and Automation (ICCCA), 2016
International Conference on, pp. 704–710. IEEE, 2016.
[12] Barry Smith and Christopher Welty “Ontology: Towards a new synthesis”
in Formal Ontology in Information Systems, vol. 10, no. 3, pp. 3–9. ACM
Press, 2001.
[13] “Semantic web information retrieval based on the wordnet” International
Journal of Digital Content Technology and its Applications 6, no. 6 (2012):
294–302.
[14] Peter Oram “WordNet: An electronic lexical database. Christiane
Fellbaum (Ed.). Cambridge, MA: MIT Press, 1998. Pp. 423” Applied
Psycholinguistics 22, no. 1 (2001): 131–134.
[15] Alexander Budanitsky and Graeme Hirst “Evaluating wordnet-based mea­
sures of lexical semantic relatedness” Computational Linguistics 32, no. 1
(2006): 13–47.

44.         






















Introduction
◾ 21
[16] M. Kathuria, C. K. Nagpal and N. Duhan “A survey of semantic similar­
ity measuring techniques for information retrieval” in Computing for
Sustainable Global Development (INDIACom), 2016 3rd International
Conference On, pp. 3435–3440. IEEE, 2016, March.
[17] Liping Jing, Lixin Zhou, Michael K. Ng and J. Zhexue Huang “Ontology­
based distance measure for text clustering” In Proc. of SIAM SDM Workshop
on Text Mining. Bethesda, MD, 2006.
[18] S. Logeswari and K. Premalatha “Fuzzy C-means clustering for biomedical
documents using ontology based indexing and semantic annotation” World
Academy of Science, Engineering and Technology, International Journal of
Computer, Electrical, Automation, Control and Information Engineering 8,
no. 5 (2014): 891–895.
[19] S. Remi and S. C. Varghese “Domain ontology driven fuzzy semantic infor­
mation retrieval” Procedia Computer Science 46 (2015): 676–681.
[20] Peyman Almasinejad and Mohammad Javad Kargar “A novel web-page
clustering method using K-means improved with cellular learning autom­
ata and genetic algorithm” International Journal of Computer Science and
Network Security 17, no. 6 (2017): 278–286.
[21] Chen Wenli “Application research on latent semantic analysis for information
retrieval” in Measuring Technology and Mechatronics Automation (ICMTMA),
2016 Eighth International Conference on, pp. 118–121. IEEE, 2016.
[22] Shilpa S. Laddha, Nitin A. Koli and Pradip M. Jawandhiya “Indian tour­
ism information retrieval system: An onto-semantic approach” Procedia
Computer Science 132 (2018): 1363–1374, ISSN 1877–0509.
[23] W. Hersh “Information retrieval” in Biomedical Informatics, pp. 755–794.
Springer, 2021.
[24] A. Gupta and R. Jain “Visual information retrieval” Communications of the
ACM 40, no. 5 (1997): 70–79.
[25] T. Brants Natural Language Processing in Information Retrieval, p. 111.
CLIN, 2003.
[26] Liddy, E.D. 2001. Natural Language Processing. In Encyclopedia of Library
and Information Science, 2nd Ed. NY. Marcel Decker, Inc.
[27] G. G. Chowdhury “Natural language processing” Annual Review of
Information Science and Technology 37, no. 1 (2003): 51–89.
[28] D. D. Lewis and K. S. Jones “Natural language processing for information
retrieval” Communications of the ACM 39, no. 1 (1996): 92–101.
[29] Dietmar Wolfram “Bibliometrics, information retrieval and natural lan­
guage processing: natural synergies to support digital library research”
in Proceedings of the Joint Workshop on Bibliometric‑Enhanced Information
Retrieval and Natural Language Processing for Digital Libraries (BIRNDL),
pp. 6–13. 2016. ACM Digital Library.
[30] Matthew Lease “Natural language processing for information retrieval:
�e time is ripe (again)” in Proceedings of the ACM �rst Ph. D. workshop in
CIKM, pp. 1–8. 2007. ACM Digital Library.
[31] S. Feldman “NLP meets the Jabberwocky: Natural language processing in
information retrieval” Online‑Weston then Wilton 23 (1999): 62–73.

46. Chapter 2
Matching Functions
2.1 CLASSICAL MATCHING FUNCTIONS
As storage device cost continues to drop, the number of databases,
including relational, graphical, and textual, is increasing tremendously.
Knowledge organizations provide a wide spectrum of information in
huge collections of documents. �ese repositories are expected to expand
quickly with the emergence of E-commerce and organization intranets/
extranets. �is exponential growth has generated large collections of doc­
umentation, fragmented and unstructured. While it is increasingly easier
to gather and hold data in the document, retrieval of valuable informa­
tion from these large collections of documents has become increasingly
di�cult. Di�erent methods were used to solve these problems to improve
recovery e�ciency and in the information retrieval area, in what way
the GAs can be used and by what method the matching functions (MF)
adjusted with GAs.
�ere are several documents comprising information on di�erent sub­
jects or topics of interest in a document collection. �e content of doc­
uments is either translated manually or automatically into a document
representation. �e presentation of documents is performed in such a way
that it is simple to correspond to queries. A further concern in the rep­
resentation of documents is that an illustration should re�ect the user’s
intent correctly. �e main issue is how correct index words can be selected.
�e representation usually proceeds through the extraction and organiza­
tion of keywords that are called content identi�ers in a given format.
DOI: 10.1201/9781003187974-2 23

47. 24 ◾ Hybrid Intelligent Systems for Information Retrieval
Queries renovate the data need of the user into a form that appropri­
ately re�ects the basic information desires of the user and is appropriate
for the matching progression. Formatting of queries relies on the subse­
quent recovery model using Boolean models [1], vector space models [2],
probabilistic models [3,4], fuzzy retrieval models [5], and models based on
arti�cial intelligence techniques [6], adapting corresponding functions to
match document descriptions with queries using GA.
�e ultimate MF is seen as a weighted grouping of results formed by
each matching function. �e sum of these scores is used to classify and
repossess data. GA is used to search for weights associated with individual
functions. A matching algorithm corresponds to the queries of a user and
retrieves documents that are the most commonly applicable to the user.
Queries transform the data need of the user into a form that correctly
re�ects the basic information needs of the user and is appropriate for the
matching process. A single function of this kind is usually used to balance
the document vector with the query vector.
In this study, all three matching functions balance the document speci­
�cation with the user query [7]. �e resulting documents are classi�ed by
matching ratings. Jaccard is the most frequently used match feature for IR
analysis, as it produces meaningful results. Jaccard is used for the identi­
�cation of similarities in documents and is used in Boolean algebra when
negative values do not contain any information. Preprocessed dataset is
the input prerequisite. Jaccard is used for text mining and query optimiza­
tion applications as shown in equation (1):
Jaccard Coe�cient =
t
AB∗∑
i=1
i i (1)
t t t
∑
A
i
2
+ B
2
−∑
i
∗∑ i
AB
i
i=1 i=1 i=1
For discrete cases, dice is an association coe�cient. It is the same as Jaccard, but then it gives agreement weight double. A preprocessed data collection is the input requirement. For conceptual graph mining, text comparison, and text mining applications, it is useful as shown in equation (2):
Dice Coe�cient =
2
t
AB∗
∑
−1
i i (2)
t t t
A
2
+ B
2
− ∗AB∑
i=1
i ∑
i=1
i ∑
i=1
i i

48.         


Matching Functions ◾ 25
�e cosine function is o�en used to evaluate the resemblance in the MF
between two documents, and then it does not function good when the
clusters are not divided good. �e adjacent information and the relation
to document grouping are applied to solve this problem. �e similitude of
cosine is a degree of parallel among two vectors by comparing their angle
cosine. For every other angle, the cosine of zero is one and less than one.
A preprocessed data collection is the input requirement. It is used mainly
to test solidarity between data mining clusters and text mining as shown
in equation (3):
∑
τ
Cosinef_ unctio=
i=
A
n
1
i
B
(3)
∑
τ


2
=
A2
i 1
i
where Ai is a term I w eight in the document and Bi is a term I weight in
the query. In this study, we use all these matching functions to contrast
outcomes with the matching functions proposed.
As indicated, prior GAs were used to alter representations of docu­
ments or queries. We illustrate in this section, by what means the GAs
used to adapt the MF that can be used to evaluate our algorithm and the
experimental design. As the model underlying the analysis, we use the
vector space model [8]. Documents and queries are in a multi-dimensional
vector space in this model. Repossession is done by looking for documents
similar to the query vector. Using an individual function of this kind, the
document vector is usually matched with the query vector. Although
literature [9] has tested a huge amount of matching functions, not an
individual MF has shown excellent performance. Characters such as data­
base size, database type, and the user community’s existence impact the
matching function [9]. Reference [10] found that a 12% increase in average
accuracy can be achieved by switching between di�erent normalization
internal product measures to match functions. �ese factors also mean
that optimum matching functions need to be learned. Although signi�­
cant, there has been very little research on adapting matching functions.
In order to enhance the constraints for MF, [11] used numeric methods.
However, individually the constraints used in a typical internal product
measurement have been optimized. �eir suitable matching function is
therefore restricted to variations in normal internal measurements of the
product. For example, the adaptation of the coordination functions leads

