Médiatartalom-kezelő rendszerek kidolgozás 2012

Alapfogalmak

• adat: a valóság nem értelmezett (de értelmezhető) tükörképe; nyers (feldolgozatlan) tény, ami valakinek vagy valaminek a jellemzéséhez hozzásegít (pl. 5)
• információ: értelmezett adat; (pl. 5 cm)
• tudás: az ember által kontextusba helyezett információ (pl. Pisti haja 5 cm hosszú, és tudom ki Pisti)

• adatkezelés: a nyers adatok tárolása, lekérdezése, manipulálása
• információmenedzsment: az információk előállítása, rendszerezése, értékelése és visszakeresése
• tudásmenedzsement: a szervezeti tudástőke növelését célzó törekvések

Adatmodellek

• strukturált adatok: a tárolás struktúrája jól illeszkedik az információ struktúrájához (pl. adatbázis)
• félstrukturált adatok: nem jól illeszkedik (pl. táblázat a HTML oldalban)
• strukturálatlan adatok: nem strukturálható, az adat egésze hordozza az információt (pl. arcképet ábrázoló pixelek)

A félstrukturált adatok tulajdonságai

• szabálytalan adatstruktúra (új elemek, változó típusok)
• implicit struktúra (tag-ek a HTML-ben a formázást adják meg általában)
• részleges struktúra: vannak nem strukturálható részek (pl. képek egy HTML szöveges elemzésekor)
• csak a posteriori sémainformáció: adatbetöltés után lehet kinyerni a sémát

A félstrukturált séma tulajdonságai

• nagy
• változékony
• laza (opcionális és alternatív adatelemek)
• böngészhetőnek kell lennie

Jelölő nyelvek

SGML - Standard Generalized Markup Language

• Előnyök
  • Tartalom és forma szétválasztása (szöveges adatbázis)
  • Független (hardver, oprendszer, szoftver verzió)
  • Sokféle médiumra dolgozhat (www, CD, papír, WAP)
• Hátrányok
  • Bonyolult, nehezen integrálható
  • Körülményes terjesztés
  • Speciális szaktudást igényel
  • Drága
  • A megjelenítéshez külön modulok kellenek

Tudásmenedzsment

Tudásmenedzsment

• Egy olyan megközelítés, mely lehetővé teszi személyek, csoportok, szervezetek számára, hogy tudást rendszerezetten és kollektívan létrehozzanak, megosszanak és alkalmazzanak üzleti céljaik elérése érdekében.

Tudás fajtái

• Tacit tudás
  • Az egyén személyes tudása
  • Tapasztalat
  • Know-how
  • Nem megfogható
• Explicit tudás
  • Formalizált
  • Strukturált
  • Kódolt
  • Leírható
  • Könnyen átadható

Tudásteremtés és konverzió

		MIVÉ?
		Tacit tudás	Explicit tudás
MIBŐL?	Hallgatólagos (tacit) tudás	Szocializáció	Externalizáció
	Kifejezett (explicit) tudás	Internalizáció	Kombináció

Tudásmenedzsment megközelítések

• Kodifikációs - dokumentált tudás újrafelhasználása (rendszerező)
• Perszonalizációs - munkatársak fejében levő tudás felhasználása (kapcsolati)

Tudástérkép

• dokumentumokra, emberekre és adatbázisokra si utalhatnak
• segítségükkel könnyebb eljutni tudásforrásokhoz

Tudástranszfer

• Tudásátvitel két lehetséges módja:
  • Információ
    • szavakba öntött információt ad át
    • független az egyéntől
    • statikus
    • gyors
    • nem kodifikálta
    • könnyű a tömeges terjesztés
  • Hagyományos
    • szavakon túl képességeket ad át
    • egyéntől függ
    • dinamikus
    • lassú
    • nem kodifikált
    • nehéz a tömeges terjesztés

Információ keresés és feltárás

• információ visszakeresés (infromation retrieval, IR): a felhasználó információs igényének minél pontosabb kielégítése; általában félstrukturált és strukturálatlan adatokon

Információ keresés típusai

• ad hoc visszakeresés: meglévő dokumentumokon
• filtering: értesítés újonnan érkező releváns dokumentumokról
• böngészés
• push-típusú keresés
• pull-típusú keresés

Információ keresés minősége

• IR célja: felhasználói igények minél teljesebb és pontosabb kielégítése
• relevancia, releváns dokumentum: kielégíti az adott információ visszakeresési feladatban megfogalmazott információs igényt
• fedés (recall - R): a releváns dokumentumok hány százalékát adja vissza a rendszer

* R = TP/TP+FN

• pontosság (precision P): a visszaadott dokumentumok hány százaléka releváns

* P = TP/TP+FP

• rangsorolás (ranking): a relevancia szerinti rendezés
• term: egy kulcsszó a rendszerben
• normalizált term frekvencia (tf): egy term milyen relatív gyakorisággal fordul elő egy dokumentumban (a dokumentum leggyakoribb termjére nézve)
• inverz dokumentum frekvencia (idf): annak az inverze, hogy milyen gyakran szerepel egy term a rendszer dokumentumai között, Együtt: tf-idf

IR modellek

• *Boolean modell*: megmondjuk, hogy melyik szavak legyenek benne a válaszként visszaadott dokumentumokban, és melyikek ne (diszjunktív normálforma (ÉS-ek VAGY-a) segítségével)
  • Előnyök
    • logikailag tiszta (felhasználó könnyen megértheti, hogy miért pont azt a válaszhalmazt kapta vissza)
  • Hátrányok
    • a tipikus felhasználónak nehézséget okoz kérdését Boolean-formulában megfogalmazni
    • nem lehet a dokumentumok hasonlósága szerint rangsorolni az ereményhalmazt (a hasonlósági függvény bináris)
    • nem lehet csak részlegesen illeszkedő dokumentumokat válaszként kapni
• *Vektor modell*: a dokumentum term-vektora és a keresés termvektora által bezárt szög koszinusza alapján sorrendezzük a válaszokat
  • célja: hogy tudjuk mérni a részleges illeszkedést is
• Kiterjesztett Boolean-modell
• Valószínűségi modellek
  • Klasszikus valószínűségi modell
  • Következtetési háló modell (Inference Network)
  • Valószínűségi háló modell (Belief Network)

Keresési algoritmusok

PageRank és HITS különbségek

PageRank	HITS
A bejárható összes weblapból számítják kérdezés előtt)	Egy lekérdezett weblap-készleten számolják, minden kérdésre.
Csak hitelességet számít.	Hitelességet és hub-értéket számít.
Nem triviális kiszámolni.	Könnyű számolni, de valós idejű elvégzése nehéz.

-- Main.ssophie - 2012.01.04.