1 / 7

Spracovanie textových dát za účelom vyhľadávania alebo extrakcie informácií

Spracovanie textových dát za účelom vyhľadávania alebo extrakcie informácií. Bc. Ľubomír Eľko. (Projekt z predmetu Vyhľadávanie informácií). Zadanie.

dean
Download Presentation

Spracovanie textových dát za účelom vyhľadávania alebo extrakcie informácií

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Spracovanie textových dát za účelom vyhľadávania alebo extrakcie informácií Bc. Ľubomír Eľko (Projekt z predmetuVyhľadávanie informácií)

  2. Zadanie Rozšírte resp. prerobte softvérový tímový projekt, na ktorom ste pracovali počas prvých dvoch semestrov na inžinierskom stupni štúdia v rámci predmetu Tímový projekt. Konkrétne zadanie č. I.  Vytvorte vlastný analyzér pre nástroj Lucene s podporou slovenského jazyka (odstraňovanie diakritiky & slovenské stopové slová). Úspešnosť otestujte na určených dátach. Konkrétne zadanie č. II.  Implementujte indexovanie rôznych typov dokumentov pomocou nástroja ApacheTika.

  3. Motivácia • Vylepšenie tímového projektu: • podpora slovenských textov • rozšírenie možností použitia softvéru pre súčasných zákazníkov • získanie nových zákazníkov zo Slovenska • indexovania ďalších typov súborov • atraktívnejší softvér • konkurencieschopnejší softvér • preniknutie na nové trhy • nový zákazníci

  4. Existujúce riešenia • ApacheLucene • http://lucene.apache.org/ • ApacheTika • http://tika.apache.org/index.html • BDDBot • http://www.twmacinta.com/bddbot/ • Compass SearchEngine • http://www.compass-project.org/ • ZilverlineSearchEngine • http://www.zilverline.org/zilverlineweb/space/home • Tímový projekt • http://labss2.fiit.stuba.sk/TeamProject/2009/team12is-si/zaver.html

  5. Postup riešenia • Zadanie č. I. - Slovak Analyzer • odstránenie diakritiky • ISOLatin1AccentFilter • stopové slová • CzechAnalyzer • integrácia do tímového projektu • Zadanie č. II. - Apache Tika • indexovanie rôznych typov dokumentov • AutoDetectParser • neintegrovanie do tímového projektu, stand-alone aplikácia

  6. Predvedenie • Zadanie č. I. - Slovak Analyzer • vyhľadávanie slov s a bez diakritiky • napr.: ivan, eĽko, univerzita, J2EE, kMEťko, škoLA, FIIT • vyhľadávanie stopových slov • napr.: akoby, pretože, boli, my, medzi • porovnanie aké výsledky boli predtým, aké sú teraz • Zadanie č. II. - Apache Tika • inštalácia, výber dokumentov na zindexovanie, indexovanie • vyhľadávanie • pridanie nových dokumentov, aktualizácia starých, indexovanie • vyhľadávanie • testovanie, porovnávanie • s tímovým projektom • Google Desktop • Príloha - ApacheTika - How To?

  7. Vyhodnotenie • Bc. Ľubomír Eľko

More Related