49. 26 ◾ Hybrid Intelligent Systems for Information Retrieval
to one of the subsequent: internal product, cosine, and pseudo-cosine. In
comparison, our study is associated with adapting various types of match­
ing functions and is not con�ned to the matching function of a speci�c
form. Reference [11] suggested that the IR model has parameters such as
the ordering of di�erent documents. �is presumption allows numerical
methods to be utilized. �is belief that various parameters exist cannot be
subject to discrete criteria such as Precision (P) and Recall(R). Di�erent
system performance metrics have been used to assess the e�cacy of the
system in meeting user information speci�cations, such as precision and
recall. Recall is a proportion of the amount of similar collected documents
to the numeral of documents o�ered in the gathering of documents.
Precision is classi�ed as a ratio between the numeral of relevant docu­
ments repossessed and the overall amount of documents repossessed.
�erefore, the numerical approaches are not helpful always. Our study
uses GAs that are not limited by assumptions about the existence of the
parameters used.
Assuming a complete matching function as a weighting summation of
the values generated by various functions represented by (4):
Complete matching function (dj,q) = S (wti * M�(dj,q)) (4)
where i ranges from 1 to the total amount of matching functions used;
MF1, MF2, and so on are the scores generated by each matching func­
tion; and wt1, wt2, and so on are the weights allied with these scores. �e
(dj,q) indicates that this matching function is used to evaluate the scores
of document dj where j varies between 1 and the total amount of docu­
ments of that query q. �e weights wt1, wt2, and so on vary between 0.0
and 1.0. �e greatest weight means more important than that allied to
lower weights is the matching function. An MF is doubly essential with a
weight of 0.6 as well as a weight of 0.3. A matching function is absolutely
negligible with a corresponding weight of 0.0. It is hypothesized that by
appropriate grouping of these diverse weights, in weighted grouping of
scores generated by individual MF, the results of retrieval that are higher
than those formed by an individual matching function should be possible.
�is reduces the task of �nding suitable weights for any matching func­
tion. �is is essentially pursuit for an ideal grouping of weights in a mul­
tidimensional region.
GAs are strong enough to pursuit for an optimum or near-optimum
solution in a multidimensional space [12, 13]. �is inspired the use of GA

50.         








Matching Functions ◾ 27
to pursuit for such an optimum or almost optimum blend of weights in
this study.
�e GA �tness function is optimized by a genetic process. It is very
important to choose a suitable �tness function. �e two most common
metrics of retrieval e�ciency are precision and recall in information
retrieval (IR). In general, GA requires a single-valued measure to deter­
mine a population �tness. Reference [14] has proposed an individual-point
measure combining P and R presented in equation (5):
1
E =− (5) 1
⎡α (1−α)⎤
+
⎢ ⎥
⎣P R ⎦
where ∝ is a parameter to be used for the precision (P) or recall (R)
part of user choice. A higher value of ∝ characterizes a person that
has fewer recall preferences, although a low worth of ∝ typifies one
with fewer accuracy priorities. We have chosen (1‑E) for our fit­
ness function to ensure better results in the greatest worth of our
fitness function.
Hypotheses: Two hypotheses and even graphical analysis have been
used to assess the feasibility of the GA-based approach. �e avg accuracy
was calculated in Precision. �e hypotheses tested were as follows:
Hypothesis 1: �e adjustment of GA-based matching function improved
the avg repossession performance in the last generation in comparison
with the performance obtained without genetic modi�cations by the indi­
vidual matching function.
H0: Complete Avg performance
�nal generation – Avg performance
individual
matching function
≤ 0
(for every individual matching function)
H1: Complete Avg performance
�nal generation – Avg performance
individual
matching function
> 0
(for every individual matching function)
�is hypothesis measures the e�ciency of an overall matching function
(OMF) rather than a single matching function for retrieval. �is is accom­
plished by associating the avg total performance generated by any match­
ing function used without any change or variation in the last generation.

51. 28 ◾ Hybrid Intelligent Systems for Information Retrieval
Average performance states the performance average for all system queries.
Avg performance
individual matching function shows the avg performance achieved
when the retrieval process only uses a single matching function deprived
of any adaptation. GAs are used to modify the weights allied with a com­
plete matching function. �e retrieval e�ciency should improve over gen­
erations. In the �nal generation, we evaluate the output obtained by any
matching function for substantial improvements. If the null hypothesis is
wrong, the value of the use of a weighted matching function as an alterna­
tive to a single matching function can be determined since the weights are
modi�ed by GA as de�ned.
Hypothesis 2: Adaptation of the GA-based matching function increases
the avg repossession e�ciency of the last generation in comparison to the
initial values.
�e hypothesis H0 is,
Complete Avg Performance
�nal generation – Avg complete performance
initial generation ≤ 0
�e hypothesis H1is,
Complete Avg Performance
�nal generation – Avg complete performance
initial generation > 0
�is hypothesis measures the utility of the GA method for the adapta­
tion of weights with the distinct MF. Here avg complete performance
initial
generation
shows the avg performance of the MF variations at the start of the
operation. Correspondingly, avg complete performance
�nal generation shows
the avg performance in the �nal generation of the MF versions. If the zero
hypothesis is wrong, then the fact that the GA-oriented weight adjustment
increases the retrieval e�ciency over time.
�e GA Procedure: �e succeeding steps were followed to implement
GA shown in Figure 2.1.
Generate matching function variants: We have assigned the random
selected weight range from 0.0 to 1.0 for each MF. A weighted grouping of
the distinct function values is the OMF (distinct MF scores are standard­
ized in the series of zero to one). �e de�nite real numbers between 0.0
and 1.0 are used to encode weights. �ere were 50 population sizes of these
randomly selected individuals in the initial population.

52.         




Matching Functions ◾ 29
FIGURE 2.1 Flow of genetic procedure.
Matching function variants �tness evaluation: An overall match score is
determined for each person in the population for each paper, and docu­
ments are organized in the lower degree of that score. �e top DCV num­
ber for documents is found on the basis of the parameter for the document
cut-o� (DCV is the number of documents that the user is able to see). P
and R are taken into account in the relevant judgments for this collec­
tion of documents. By using these values, the strength of the individual
is assessed.
Genetic Variation: GA’s operators are used to create the next genera­
tion of individuals in the preceding generation. Four phases are involved.
1. Select and imitation: In the next generation, all individuals are made
eligible for imitation. In selecting individuals for reproduction, the
roulette-wheel reproduction method is used.
2. Crossover: A crossover is used to exchange information among two
arbitrarily chosen points on a distinct string. �e number of individ­
uals that truly mate is determined by the parameter “crossover rate.”
3. Mutation: �e introduction of Gaussian noise completes the
mutation.

53. 30 ◾ Hybrid Intelligent Systems for Information Retrieval
4. Closure of operation: A�er preset numbers of generations or a�er
convergence, the process of genetic modi�cation has been completed
without improvement in results.
CASE STUDY
A matching function is a mathematical association, which labels the cre­
ation by unmatched agents of the appropriate type of relationships. For
example, matching functions can be presumed to have a “Cobb-Douglas”
type in connection with job formation according to equation (6):
m
t = M (ut, vt) = µ u
t
a v
t
b (6)
where µ, a, and b are optimistic constants. In the aforementioned equa­
tion, the amount of job pursuers in the society at a certain time t and v
t
is the amount of unoccupied jobs attempted to block. �e amount of new
associations formed is indicated by m
t per unit of time.
A matching function to the production function is generally equiva­
lent. Whereas a production function generally involves the production of
goods and services from inputs such as labor and capital, a matching func­
tion is the creation of new relations from the pools of unparalleled people
available. Evaluations of the matching function such as the labor market
indicate that there is a constant return, that is, a + b ≈ 1 .
If the fraction of jobs that are distinct due to �ring, quitting, and so
on is ∂, then we have to apply a construction of the new matches and sub­
tract the separation from the old match in order to quantify the change
in employment from one cycle to the next. Depending on the data being
considered, a cycle may be considered as a week, a month, a quarter, or a
suitable time period. We ignore the entrance into the workforce of new
employees and the death or retirement of older workers for convenience,
but these problems can also be addressed. Assume the number of workers
working in period t as n
t = L
t – u
t, where L
t is the labor force in period t.
At that time, the changes in operation over time will be equated with the
aforementioned matching function (7):
n
t+1 = µ u
t
a v
t
b + (1 – ∂) n
t (7)
Several studies consider ∂ as a persistent constant for convenience.
However, if the value of the match is assumed to vary over time, the pro­
portion of workers separating by duration may be described endogenously.

54.         







