Базы данных и ЛИР1
.docБазы данных (БД) и лингвистические информационные ресурсы (ЛИР)
План:
-
Общее понятие о БД
-
СУБД, основные функции
-
Лингвистические информационные ресурсы. Основные понятия. Виды ЛИР
Существует несколько определений понятия база данных
БД – это совокупность определенным образом упорядоченных сведений о некоторых объектах.
Объекты - это сведения, факты, события, процессы. Объект может быть материальным(студент, товар, машина) и нематериальным (событие - поход в цирк, процесс - перевод текста, факт - поступление в университет) . В жизни каждый объект обладает определенными свойствами или атрибутами (вес, скорость, цвет…), которым приписываются определенные значения: батон весит 400 гр., скорость машины 90 км./ч.
В БД атрибуты представляются элементами данных или просто данными, а их значения – значения данных.
Пример БД - Студент
Номер зачетной книжки |
Ф.И.О. студента |
Пол |
Год рождения |
Факультет |
Группа |
Стипендия |
357411 |
Арбузов А.И. |
м |
1978 |
англ. |
302 |
50000 |
358125 |
Белова Р.Г. |
ж |
1979 |
фр. |
201 |
80000 |
… |
… |
… |
… |
… |
… |
… |
Объектом является – студент. Он описывается атрибутами: № зач. книжки, ФИО,.. Эти атрибуты для каждого студента имеют определенное значение. В памяти ПК атрибутам № зачетной книжки, ФИО …соответствуют элементы данных или просто данные. Таким образом, данное – это некоторый показатель, который характеризует заданный объект и принимает для конкретного элемента объекта некоторое значение. Группа данных, которая образует одну строку называется записью. В рассмотренном примере запись состоит из 7 элементов.
Чтобы пользователь мог обратиться к записи, ее необходимо идентифицировать. Одно из данных выбирается в качестве идентификатора (первичного ключа). В качестве идентификатора выбирают данное, которое является уникальным для каждого объекта. Например в нашем случае № зачетной книжки. Если несколько записей имеют одно и тоже множество данных с однотипной информацией то говорят, что эти записи имеют один формат. Множество записей с одним форматом называют файлом. А множество файлов образуют базу данных. Допустим, что объект Студент будет описан не в 1 файле, а в 3 файлах.
Номер зачетной книжки |
Ф.И.О. студента |
Пол |
Год рожд. |
Факультет |
Группа |
Специальность |
Стипендия |
357411 |
Арбузов А.И. |
м |
1978 |
англ. |
302 |
051 |
С1 |
358125 |
Белова Р.Г. |
ж |
1979 |
фр. |
201 |
054 |
С2 |
… |
… |
… |
… |
… |
… |
|
|
Причем цифры специальностей и размеры стипендий можно также представить в виде следующих таблиц (файлов в компьютерной БД)
Специальность |
|
Шифр |
Название |
051 |
английский и немецкий. языки. |
052 |
французский и немецкий языки |
Стипендия |
|
Код |
Размер |
С01 |
50000 |
С02 |
80000 |
Эти три файла в совокупности и составляют БД – Студент
Основные функции БД
-
Поиск информации в БД
-
Модификация информации, находящейся в БД:
-
добавление;
-
удаление
-
редактирование
Системы управления базами данных (СУБД)
СУБД – совокупность программных средств, позволяющих осуществлять создание, ведение базы данных и в них информации.
Сейчас различают 2 основных типа СУБД: настольные и сервисные.
1. Настольные СУБД по степени сложности подразделяются:
а) СУБД для обработки небольших объемов информации пр. MS OUTLOOK
б) СУБД , ориентированные на пользователя, не умеющего программировать EXCEL, LOTUS
в) Сложные СУБД, ориентированные на разработку приложений пр. Fox Base, MS Access
2. Серверные СУБД используют архитектуру “Клиент-Сервер”, т.е. происходит централизованное хранение и обработка данных. Пр. Informix, MS SQL Server
Основные функции СУБД
-
Обеспечить создание структуры БД. Чтобы эффективно хранить и обрабатывать информацию, необходимо определить: какая информация будет храниться, какие атрибуты, типы данных.
-
Модификация информации, находящейся в БД:
-
добавление;
-
удаление
-
редактирование
Поиск информации
Лингвистические информационные ресурсы (ЛИР)
Лингвистические информационные ресурсы – одна из составляющих информационных ресурсов. Под информационным ресурсом понимают некоторый интеллектуальный ресурс, результат коллективного творчества
К пассивным формам информационных ресурсов относят книги, журналы, газеты, словари, энциклопедии, патенты, базы и банки данных и т.п.
Активные формы включают алгоритмы, модели, программы, базы знаний
Лингвистические информационные ресурсы - это множество определенным образом организованных речевых и языковых данных, находящихся на машинных носителях информации и используемых в различных сферах практической деятельности (образовании, промышленности, экономике, культуре, искусстве, издательстве
В самом общем виде ЛИР – это своеобразная лингвистические БД, которые можно обновлять и в которых можно искать ту или иную информацию. Лингвистические ресурсы необходимы как пользователям ПК, так и различным компьютерным системам, связанным с обработкой текста речи: реферирования, аннотирования и перевода текстов, автоматического анализа текста, синтеза речи и текста.
