1 / 6

Extrahovanie a vyhľadávanie v citáciách ( sk )

Extrahovanie a vyhľadávanie v citáciách ( sk ). Pavel Michalko Vyhľadávanie informácií 2012 /2013. Čo som robil a prečo. Čo: Extrahovanie, priraďovanie a vyhľadávanie v citáciách v slovenských textoch. Prečo: Podpora pri kontrole plagiátorstva

valentine-perkins
Download Presentation

Extrahovanie a vyhľadávanie v citáciách ( sk )

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. Extrahovanie a vyhľadávanie v citáciách (sk) Pavel Michalko Vyhľadávanie informácií 2012/2013

  2. Čo som robil a prečo • Čo: • Extrahovanie, priraďovanie a vyhľadávanie v citáciách v slovenských textoch. • Prečo: • Podpora pri kontrole plagiátorstva • Časová náročnosť pri manuálnej kontrole (veľké množstvo údajov) • Súčasť/pomoc pri mojej DP • Problém: • Rôzne formáty citovania, referencovania • Rôzne formáty dokumentov a formátovanie textu

  3. Čo podobné existuje • FreeCite • http://freecite.library.brown.edu/ • Parsovanie citácií a vyťahovanie jednotlivých údajov. • Veľmi dobre rozpoznávanie: autor, title, editor ... • Slabšie rozpoznávanie: roky, source ... • Nedokáže pracovať s celým textom – rovno zoznam citácií. • Nedokáže teda určiť citované miesto – referenciu. • Občasné problémy so špeciálnymi znakmi slovenčiny (UTF-8).

  4. Ako to funguje • Extrahovanie textu z doc, docx, txt (ApacheTika) • Normalizácia (whitespaces, specialchars, interpunc.) • Identifikácia zoznamu použitej literatúry (RegExp) • Rozdelenie textu na odseky a rozpoznanie referencií • Kontrola či dokument obsahuje min.1 referenciu alebo bibliografiu • Rozdelenie zoznamu bibl. na odseky = položky/citácie • Extrahovanie údajov (autor, title, rok, source) • Rok a source = RegExp • Title - štatistické informácie (umiestnenie, dĺžka, char. slová) • Autor - len ak sa nájde title(predpoklad, že sa nachádza pred ním) • Priradenie referencií k jednotlivým citáciam • Indexácia (ApacheLucene) pre možnosť vyhľadávania

  5. Softvér a výstupy • Java konzolová aplikácia • Vstup cez argumenty • bez argumentov: vybrané dokumenty ako arg:

  6. Vyhodnotenie • Rok a source • takmer 100% úspešnosť • použitie RegExp – charakteristický formát • Author a title • Menej uspokojivé výsledky • Nemožno použiť samotné RegExp (rozlíšenie autor, title, kniha ?) • Autor má lepšie výsledky, pretože stačí správne určiť začiatok title

More Related