Matching Functions ◾ 31
2.2 HYBRID VIRTUAL CENTER MATCHING FUNCTION
(VCF) FOR GENETIC ALGORITHM-BASED RETRIEVAL
Hybrid virtual center-based data retrieval utilizes two new algorithms:
VCF as a �tness function and VCF GA known as VCGA.
�e virtual center matching function is performed in three phases:
• Input datasets are clustered to include the optimal centroid clusters.
• Retrieval of information using the VCF function, for this collection
of centroids the VCGA is used.
• �ese IR results are then compared to classical matching function
IR results.
2.2.1 Applying Clustering on Datasets
Clustering means dividing the population or data points into many sepa­
rate categories to ensure a similarity between the data points of the same
groups and those of the other groups. �ese clusters represent di�erent
mechanisms in the �eld of data drawn from, which cause instances to have
a stronger similarity than the other instances in the search area. �e aim
is to divide X instances into K classes of Ck; each data belonging to the
equivalent set is more connected than data in a dissimilar set. A cluster is
named for any “K” category. �e input data vectors are Iris and Wine. For
these input data vectors, k-means algorithm is executed in groups or clus­
ters. Clusters are produced by using Weka tool. �ese clusters are believed
to be the perfect clusters with a clear central representative. �ese cen­
troids produced the population for the VCF-dependent GA information
repossession.
2.2.2 Matching Function in the Virtual Center
As a contribution, the centroid clusters are taken as solid representatives.
�ere are a number of centroids in the population. VCF is a new MF for
matching the user query through centroids available in the population
[15,16]. �is match only applies to the synchronizes in the vector of the
query. When a user �res a query, the keyword index in the query list is
scanned. �ese indices now match the index keyword in centroids. Means
are only taken and compared when the indices are matched. �e maxi­
mum average value corresponds perfectly to the target center.
�e VCF algorithm outlines the steps that have been taken to �nd the
virtual center as seen in Figure 2.2.

55. Random documents with unrelated
content Scribd suggests to you:

56. Ja ihan heidän edessään seisoi kaksi ihmeellistä olentoa, mutta ne
näyttivät paljon ihmismäisemmiltä kuin lapsuudessa, ne olivatkin
muuttuneet; ne olivat nimittäin tutut piparikakut, mies ja tyttö; ne
käänsivät oikean puolen ulospäin ja olivat erittäin kauniit.
"Kiitos!" virkkoivat molemmat Knutille; "sinä olet irroittanut
kielemme! Sinä olet opettanut että aina pitää lausua ajatuksensa
suoraan ja vilpittömästi, muuten ei asiasta synny mitään! ja nyt on
asiasta tullut tosi — me olemme kihloissa!"
Ja sitte ne käsi kädessä astelivat Kjögen katuja, ne olivat
nurjaltakin puolelta hyvin siistin näköiset, ei niissä ollut mitään
moittimisen sijaa! ja ne suuntasivat kulkunsa suoraan Kjögen kirkkoa
kohti ja Knut ja Johanna tulivat perässä; he astuivat hekin käsi
kädessä; ja kirkko oli ihan entisellään, seinät punaiset ja muratti
kaunista ja vihreää, ja kirkon suuret ovet avautuivat molemmin
puolin ja urut soivat ja mies ja tyttö kulkivat ylös pääkäytävää.
"Herrasväki ensin!" sanoivat ne, "piparikakkujen häävieraat!" ja sitte
ne asettuivat kumpikin puolelleen ja tekivät tilaa Knutille ja
Johannalle, ja he polvistuivat alttarin juurelle ja Johanna painoi
päänsä Knutin kasvoja vastaan ja hänen silmistään vieri jääkylmiä
kyyneleitä: jää suli hänen sydämestään Knutin väkevän rakkauden
hohteessa ja kyyneleet valuivat hänen polttaville poskilleen ja —
siihen hän heräsi. Hän istui vanhan piilipuun alla, vieraalla maalla,
kylmänä talvi-iltana; pilvistä putosi jäisiä rakeita, ne piiskasivat
hänen kasvojaan.
"Se oli elämäni ihanin hetki!" sanoi hän, "ja se oli unta. — Jumala,
anna minun nähdä se uni uudelleen!" ja hän sulki silmänsä, hän
nukkui, hän näki unta.

57. Aamupuoleen satoi lunta, pyry ajoi lunta hänen jaloilleen, hän
nukkui. Maalaiset menivät kirkkoon; he tapasivat käsityöläissällin,
hän oli kuolleena, paleltuneena — piilipuun alla.

58. VIISI HERNETTÄ.
Herneenpalossa oli viisi hernettä, ne olivat vihriät ja palko oli vihriä
ja ne luulivat että koko maailma oli vihriä, ja se oli aivan oikein!
Palko kasvoi ja herneet kasvoivat, ne järjestivät olonsa asuntonsa
mukaan; ne asettuivat riviin. — Aurinko paistoi ulkopuolella ja
lämmitti palkoa, sade kirkasti sitä; siellä oli hyvä ja tyyni olla, päivällä
valoisaa, yöllä pimeää, aivan kuten olla piti, ja herneet tulivat
suuremmiksi ja yhä ymmärtäväisemmiksi, täytyihän niiden jotakin
tehdä siellä palossa istuessaan.
"Jäänkö minä ikipäiviksi tänne kököttämään!" sanoivat ne,
"kunhan minä vaan en kovenisi, kun istun paikoillani niin kauvan.
Minusta tuntuu melkein siltä kuin ulkopuolella olisi jotakin; minulla
on sellainen aavistus!"
Ja viikot kuluivat. Herneet kävivät keltaisiksi ja palko kävi
keltaiseksi; "koko maailma käy keltaiseksi!" sanoivat ne ja olihan
niillä lupa sanoa niin.
Sitte ne tunsivat että palko tärähti; se revittiin irti varresta, se
joutui ihmiskäsiin ja takin taskuun useiden muiden täysinäisten

59. hernepalkojen kanssa. — "Nyt meidät pian avataan!" sanoivat ne ja
jäivät odottamaan avaamista.
"Olisi hauska tietää kuka meistä pääsee kaikista kauvimmaksi",
sanoi pienin herne. "Kyllä se pian kuullaan."
"Tulkoon mitä tulee!" sanoi suurin.
"Ritsis!" palko meni puhki ja kaikki viisi hernettä vieri kirkkaaseen
päiväpaisteeseen; ne olivat lapsen kädessä, pieni poika piteli niitä ja
sanoi, että ne olivat erinomaisen sopivia herneitä hänen
kaaripyssyynsä; ja paikalla joutui yksi herne pyssyyn ja ammuttiin
menemään.
"Nyt minä lennän maailmalle! ota kiinni jos saat!" ja sentiensä se
meni.
"Minä", sanoi toinen, "lennän aurinkoon, se on hyvä herneenpalko
ja sopii minulle erinomaisesti!"
Poissa oli sekin.
"Minä nukun minne vaan joudun", sanoivat kaksi seuraavaa
hernettä, "mutta kai me vierimme eteenpäin!" ja ne vierivät
permannolle ennenkuin joutuivat pyssyyn, mutta sinne ne joutuivat.
"Me pääsemme kaikista kauvimmaksi!"
"Tulkoon mitä tulee!" sanoi viimeinen kun ammuttiin ilmaan ja se
lensi vanhaa lautaa vastaan, vinttikamarin ikkunan alle, suoraa päätä
rakoon, jossa oli sammalia ja pehmoista maata ja sammaleet
painuivat peittämään sitä; siellä se sitte lepäsi piilossa, mutta ei
unheessa. Jumala sen muisti.

60. "Tulkoon mitä tulee!" sanoi se.
Pienessä vinttikamarissa asui köyhä vaimo, joka päivisin kävi
puhdistamassa kakluuneja, jopa sahaamassa puita ja tekemässä
muitakin raskaita töitä, sillä voimia hänellä oli ja ahkera hän oli,
mutta yhtä köyhänä hän siltä pysyi; ja kotona pienessä kamarissa
makasi hänen ainoa nuori tyttärensä, joka oli niin hieno ja hinterä;
kokonaisen vuoden oli hän maannut vuoteen omana eikä hän
näyttänyt voivan elää enempää kuin kuollakaan.
"Hän menee pienen sisarensa luo!" sanoi vaimo. "Minulla oli kaksi
lasta ja vaikeahan minun oli niitä molempia elättää, mutta Jumala
jakoi minun kanssani ja otti toisen luoksensa; mielelläni minä kyllä
pitäisin sen, joka jäi jälelle, mutta Jumala varmaan ei tahdo että he
olisivat erossa ja tämä menee nyt pienen sisarensa luo!"
Mutta sairas tyttö jäi maailmaan. Hiljaa ja kärsivällisesti makasi
hän päiväkaudet, kun äiti oli poissa ansiolla.
Oli kevätaika ja kerran varhaisena aamuna, juuri kun äiti oli
lähtemäisillään työhönsä, paistoi aurinko niin kauniisti pienestä
ikkunasta pitkin permantoa, ja sairas tyttö katseli alimpaan
ikkunaruutuun.
"Mikä vihriä tuolla ikkunan luona pilkoittaa? Se liikkuu tuulessa!"
Ja äiti meni ikkunaan ja raoitti sitä. "Kas!" sanoi hän, "se on kun
onkin pieni herne, joka on sysännyt vihreitä lehtiä. Tässähän sinulla
nyt on pieni puutarha, jota saat katsella!"
Ja sairaan vuode muutettiin likemmä ikkunaa, josta hän saattoi
nähdä versovan herneen, ja äiti meni työhönsä.