Пассивные лингвистические информационные ресурсы включают
-
письменный лексикон
-
письменные текстовые массивы
-
фонетические ресурсы
-
Письменный лексикон представлен одноязычными и многоязычными лексиконами. В общем смысле словарь - это справочная книга, которая содержит слова (морфемы, словосочетания, идиомы и т.п.), расположенные в определенном порядке (различном в разных типах словарей). В нем может содержаться толкование значения описываемых единиц, а также различная информацию о них. Любой словарь может быть представлен в виде реляционной БД. Какие же типы словарей сейчас создаются и используются в компьютерной лингвистике?
-
Простейшей лингвистической базой данных может служить частотно-алфавитный словарь словоформ какого-либо текста
-
Более сложную организацию имеет база данных словоуказатель. В ней кроме абсолютной частоты употребления словоформы в тексте указываются номера страниц и строк на странице, где встретилась данная словоформа.
-
Еще более сложным типом словарей являются конкордансы. В них каждая словоформа текста характеризуется не только численными показателями (частотой, номером страницы, номером строки и т.д.), но и некоторым контекстом, в котором она употреблена. Как правило, этот контекст состоит из 3-х предложений: предложения, в котором встретилась словоформа, предложения, стоящего перед основным предложением, и предложения, стоящего после него
-
Энциклопедии - это словари, содержащие характеристики не слова как такового, а обозначенного им предмета, факта или явления. Существует достаточно большое число различных энциклопедий на машинных носителях информации. Наиболее известна среди них энциклопедия "Britannica". Она включает 82000 статей и 700 дополнительных материалов, опубликованных с 1768 года. Не менее известны французские энииклопеди "Tons les savoire du Monde", "Le monde sur CD-ROM", "Versailles" и др. t^^ русском языке изданы "Большая Энциклопедия Кирилла и Мефодия
-
Тезаурус - принципиально иной тип словарей. В нем в явном виде указаны семантические связи между определенной частью его лексических единиц. Как правило, такие словари строятся для текстов достаточно узкой проблемной области: вычислительной техники, музыки, кораблестроения, сельского хозяйства и т.д.
-
Терминологическим словарем (ТС) называется словарь, основной единицей которого является термин. Термин - это слово или подчинительное словосочетание, имеющее специальное значение, выражающее и формирующее профессиональное понятие и применяемое процессе познания и освоения научных и профессионально-технических объектов и отношений между ними.
Письменный текстовый массив или корпус текстов, где корпус текста - это совокупность текстов, являющаяся достаточной для обеспечения надежных научных выводов о некотором языке, диалекте или ином другом подмножестве языка
Могут быть использованы:
-
В лексикографии и лексикологии (для составления различных словарей, определения значений многозначных слов, выявления ассоциативных связей слов в тексте, выделения терминов и терминологических словосочетаний и т.п.).
-
В грамматике (для определения частоты употребления грамматических морфем в текстах различного типа, выявления наиболее употребляемых типов словосочетаний и предложений, определения значений синонимичных морфологических единиц, частоты употребления классов слов и т.д.).
-
В лингвистике текста (для дифференциации типов текста, создания конкордансов, выявления связи между предложениями в абзацах и между абзацами «т.д.).
-
При автоматическом переводе текстов (для поиска контекстов слов, имеющих несколько переводных эквивалентов, поиска переводных эквивалентов терминологических и фразеологических словосочетаний в параллельных текстах и т.д.).
-
В учебных целях (для выбора цитат, отдельных фрагментов произведений, примеров, используемых в процессе создания учебников и учебных пособий в последние годы стали создаваться таггированные корпусы текстов (от англ, tag - 'индекс, помета'). Все слова такого корпуса получают некоторые буквенные или цифровые индексы, которые обозначают их грамматические, лексические, семантические или структурные признаки. Таких индексов может быть несколько.
Фонетические лингвистические ресурсы В настоящее время общепринято, что для создания машиночитаемых фонетических корпусов используется транскрипция на основе орфографического представления звуков речи с дополнительными знаками, передающими (при необходимости) просодические, паралингвистические и другие особенности произношения.
Фонетические корпусы текстов широко используются для решения следующих задач:
-
сопоставительного изучения устной и письменной форм языка;
-
изучения грамматических и лексических особенностей устной речи;
-
исследования фонетических особенностей диалектов;
-
построения частотных списков фонем и их сочетаний;
-
изучения акустических свойств речевых единиц и их использования в психолингвистических и лингвистических экспериментах;
-
создания компьютерных систем, распознавания и синтеза устной речи.
Пример: Германия – записи радиопередач, для транскрибирования отобрали 222 текста;
США. Корпус устной речи - записи психоаналитических сеансов (225 записей)