Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

Alapvető adatbázis-kezelési és programozási ismeret ajánlott, de nem szükséges.

A szövegadatbázisok a legáltalánosabb adatbázisok közé tartoznak, s az informatika fejlődésével egyre fontosabbá kezd válni. Korunk egyik legnagyobb kihívása az, hogy az informatikai rendszereink minél hatékonyabban képezzék le az emberi tudást, így a szövegben, mondanivalóban rejtett információkat minél hatékonyabban tudják hasznosítani, kezelni.

A tárgy célkitűzése, hogy egyetemi előadások és laborok keretein belül a hallgatók behatóan tanulmányozhassák a szövegadatbázisok kezelésének alapjait egy konkrét technológia megismerésén keresztül. A félév végére a hallgatók megismerik a dokumentumok kezelésének, magas szintű felhasználásának technikai hátterét és fortélyait.

Alapvető nyelvi jelenségek és fogalmak. Adatbázisok és a szövegadatbázisok összevetése. Segédeszközök megismerése: shell parancsok, nyilvános elérhető programok.

Szövegadatbázisok kezelése Java és SQL környezetben. Dokumentumok konvertálása (PDF, Word, HTML), nyelvi jellemzőinek kezelése. Indexelési technikák: javított SVM és fuzzy közelítő algoritmus. Keresési eljárások és snippet (részletkiemelés) készítése szövegadatbázisokban.

Javított indexelési technikák: CT-elmélet, anafora- és ellipsziskeresési eljárások, plágiumkereső alkalmazása. Nyelvi fordulatok feldolgozása. Nyelvtechnológiai nehéz problémák, kockázatok, ismert hibák. Névelemek adatbázisokban: névelem-felismerés, adattisztítás, névterek integrációja. Jellegzetes címkék felismerése, kezelése.

Előadás

A szorgalmi időszakban 6db kiadott gyakorlati problémát kell önállóan és oktatói konzultációkkal megoldani (félévközi ellenőrzés). A félévközi jegy a legjobb 4 sikeres feladatmegoldás számtani átlaga.

Az otthoni feladatok különeljárási díj megfizetése mellett a pótlási időszak végéig adhatóak le késedelmesen.

Előre egyeztetett időpontban bármikor és az előadásokon.

Hivatalos Oracle Text tananyagok és kézikönyvek.

Tikk, D.: Szövegbányászat (Oracle Text fejezet), TypoTeX, 2007.

Büki, A.: UNIX/Linux héjprogramozás. Kiskapu Kft, 2004.

Jurafsky, D.-Martin, J.H., Speech and Language Processing (An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition), 2000.