61. "Äiti, minä luulen että paranen!" sanoi pieni tyttö illalla. "Aurinko
on tänään niin lämpöisesti paistanut minuun. Pieni herne voi niin
hyvin; ja minun tekee myöskin niin mieli voida hyvin ja päästä ulos
auringonpaisteeseen."
"Kunhan asiat vaan olisivat niin hyvin!" sanoi äiti, mutta ei hän
uskonut paranemiseen. Mutta tueksi vihdalle taimelle, joka oli
antanut lapselle niin elämäniloiset ajatukset, pani hän pienen varvun,
jottei tuuli taittaisi sitä; hän köytti seililanganpätkän kiinni
ikkunalautaan ja johti sen ikkunan ylimpiin puitteisiin, jotta
hernevarsi kasvaessaan voisi kiertyä niiden ympäri, ja sen se tekikin;
joka päivä saattoi nähdä kuinka se kasvoi. "Kas vaan, sehän rupeaa
kukkimaan!" sanoi vaimo eräänä aamuna ja rupesi hänkin
puolestaan jo toivomaan ja uskomaan, että pieni, sairas tyttö
paranisi; hänen mieleensä juolahti äkkiä, että lapsi viime aikoina oli
puhunut vilkkaammin ja viimeisinä aamuina itse noussut sänkyyn
istumaan ja sieltä loistavin silmin katsellut pientä hernemaatansa,
jossa kasvoi yksi ainoa herne. Viikkoa myöhemmin oli sairas ensi
kerran pystyssä yli tunnin ajan. Ylen onnellisena istui hän
lämpöisessä päiväpaisteessa; ikkuna oli auki ja sen takana täysin
puhjennut, punertava herneenkukka.
Pieni tyttö painoi alas päänsä ja suuteli hiljaa hienoja lehtiä. Se
päivä oli kuin juhlapäivä.
"Jumala itse on istuttanut kukkasen ja antanut sen kasvaa, että
sinä, rakas lapseni, saisit toivoa ja iloa, ja minä myöskin!" sanoi
onnellinen äiti ja hymyili kukkaselle kuni Jumalan hyvälle enkelille.
Mutta entä toiset herneet? — niin, se joka lensi maailmalle ja
sanoi: "ota kiinni, jos saat!" se putosi katonkouruun ja joutui
kyyhkysen närään ja oli siellä kuin Joonas valaskalan vatsassa. Yhtä

62. pitkälle pääsivät molemmat uneliaat, nekin joutuivat kyyhkysruuaksi;
olivathan ne siis tehneet kestävää hyötyä; mutta neljäs joka tahtoi
ylös aurinkoon — se putosi katuojaan ja lojui päiviä ja viikkoja
pilaantuneessa vedessä, jossa paisui oikein suureksi.
"Minä käyn niin korkeaksi ja paksuksi!" sanoi herne. "Minä
halkean, ja pitemmälle herne varmaan ei ikinä ole päässyt eikä
pääse. Minä olen hernepalon viidestä asukkaasta merkillisin!"
Ja katuoja oli samaa mieltä.
Mutta vinttikamarin ikkunassa seisoi nuori tyttö loistavin silmin,
poskilla terveyden puna, ja hän liitti hentoiset kätensä ristiin
hernekukan päälle ja kiitti Jumalaa.
"Minä olen oman herneeni puolella!" sanoi katuoja.

63. LEHTI TAIVAASTA.
Korkealla, kevyessä, kirkkaassa ilmassa lensi enkeli, kädessään
kukkanen taivaan yrttitarhasta, ja hänen suudellessaan kukkasta,
irtaantui siitä pikkuruikkunen lehti ja se putosi möyheään multaan
keskelle metsää, juurtui paikalla ja rupesi versomaan muiden kasvien
joukossa.
"Hullunkurinen vesa tuo!" sanoivat ne eikä kukaan tahtonut
tunnustaa sitä tuttavakseen, ei ohdake enempää kuin
nokkonenkaan.
"Kyllä se on jonkinlainen puutarhakasvi!" sanoivat ne naureskellen
ja sitte sitä tehtiin pilkkaa puutarhakasvista; mutta se kasvoi ja
kasvoi niin ettei mikään muu kasvi pysynyt sen tasalla, ja sysäsi
oksiaan pitkinä köynnöksinä joka haaralle.
"Minne sinä aiot!" sanoivat ohdakkeet, joilla oli pitkät piikit joka
lehdessä, "sinä laukkaat liian kiivaasti! et sinä pysy missään! Emme
me rupea sinua tukemaan!"
Talvi tuli, lumi peitti kasvin, mutta siitä levisi hangelle hohde,
ikäänkuin alhaaltapäin olisi tulvinut päiväpaistetta. Keväällä yleni
kasvi kukoistavana, kauniimpana kaikkia muita metsässä.

64. Tuli sitte kasvitieteen professori, jolla oli virkansa valtakirja
taskussa, hän näki kasvin, hän pureskeli sitä, mutta ei sitä ollut
hänen kasviopissaan; hänen oli mahdoton saada selville mihin
luokkaan se kuului.
"Se on muunnos!" sanoi hän. "En tunne sitä, se ei kuulu
järjestelmään."
"Se ei kuulu järjestelmään", sanoivat ohdakkeet ja nokkoset.
Suuret puut ympärillä kuulivat nekin mitä sanottiin ja nekin näkivät
ettei puu ollut niiden kaltainen, mutta ne eivät sanoneet mitään,
eivät hyvää eivätkä pahaa, ja se on aina varminta, kun on typerä.
Samassa tuli metsästä köyhä, viaton tyttö; hänen sydämensä oli
puhdas, hänen ymmärryksensä uskon kautta suuri, koko hänen
maallinen perintönsä oli vanha raamattu, mutta sen lehdiltä puhui
hänelle Jumalan ääni: jos ihmiset tahtovat sinulle pahaa, niin muista
Joosepin tarinaa: "he ajattelivat pahaa sydämissään, mutta Jumala
käänsi sen hyväksi". Jos sinä kärsit vääryyttä, jos sinusta uskotaan
pahaa ja jos sinua parjataan, niin muista häntä, puhtainta,
parhainta, häntä, jota syljeskeltiin ja joka naulattiin ristinpuuhun,
jossa rukoili: "isä, anna heille anteeksi, he eivät tiedä mitä he
tekevät!"
Tyttö pysähtyi ihmeellisen kasvin eteen, jonka vihriät lehdet
lemusivat niin makeasti ja virvoittavasti ja jonka kukkaset kirkkaassa
auringonpaisteessa kimmelsivät kuin kokonainen kirjava ilotulitus; ja
jokainen kukkanen helisi ja soitti ikäänkuin siinä olisi asunut sävelten
syvä kaivo, joka ei vuosituhansiin tyhjene. Hiljaisella hartaudella
katseli tyttö tätä Jumalan ihmettä; yhtä oksaa hän taivutti alaspäin
voidakseen oikein katsella kukkaa ja hengittää sen lemua, se loisti

65. hänen sieluunsa, se kirvoitti hänen sydäntään; mielellään olisi hän
ottanut kukkasen, mutta ei hän raaskinut sitä taittaa, olisihan se pian
kuihtunut hänen luonaan; ja hän otti vain vihriän lehden, yhden
ainoan, vei sen kotiin, pani sen raamattuunsa ja siellä se pysyi
tuoreena, alati tuoreena ja kuihtumattomana.
Se oli raamatun lehtien välissä tallella; raamatun mukana joutui se
nuoren tytön pään alle, kun hän jonkun viikon kuluttua lepäsi
ruumisarkussaan, kuoleman pyhä vakavuus hurskailla kasvoilla;
hänen maallisessa tomussaankin näytti kuvastuvan, että hän nyt
seisoi Jumalansa edessä.
Mutta metsässä kukki ihmeellinen kasvi, se oli kohta kuin
kokonainen puu ja kaikki muuttolinnut tulivat ja kumarsivat sitä,
varsinkin pääskynen ja haikara.
"Se on ulkomaalaista rihkamaa!" sanoi ohdake ja takkiainen,
"emme me täällä kotona toki ikinä käyttäydy niin!"
Ja mustat etanat syljeskelivät puuta.
Tuli sitte sikopaimen repimään maasta ohdakkeita ja
köynnöskasveja. Hänen piti polttaa niistä tuhkaa ja koko ihmeellinen
puu juurineen päivineen joutui hänen rikkakimppuunsa. "Lisänä rikka
rokassa!" sanoi hän ja samassa se oli tehty.
Mutta vuosikausia oli maan kuningas kärsinyt mitä pahinta
raskasmielisyyttä; hän oli ahkera ja teki työtä — ei auttanut; hänelle
luettiin syvämietteisiä kirjoituksia ja hänelle luettiin mitä kevyintä
vaan käsiin saatiin — ei auttanut. Silloin tuli sanoma maailman
viisaimmalta mieheltä; oli nimittäin käännytty hänen puoleensa ja
hän ilmoitti nyt, että oli olemassa varma keino, jolla sairas saataisiin

66. virvoitetuksi ja parannetuksi. "Kuninkaan omassa valtakunnassa
kasvaa kasvi joka on taivaallista alkuperää, se on sen ja sen
näköinen, mahdotonta on erehtyä", ja kasvi oli piirustettu mukaan,
helposti sen tunsi! — "Se vihannoi kesät ja talvet, pitää joka ilta
ottaa tuore lehti ja laskea se kuninkaan otsalle, niin hänen
ajatuksensa kirkastuu ja kaunis uni vahvistaa hänet seuraavaksi
päiväksi!"
Asia oli selvä ja kaikki lääkärit ja kasvitieteen professorit läksivät
metsään. — Mutta missä kasvi oli?
"Kyllä se joutui minun rikkaruohokimppuuni", sanoi sikopaimen,
"se paloi jo aikoja sitte poroksi, mutta en minä muuta ymmärtänyt!"
"Muuta ymmärtänyt!" sanoivat kaikki. "Tietämättömyys!
tietämättömyys; miten oletkaan suuri!" ja ne sanat saattoi
sikopaimen pitää hyvänään, sillä häntä ne tarkoittivat eikä ketään
muuta.
Ei lehteäkään ollut löydettävissä, ainoa lehti oli kuolleen kirstussa,
mutta sitä ei kukaan tietänyt.
Ja raskaalla mielellä läksi kuningas itse metsään ja tuli paikalle,
missä kasvi oli ollut. "Tässä puu kasvoi!" sanoi hän, "se on pyhä
paikka!"
Ja se paikka aidattiin kultaisella aidalla ja siellä seisoi kunniavahti
sekä yötä että päivää.
Kasvitieteen professori kirjoitti teoksen taivaallisesta kasvista ja
sen johdosta hänet kullattiin ja se tuotti hänelle suurta iloa; ja
kultaus puki sekä häntä että hänen perhettään ja se on hauskin puoli

67. koko tässä kertomuksessa; sillä kasvi oli poissa ja kuningas pysyi
alakuloisena ja surullisena — "mutta sellainen hän ennenkin oli!"
sanoi kunniavahti.
HÄN El KELVANNUT MIHINKÄÄN.
Pormestari seisoi avoimen ikkunan ääressä; hänen yllään oli
tärkkipaita ja kaularöyhyksessä koruneula; hänen partansa oli
erinomaisen hyvin ajettu — omaa työtä; hän oli kuitenkin sattunut
saamaan pienen haavan ja sen päälle oli pantu palanen
sanomalehtipaperia.
"Kuuleppas, pieni poika!" huusi hän.
Pieni poika ei ollut kukaan muu kuin pyykkimuijan poika, joka juuri
astui ikkunan ohi ja kunnioittaen otti lakin päästään; lippu oli taitettu
niin että lakin saattoi pistää taskuun. Köyhissä, mutta puhtaissa ja
erittäin hyvin paikatuissa vaatteissa, jalassa raskaat puukengät,
seisoi poika nöyränä kuin itse kuninkaan edessä.
"Sinä olet hyvä poika!" sanoi pormestari, "sinä olet kohtelias poika!
Äitisi on kai pesemässä vaatteita joella; sinne sinä kai aiot viedä
tuota mitä sinulla on taskussa. Äitisi asiat ovat huonolla kannalla!
paljonko sinulla siellä on?"
"Puoli korttelia!" sanoi poika pelästyneellä, matalalla äänellä.
"Ja aamulla hän sai yhtä paljon?" jatkoi herra.
"Ei, eilen se oli!" vastasi poika.

68. "Kaksi puolta tekee yhden kokonaisen! — Ei hän kelpaa
mihinkään. Surullista että kansa vaipuu niin syvälle! Sano äidillesi
että hävetköön! äläkä sinä vaan rupea juomariksi, mutta kyllä kai
sinä siksi tulet! lapsi raukka! — mene nyt!"
Ja poika meni! Lakki jäi hänen käteensä ja tuuli puhalsi hänen
keltaiseen tukkaansa niin että suortuat heiluivat. Hän kiersi kadun
kulman ja poikkesi kujalle, joka johti joelle. Siellä seisoi äiti vedessä
pyykkituolin ääressä ja hakkasi kurikalla paksua palttinaa. Vedessä
kulki virta, sillä vesimyllyn sulut olivat auki, virta vei lakanaa ja oli
viemäisillään pyykkituolinkin nurin; pyykkimuijan täytyi pitää
vastaan.
"Vesi vie minut pian matkaansa!" sanoi hän, "hyvä on että tulet,
minä tarvitsenkin jo vähän apua, voimat ovat menemäisillään! täällä
vedessä on kylmä; olen seisonut täällä kuusi tuntia. Onko sinulla
jotakin minulle?"
Poika otti esiin pullon ja äiti vei sen huulilleen ja otti kulauksen.
"Ohhoh, kuinka se tekee hyvää! kuinka se lämmittää! Se on yhtä
hyvää kuin lämmin ruoka eikä se ole niin kallista! juo, poikaseni!
Näytät niin kalpealta, sinua palelee ohuissa vaatteissasi! Johan nyt
onkin syksy. Hui! vesi on kylmää! Kunhan vaan en sairastuisi! enhän
sentään! annappas vielä pisara ja juo itsekin, mutta vaan pieni
pisara, et saa oppia tähän, sinä köyhä lapsi raukkani!"
Ja hän kiersi laiturin, jolla poika seisoi ja nousi maalle. Vesi valui
niinimatosta, jonka hän oli köyttänyt vyölleen, vesi valui hänen
hameestaan.

69. "Minä raadan niin että veri on pursumaisillaan kynsieni juuresta,
mutta vähät siitä, kunhan vaan rehellisesti saan sinua eteenpäin
maailmassa, sinä rakas lapseni!"
Samassa tuli vanhanpuoleinen vaimo, hän oli sekä vaatteiltaan
että kasvoiltaan köyhän näköinen, ontui toista jalkaansa ja toisen
silmän päällä riippui mahdottoman suuri valekihara. Tarkoitus oli että
kiharan piti peittää silmä, mutta vamma tuli sen kautta yhä
näkyvämmäksi. Hän oli pyykkimuijan ystävätär, naapurit olivat
antaneet hänelle nimen "Kiharatukka Ontuva-Mari."
"Sinä raukka, kuinka sinä raadat ja seisot kylmässä vedessä! Kyllä
sinä tarvitset jotakin lämmintä ja kuitenkaan eivät sinulle sitäkään
soisi!" — ja pian oli pyykkimuija kuullut kaikki mitä pormestari oli
pojalle puhunut; sillä Mari oli kuullut kaikki ja häntä oli harmittanut,
että lapselle puhuttiin sellaisia hänen omasta äidistään ja siitä
pisarasta, jonka hän sai, kun pormestarin suurissa päivälliskemuissa
oli viiniä pullottain; "hienoja viinejä ja väkeviä viinejä! janon
päällekin monelle! mutta sitä ei sanota juomiseksi! he kelpaavat,
mutta sinä et kelpaa!"
"Niinkö hän sinulle puhui, lapsi!" sanoi pyykkimuija ja hänen
huulensa värisivät ja vapisivat, "sinulla on äiti, joka ei kelpaa
mihinkään! ehkäpä hän on oikeassa! mutta lapselle ei hänen pitäisi
sitä sanoa! mutta paljon surua tuottaa minulle se talo!"
"Tehän palvelitte siellä, kun pormestarin vanhemmat elivät ja
asuivat siellä; siitä on monta vuotta; monta suolakappaa on siitä
ajasta syöty, on ehtinyt tulla jano!" ja Mari hymyili. "Pormestarilla on
tänään suuret päivälliset, piti lähetettämän kielto, mutta oli liian
myöhäistä ja ruoka oli jo valmiina. Talonmies sen minulle kertoi.

70. Tunti sitte oli tullut kirje, että nuorempi veli oli kuollut
Köpenhaminassa."
"Kuollut!" huudahti pyykkimuija ja kävi kalman kalpeaksi.
"Mitä ihmettä!" sanoi vaimo; "koskeeko se niin teihin? no niin,
tehän tunsitte hänet siltä ajalta kun palvelitte talossa."
"Onko hän kuollut! Hän oli niin hyvä, niin sydämellinen ihminen! Ei
taivaaseen tule monta sellaista!" ja kyyneleet valuivat alas hänen
poskiaan. "Voi, Herra Jumala! minua pyörryttää! mutta minä joinkin
pullon tyhjäksi! en sietänyt sitä! minä voin niin pahoin!" — ja hän
nojausi kaidepuihin.
"Herranen aika, te olette huonoissa voimissa, muoriseni!" sanoi
vaimo, "mutta ehkä se menee ohi! — ei, te olette oikein kipeä! taitaa
olla paras että vien teidät kotiin!"
"Mutta vaatteet!"
"Kyllä minä pidän huolta niistä! käykää kiinni käsivarteeni! Poika
jää tänne siksi aikaa vartioimaan vaatteita, sitte minä tulen ja pesen
loput; eihän niitä ole kuin pikkuruikkusen!"
Jalat pyykkimuijan alla horjuivat.
"Minä seisoin liian kauvan kylmässä vedessä! En ole aamusta asti
saanut suuhuni märkää enkä kuivaa! kuume kurmii ruumistani! Oi,
Herra Jeesus, auta minut kotiin! lapsi raukkani!" ja vaimo itki.
Poika itki myöskin ja pian istui hän joella märän pyykin ääressä.
Muijat kulkivat hitaasti, pyykkimuija horjahdellen, pitkin kujaa, he
kiersivät kadun kulman ja suuntasivat askeleensa pormestarin talon

71. ohi, mutta juuri siinä kaatui vaimo kadulle. Ihmisiä kokoontui
ympärille.
Ontuva-Mari juoksi sisään pyytämään apua. Pormestari vieraineen
tuli ikkunoihin katsomaan.
"Se on pyykkimuija!" sanoi hän, "hän on saanut janoonsa vähän
liikaa; ei hän kelpaa mihinkään! sääli hänen koreaa poikaansa. Minä
pidän oikein paljon lapsesta. Äiti ei kelpaa mihinkään!"
Ja muija saatiin tajuihinsa ja talutettiin köyhään kotiinsa ja pantiin
vuoteeseen. Kelpo Mari toimitti hänelle kupillisen kuumaa olutta
johon pani voita ja sokeria, se oli hänen mielestään paras lääke, ja
sitte hän meni pyykkirantaan, huuhteli vaatteet parhaan taitonsa
mukaan, mutta huonolla menestyksellä, sillä oikeastaan hän vaan
veti märät vaatteet maalle ja kokosi ne yhteen läjään.
Illalla istui hän pyykkimuijan köyhässä huoneessa. Hän oli
pormestarin kyökkipiialta saanut pari ruskeaa perunaa ja korean
silavakimpaleen sairaalle, ja niistä poika ja Mari nyt söivät hyvän
makupalan; sairas nautti kärystä ja väitti että se on niin ravitsevaa.
Ja poika pääsi nukkumaan samaan sänkyyn missä äiti makasi,
mutta jalkapäähän, poikkipuolin, ja hän sai peitteekseen vanhan
matonpätkän, joka oli ommeltu kokoon sinisistä ja punaisista
kaistaleista.
Pyykkimuijan oli hiukan parempi; lämmin olut oli vahvistanut
häntä ja hienon ruuan haju teki hänelle hyvää.
"Kiitos, sinä hyvä ihminen!" sanoi hän Marille, "kaikki minä sinulle
kerronkin, jahka poika nukkuu! kuinka hyvältä ja herttaiselta hän

72. näyttää, kun silmät ovat noin kiinni! Hän ei tiedä kuinka hänen
äitinsä on. Suokoon Jumala, ettei hänen koskaan tarvitsisi niitä
kokea! — Minä palvelin kamarineuvoksella, pormestarin
vanhemmilla, tuli sitte kerran kotiin nuorin pojista, ylioppilas; minä
olin silloin nuori, hullu ja hurja, mutta osaava, sen sanon Jumalan
omien kasvojen edessä!" sanoi pyykkimuija, — "ylioppilas oli niin
reipas ja iloinen, niin hyvä! joka veripisara hänen ruumiissaan oli
rehellinen ja hyvä! parempaa ihmistä ei maan päällä ole ollut. Hän
oli talon poika ja minä vain palvelustyttö, mutta me menimme
kihloihin, aivan kunniallisesti! eihän suudelma toki ole synti, kun
ihmiset oikein rakastavat toisiaan. Ja hän sanoi sen äidilleen; äiti oli
hänelle kuin itse Jumala täällä maan päällä; ja hän oli niin viisas, niin
hellä ja herttainen. — Ylioppilas matkusti pois ja pani
kultasormuksen sormeeni. Kun hän oli mennyt, kutsui emäntäni
minut luokseen; hän puhui vakavasti ja samalla lempeästi niinkuin
itse Jumala varmaan puhuisi; hän selitti minulle hengessä ja
totuudessa eron hänen ja minun välilläni. 'Nyt hän katsoo kaunista
ulkomuotoasi, mutta kauneus katoaa! Sinä et ole saanut samaa
opetusta kuin hän, hengen valtakunnassa ette te ulotu toistenne
tasalle ja siinä se on koko onnettomuus. Minä kunnioitan köyhää',
sanoi hän, 'Jumalan luona hän ehkä saa korkeamman paikan kuin
moni rikas, mutta maan päällä ei kenenkään pidä lähteä väärälle
raiteelle, kun tahtoo eteenpäin päästä, sillä silloin menee vaunu
nurin, ja te molemmat menette nurin! Minä tiedän, että muuan kelpo
mies, käsityöläinen on kosinut sinua, Erkki, hansikantekijä nimittäin;
hän on leskimies, hänellä ei ole lapsia ja hän on hyvissä varoissa;
ajatteleppa asiaa!' Joka sana jonka hän lausui, viilsi kuin veitsi
sydäntäni, mutta hän oli oikeassa ja se asia kalvoi ja painoi minua!
— minä suutelin hänen kättään ja itkin katkeria kyyneliä ja vielä
enemmän minä itkin kun tulin huoneeseeni ja heittäysin vuoteelleni.

73. Se oli raskas se yö joka tuli, Jumala tietää kuinka minä kärsin ja
taistelin. Sunnuntaina minä sitte menin Herran ehtoolliselle
saadakseni valoa sieluuni. Ja ikäänkuin Jumalan johdatuksesta
tapasin kirkosta tullessani Erkin, hansikantekijän. Silloin lakkasi
sieluni epäilemästä, me sovimme toisillemme asemamme ja
säätymme puolesta ja olihan hän lisäksi varakas mies; ja minä menin
suoraa päätä hänen luokseen, otin hänen kätensä ja sanoin: vieläkö
sinä ajattelet minua? — 'Aina ja ikuisesti!' sanoi hän. — Tahdotko
tytön, joka kunnioittaa sinua ja pitää sinua arvossa, mutta ei sinua
rakasta, vaan voihan rakkauskin vielä tulla! — 'Se tulee!' sanoi hän ja
me ojensimme toisillemme kätemme. Hän meni kotiin emäntäni luo;
kultasormus, jonka poika oli minulle antanut, oli paljaalla rinnallani,
en voinut päivällä panna sitä sormeeni, vasta illalla kun paneuduin
sänkyyni. Suutelin sormusta niin että huuleni olivat verillä ja sitte
annoin sen emännälleni ja sanoin, että ensi viikolla kuuluutetaan
saarnastuolista minut ja hansikantekijä. Emäntäni sulki minut syliinsä
ja suuteli minua — hän ei sanonut etten minä kelvannut mihinkään,
mutta silloin minä ehkä olinkin parempi, vaikken vielä ollutkaan
kokenut niin paljon vastoinkäymisiä. Kynttilänpäivän aikaan olivat
häät; ja ensi vuosi meni hyvästi, meillä oli renki ja piika ja sinä, Mari,
palvelit meillä."
"Voi, te olitte hyvä emäntä!" sanoi Mari, "en koskaan unohda
miten ystävälliset te ja miehenne olitte!"
"Hyvien päivien aikana sinä meillä olit! — lapsia meillä ei ollut. —
Ylioppilasta en koskaan nähnyt! — Kyllä, näinhän minä, mutta hän ei
nähnyt minua! hän tuli tänne äitinsä hautajaisiin. Näin hänen
seisovan haudalla, hän oli niin kalman kalpea ja niin suruissaan,
mutta siihen oli syynä äidin kuolema. Kun isä sitte kuoli, oli hän
vieraalla maalla eikä tullut tänne myöhemminkään. Hän ei koskaan

74. mennyt naimisiin, sen verran minä tiedän; taisi olla asianajaja! —
minua ei hän muistanut ja jos olisi nähnyt, niin varmaan ei olisi
tuntenut, niin rumaksi minä olen käynyt. Ja onhan se hyvä!"
Ja hän kertoi koettelemuksen kovista päivistä, kun onnettomuus
ikäänkuin syöksymällä karkasi heidän kimppuunsa. He omistivat
viisisataa riikin taalaria ja sillä kadulla oli talo joka myytiin
kahdellasadalla. Se piti hajoitettaman ja rakennettaman uusi,
sanottiin sen kannattavan, ja talo ostettiin. Muurarit ja puusepät
tekivät arviolaskun että lisämaksut nousisivat tuhanteen
kahteenkymmeneen. Luottoa Erkillä kyllä oli, rahaa hän sai lainaksi
Köpenhaminasta, mutta kippari jonka piti rahat tuoda, hukkui ja
rahat niinikään.
"Silloin synnytin tuon herttaisen poikani joka tuossa nukkuu. — Isä
sairastui vaikeaan, pitkä-aikaiseen tautiin; kolmena
vuosineljänneksenä täytyi minun sekä riisua hänet että pukea hänen
ylleen. Asiamme menivät taaksepäin, me lainailimme ja lainailimme:
tavaramme menivät kaikki ja isä kuoli meiltä. — Olen kärsinyt ja
raatanut, taistellut ja ponnistellut lapsen tähden, olen pessyt
portaita, pessyt pyykkiä, sekä hienoa että karkeaa, mutta Jumala oli
sen minulle niin sallinut ja ottaahan hän minut luokseen ja pitää
huolta pojasta."
Ja sitte hän nukkui.
Aamulla luuli hän voimistuneensa ja jaksavansa mennä takaisin
työhönsä. Mutta tuskin oli hän päässyt kylmään veteen, kun
kouristus tarttui hänen ruumiiseensa ja hänet valtasi voimattomuus;
suonenvedontapaisesti hapuili hänen kätensä ilmassa, hän koetti
astua ylös vedestä ja kaatui. Pää joutui kuivalle maalle, mutta jalat
jäivät jokeen. Puukengät, joita hän oli käyttänyt seisoessaan vedessä

75. — kummassakin oli ollut olkitukko — ajelehtivat joessa. Sellaisessa
tilassa löysi hänet Mari, joka tuli tuomaan kahvia.
Mutta kotiin oli sillaikaa tullut pormestarilta sana, että
pyykkimuijan paikalla pitää tulla hänen puheilleen, hänellä on
hänelle jotakin sanomista. Se oli myöhäistä. Parturi haettiin
iskemään suonta. Pyykkimuija oli kuollut.
"Hän on juonut itsensä kuoliaaksi!" sanoi pormestari.
Kirjeessä joka toi tiedon veljen kuolemasta, oli mainittu
testamentin sisältö, siinä sanottiin, että määrätään kuusi sataa riikin
taalaria hansikantekijän leskelle, joka ennen palveli hänen
vanhemmillaan. Tarpeen mukaan ovat rahat pienemmissä tai
suuremmissa osissa annettavat hänelle ja hänen lapselleen.
"Jotakin pientä peliä hänen ja veljeni välillä on ollut!" sanoi
pormestari. "Hyvä että hän on poissa tieltä; poika saa nyt kaikki ja
minä toimitan hänet kelpo ihmisten hoitoon, hänestä voi tulla hyvä
käsityöläinen!" — Ja niille sanoille antoi Jumala siunauksensa.
Ja pormestari kutsui pojan luokseen, lupasi pitää hänestä huolta ja
sanoi että oli hyvä, että äiti oli kuollut. Ei hän kelvannut mihinkään!
Hänet vietiin kirkkomaahan, köyhien puolelle. Mari istutti pientä
ruusupensasta haudalle, poika seisoi vieressä.
"Äiti kulta!" sanoi hän ja kyyneleet valuivat virtoina. "Onko se totta
ettei hän kelvannut mihinkään?"
"Hän kelpasi totta totisesti!" sanoi vanha vaimo ja nosti katseensa
taivasta kohti. "Minä tiedän sen monen vuoden kokemuksesta ja
viime yöstä. Minä sanon sen sinulle, että hän kelpasi! ja Herra

76. Jumala taivaan valtakunnassa sanoo sen niinikään, sanokoon
maailma vaan: ettei hän kelvannut mihinkään!"

77. VIIMEINEN HELMI.
Talo oli rikas ja onnellinen, kaikki sen asukkaat, sekä herrasväet että
palvelijat, jopa ystävätkin olivat onnelliset ja iloiset, sillä taloon oli
tänään syntynyt perillinen, poika; ja sekä äiti että lapsi olivat hyvissä
voimissa.
Lamppu hauskassa makuuhuoneessa oli puoleksi peitetty, raskaat
kallisarvoiset silkkiuutimet riippuivat ikkunoiden edessä. Lattiamatto
oli paksu ja pehmoinen kuin sammal, kaikki houkutteli uinumaan,
nukkumaan, suloisesti lepäämään, ja sairaanhoitajatar lepäsikin, hän
nukkui ja hän saattoi sen huoleti tehdä, kaikki oli hyvin, olot perin
suotuisat. Talon hyvä haltia seisoi vuoteen ääressä pääpuolella; lapsi
lepäsi äidin rinnalla ja sen pään päällä säteili kuin säihkyvä
tähtiverkko, jokainen tähti oli niin kirkas, jokainen tähti oli onnen
helmi. Elämän hyvät haltiattaret, kaikki olivat he kantaneet lahjansa
vastasyntyneelle; terveys, rikkaus, onni, rakkaus täällä loisti ja
säteili, sanalla sanoen: kaikki mitä ihmiset maan päällä saattavat
toivoa.
"Kaikki tänne on annettu ja kannettu!" sanoi hyvä haltia.

78. "Ei!" kaikui ääni aivan likeltä ja lapsen hyvä enkeli puhui. "Yksi
haltiatar ei vielä ole tuonut lahjaansa, mutta kyllä hän sen tuo,
kerran hän sen tuo, vaikka vasta vuosien perästä. Viimeinen helmi
puuttuu!"
"Puuttuu! täältä ei saa puuttua mitään, ja jos todella puuttuu, niin
meidän täytyy etsiä se mahtava haltiatar, lähtekäämme hänen
luokseen!"
"Hän tulee, kyllä hän kerran tulee! hänen helmensä täytyy olla
mukana ennenkuin seppele sidotaan kokoon!"
"Missä hän asuu? missä hänen kotinsa on? sano se minulle, minä
menen helmeä noutamaan!"
"Vai niinkö tahdot!" sanoi lapsen hyvä enkeli, "minä vien sinut
hänen luokseen, vaikka saisimmekin kauvan etsiä! hänellä ei ole
mitään pysyvää asuinsijaa, hän tulee sekä keisarin linnaan että
köyhimmän talonpojan luo, jälkiä jättämättä ei hän kulje kenenkään
ihmisen ohitse, hän antaa jokaiselle lahjansa, toiselle kokonaisen
maailman, toiselle leikkikalun! tämäkin lapsi joutuu hänen tielleen.
Sinä arvelet, että aika on yhtä pitkä muttei yhtä hyödyllinen. Hyvä
on, lähtekäämme noutamaan helmeä, viimeistä joka puuttuu tästä
rikkaudesta."
Ja käsi kädessä liitelivät he sinne missä haltiatar sillä hetkellä asui.
Se oli suuri talo, pimeitä käytäviä, tyhjiä suojia ja kaikkialla
kummallisen hiljaista; ikkunarivi oli auki jotta raaka ilma oikein
pääsisi tunkemaan sisään; pitkät, valkoiset uutimet liikkuivat
vedossa.

79. Keskellä lattiaa oli avoin ruumisarkku ja siinä naisen ruumis. Hän
oli kuollut parhaassa iässään, mitä ihanimpia tuoreita ruusuja oli
siroteltu hänen päälleen niin että vain ristiin liitetyt hienot kädet ja
kasvot näkyivät. Ne kasvot olivat jalot ja kuoleman kirkastamat,
niissä kuvastui Jumalassa nukkuneen korkea, ylevä vakavuus.
Arkun ääressä seisoi mies ja lapsia, koko joukko niitä oli; pienin
istui isän käsivarrella, he olivat sanomassa viimeisiä jäähyväisiä; ja
mies suuteli kuolleen kättä, kuin kuihtunut lehti se oli, ja se oli
kuitenkin kerran tarmolla ja rakkaudella hoivannut heitä. Raskaina,
suolaisina karpaloina putoilivat kyyneleet lattialle, mutta kukaan ei
lausunut sanaakaan, äänettömyyteen sisältyi kokonainen surun
maailma. Hiljaa, nyyhkien he poistuivat.
Kynttilä jäi huoneeseen, liekki vääntyi tuulessa ja nosti pitkää,
punaista piikkiään. Vieraita ihmisiä tuli huoneeseen, he nostivat
kannen peittämään kuollutta, naulat lyötiin kiinni, kumeasti
kajahtivat vasaraniskut talon huoneissa ja käytävissä, kumisivat
sydämissä, jotka vuosivat verta.
"Minne sinä minua viet?" kysyi hyvä haltia, "ei täällä ole mitään
haltiatarta, jonka helmi kuuluu elämän parhaimpiin antimiin!"
"Täällä hän asuu, täällä, tänä pyhänä hetkenä", sanoi
suojelusenkeli ja viittasi nurkkaan, missä äiti muinoin elonsa päivinä
oli istunut kukkaisten ja kuvien keskellä, missä hän talon siunattuna
haltiattarena herttaisesti oli nyökyttänyt päätään miehelle, lapsille ja
ystäville, mistä hän talon päiväpaisteena oli levittänyt iloa
ympärilleen ja ollut kaiken koossapitävänä voimana, kaiken
sydämenä. Siellä istui nyt vieras nainen pitkissä vaatteissa. Surutar
se oli, kodin valtiatar, äiti kuolleen sijalla. Polttava kyynel vierähti
hänen syliinsä, siitä tuli helmi; se säihkyi kaikissa taivaankaaren

80. väreissä ja enkeli otti sen ja helmi loisti kuni tähti seitsenkarvaisessa
hohteessa.
"Surun helmi, viimeinen, joka ei saa puuttua! sen rinnalla käy
muitten helmien loisto ja vaikutus suuremmaksi. Näetkö
taivaankaaren loiston, taivaankaaren, joka yhdistää maan ja taivaan.
Samalla kun meiltä rakas olento kuolee, tulee meille taivaaseen yksi
ystävä lisää, jota saamme ikävöidä. Maailman yössä luomme me
katseemme tähtiä kohti, kohti täydellisyyttä; katsele surun tähteä —
siinä on enkelin siivet, ne kantavat meitä pois täältä."

81. KAKSI NEITSYTTÄ.
Oletko koskaan nähnyt neitsyttä? Sellaista nimittäin, jota
kadunlaskijat sanovat neitsyeksi ja jota käytetään kivityksen
tasoittamisessa. Tällainen neitsyt on puusta, alhaalta leveä ja
varustettu rautavanteella, ylhäältä kapea ja puupuikon lävistämä,
puupuikko antaa neitsyelle käsivarret.
Varastopaikalla oli kaksi tällaista neitsyttä, he olivat siellä
lapioiden, sylenmittojen ja työntikärryjen joukossa ja siellä sitä
ruvettiin puhumaan, ettei neitsyitä enään tästäpuoleen
sanottaisikaan neitsyiksi, vaan "käsijuntiksi", ja se on uusin ja ainoa
oikea nimitys, ja kadunlaskijat tahtovat käyttää sitä eivätkä entistä
neitsytnimitystä.
Kas, meidän ihmisten joukossa on sellaisia joita kutsumme
"emansipeeratuiksi naisiksi" ja joihin lasketaan koulujen
johtajattaret, kätilöt, tanssijattaret, jotka ammattiaan harjoittaessaan
osaavat seisoa yhdellä jalalla, muotikauppojen omistajattaret ja
sairaanhoitajattaret, ja näihin "emansipeerattuihin" kuuluivat
myöskin nämä varastopaikan neitsyet; he olivat neitsyinä
tiehallituksessa eivätkä millään muotoa tahtoneet luopua hyvästä
vanhasta nimestään ja sallia että heitä kutsuttaisiin "käsijuntiksi".

82. "'Neitsyt' on ihmisen nimi", sanoivat he, "mutta 'käsijuntta' on joku
esine emmekä me anna kutsua itseämme esineeksi, se on
haukkumasana."
"Sulhaseni voi purkaa kihlauksemme", sanoi nuorempi neitsyt,
joka oli kihloissa juntan kanssa; se on sellainen suuri kone, joka ajaa
maahan paaluja, siis tekee samaa työtä kuin neitsyt, paitsi että
toisen työ on karkeampaa, toisen hienompaa. "Hän tahtoo minut
neitsyenä, mutta ehkei huolikkaan käsijunttana. Minun on siis
mahdoton sallia että minut ristitään uudelleen."
"Mieluummin minä annan panna poikki molemmat käsivarteni!"
sanoi vanhempi.
Työntikärryt olivat toista mieltä ja työntikärryt, jotka vierivät yhden
pyörän varassa, luulivat itseään miltei vaunujen veroisiksi.
"Minun mielestäni neitsyen nimitys on jotakin ylimalkaista eikä
läheskään niin hienoa kuin käsijuntta. Teidän sijassanne minä
luopuisin neitsyestä."
"En ikinä! siihen olen liian vanha!" sanoi vanhempi.
"Te ette näy tuntevan sitä mitä sanotaan europpalaiseksi
välttämättömyydeksi!" sanoi rehellinen, vanha sylimitta. "Täytyy
rajoittua, täytyy alistua, mukaantua ajan ja olosuhteiden mukaan, ja
jos laki säätää että neitsyttä sanotaan käsijuntaksi, niin häntä täytyy
sanoa käsijuntaksi. Joka esineellä on oma sylimittansa!"
"Antaisin minä sentään mieluummin", sanoi nuorempi, "kutsua
itseäni neidiksi, jos asiat kerran näin hullusti ovat, neiti muistuttaa
sentään neitsyttä."

83. "Minut saavat mieluummin kiskoa sytykkeiksi", sanoi vanha
neitsyt.
Samassa alkoi työ; neitsyet läksivät liikkeelle, heidät pantiin
käsirattaille ja huomaavasti heitä kohdeltiin, mutta käsijuntan nimeä
he saivat kantaa.
"Neit —!" sanoivat he poikiessaan kivitystä; "Neit —!" ja he olivat
jo lausumaisillaan koko sanan: "neitsyt!" mutta he puraisivat sanan
poikki ja pitivät sen omanaan, sillä heidän mielestään ei edes
kannattanut vastata. Mutta sisällisesti he aina puhuttelivat toisiaan
neitsyiksi ja ylistivät niitä hyviä vanhoja aikoja, jolloin asiat
nimitettiin niiden oikeilla nimillä ja neitsyitä sanottiin neitsyiksi; ja
neitsyiksi he molemmat jäivät, sillä juntta, se suuri kone, purki
todella kihlauksen nuoremman neitsyen kanssa, sillä se ei tahtonut
olla missään tekemisissä käsijuntan kanssa.

84. VALTAMEREM ÄÄRELLÄ.
Pari suurta laivaa oli lähetetty pohjoisnavalle määräämään maan
rajoja merta vastaan ja koettamaan kuinka syvälle ihmiset pääsevät
tunkemaan. Toista vuotta olivat ne jo suurella vaivalla purjehtineet
siellä sumun ja jään joukossa; nyt oli talvi tulossa, aurinko alhaalla;
monta, monta viikkoa kestää täällä yötä; kaikki näytti olevan ainoaa
jääkappaletta, jokainen laiva oli liimautunut siihen kiinni; lunta oli
paksulta ja lumesta oli rakennettu mehiläispesän muotoisia asuntoja,
toiset olivat suuret kuin jättiläisten hautakummut, toiset niin pienet,
että niihin saattoi mahtua kaksi tai neljä ihmistä; mutta pimeä ei
ollut, revontulet hehkuivat punaisina ja sinisinä, komeaa ilotulitusta
kesti lakkaamatta ja lumi loisti, yö oli pitkää, hehkuvaa hämärää;
kirkkaimpaan aikaan tuli joukottain alkuasukkaita; he olivat kumman
näköisiä karvaisissa nahkavaatteissaan ja re'issään, jotka olivat
veistetyt jääkappaleista; he toivat taljoja, suuria kimppuja ja niistä
tuli lämpöisiä lattiamattoja lumimajoihin; taljoista saatiin patjoja ja
peitteitä, joista merimiehet tekivät vuoteensa lumilaen alla, kun
ulkopuolella paukkua säihkyi pakkanen, jommoista emme me tunne
ankarimpaan talviaikaankaan. Kotona oli vielä syksy, sitä he siellä
pohjoisnavalla ajattelivat; he ajattelivat kotoista aurinkoa ja
punakeltaisia lehtiä, jotka lepattivat puissa. Kello näytti että oli ilta ja
maatapanon aika ja yhdessäkin lumimajassa oli kaksi miestä jo

85. kallistunut levolle; nuorempi oli kotoa ottanut mukaansa
parhaimman aarteen, isoäiti oli ennen lähtöä ojentanut sen hänelle,
se oli raamattu. Joka yö lepäsi se hänen päänsä alla, hän tiesi
lapsuusajoilta asti mitä se sisälsi; joka päivä luki hän kappaleen ja
nukkuessa tulivat usein hänen mieleensä pyhät sanat: "jos minä
ottaisin aamuruskon siivet ja menisin valtameren ääriin, niin sinä
sielläkin johdattaisit minua ja sinun oikea kätesi tukisi minua!" — ja
totuuden sanojen ja uskon vaikutuksen alla sulki hän silmänsä, uni
tuli ja tulivat unikuvat, hengen ilmestys Jumalassa; ruumiin levätessä
eli sielu; nuorukainen tunsi sen, hänen korvissaan soi ikäänkuin
vanhojen, tuttujen, rakkaitten laulujen säveliä; lauha, kesäisen
lämmin henkäys löyhytteli häntä vastaan, siinä vuoteessa
levätessään näki hän päänsä päällä hohteen, ikäänkuin lumikaton
ulkopuolella olisi palanut häikäisevä valo; hän nosti päätään, loistava
valkeus ei tullut seinistä eikä katosta, vaan suuret siivet enkelin
hartioilla hohtivat ja nuorukainen loi katseensa hänen lempeihin,
loistaviin kasvoihinsa. Enkeli kohosi raamatun lehdistä kuin liljan
kuvusta, avasi sylinsä levälleen, ja lumimajan seinät haihtuivat kuin
kevyt, ilmava sumuharso; kodin vihreitä maita ja kumpuja
punertavine metsineen oli yltympärillä ja syksyinen aurinko paistoi
kauniisti; haikaran pesä oli tyhjä, mutta omenapuussa olivat
hedelmät vielä paikoillaan, vaikka lehdet olivat pudonneet; punaiset
ruusunmarjat hohtivat ja kottarainen viserteli pienessä vihreässä
häkissä joka oli ripustettu ikkunan pieleen. Siellä se oli kotien koti;
kottarainen viserteli parhaimman taitonsa mukaan ja isoäiti pisti
vesiheinää häkin rakoihin, niinkuin pojanpojan oli ollut tapana tehdä;
ja sepän tytär joka oli niin nuori ja kaunis, seisoi kaivolla, nosti ylös
vettä ja nyökytti päätään isoäidille ja isoäiti viittasi kädellään ja
näytti, että oli tullut pitkämatkainen kirje; tänä aamuna se oli tullut
sieltä kylmistä maista, itse pohjoisnavalta asti, jossa pojanpoika oli

86. — Jumalan turvissa. — Ja he itkivät ja nauroivat ja nuorukainen joka
oli lumen ja jään keskellä, hengen maailmoissa, enkelin siipien
suojassa, näki ja kuuli kaikki, ja itki ja nauroi heidän kanssaan. Ja
naiset lukivat itse kirjeestäkin ääneen sanat: — "vaikka minä menisin
valtameren ääriin, niin hänen oikea kätensä tukisi minua!" Nukkuvan
ympärillä helisi kuin ihanaa virttä olisi veisattu ja enkeli laski siipensä
kuni harsoksi hänen ympärilleen. — Uni oli lopussa — pimeää
lumimajassa, mutta raamattu oli nuorukaisen pään alla, usko ja toivo
hänen sydämessään. Jumala oli hänen luonaan ja koti oli hänen
luonaan "valtameren äärelläkin!"

87. Welcome to our website – the perfect destination for book lovers and
knowledge seekers. We believe that every book holds a new world,
offering opportunities for learning, discovery, and personal growth.
That’s why we are dedicated to bringing you a diverse collection of
books, ranging from classic literature and specialized publications to
self-development guides and children's books.
More than just a book-buying platform, we strive to be a bridge
connecting you with timeless cultural and intellectual values. With an
elegant, user-friendly interface and a smart search system, you can
quickly find the books that best suit your interests. Additionally,
our special promotions and home delivery services help you save time
and fully enjoy the joy of reading.
Join us on a journey of knowledge exploration, passion nurturing, and
personal growth every day!
ebookbell.com