Diplomová práce
Získaná ocenění: Cena děkana FI za vynikající závěrečnou práci

Indexing very large text data

Bc. Lucie Molková
Anotace

S rostoucím množstvím digitálních knihoven s jiným než textovým obsahem se vynořuje potřeba zlepšovat techniky organizace rozsáhlých informačních zdrojů. Ukazuje se, že důležitým zdrojem pro tematické vyhledávání jsou popisná textová data, která jsou s obsahem asociována. Množina CoPhIR (Content-based Photo Image Retrieval) je příkladem experimentální knihovny, která obsahuje přes 100 milionů obrázků …více

Abstract

With emergence of digital libraries with non-textual content, there is a clear need for improved techniques to organize large quantities of information. It appears, that the textual descriptions associated with non-textual content are an important source of information when judging the topical relevance. The CoPhIR (Content-based Photo Image Retrieval) data set is an example of multimedia collection …více

Klíčová slova
Lucene CoPhIR Information Retrieval Text Retrieval Text-search Parsing Similarity Searching Searching Relevance Index Indexing Analysis Web Service
Zadání práce
The goal of the thesis is to study the Lucene technology for indexing text data and use it to implement searching in 100 million XML files from the CoPhIR dataset. The resulting index will be optimized for fast text-based retrieval of descriptive data obtained from the data collection. The text data will be cleaned prior to indexing, e.g. singular and plural forms will be collapsed, the words without semantic value will be eliminated, etc. An interface will be created for the final index allowing integration of the searching capabilities into the MUFIN system. Outputs of the work will include a technical report, a text index for the CoPhIR data set, and the software used for its creation.

Literatura:
  • Erik Hatcher and Otis Gospodnetić: Lucene in Action. Manning, 2004, 456 stran, ISBN: 1932394281.
Administrativní informace
Práce zkontrolována:
26. 5. 2011 07:21, RNDr. Michal Batko, Ph.D., učo 2907
Plný text práce
318,7 KB / soubor PDF
Jazyk práce
angličtina angličtina
Termín obhajoby
27. 6. 2011
Práce byla úspěšně obhájena

Vedoucí

RNDr. Michal Batko, Ph.D., učo 2907
KSUZD FI MU

Oponent

doc. RNDr. Jan Sedmidubský, Ph.D., učo 60474
KSUZD FI MU

Literatura

  • BATKO, Michal; David NOVÁK a Pavel ZEZULA. MESSIF: Metric Similarity Search Implementation Framework. In Digital Libraries: Research and Development. Berlin, Heidelberg: Springer-Verlag, 2007, s. 1-10. ISBN 978-3-540-77087-9.
  • BATKO, Michal; Vlastislav DOHNAL; David NOVÁK a Jan SEDMIDUBSKÝ. MUFIN: A Multi-Feature Indexing Network. In 2nd International Workshop on Similarity Search and Applications. Los Alamitos, CA 90720-1314: IEEE Computer Society, 2009, s. 158-159. ISBN 978-0-7695-3765-8.
Citovat tuto práci
Masarykova univerzita Fakulta informatiky
Studijní program
Informatika
Obor

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce
 
Název
Vložil
Vloženo
Práva
Archiv závěrečné práce Lucie Molková FI N-IN INS oy5ii/7
Molková, L.
24. 5. 2011
Složky
source_code 25355227/1
Molková, L.
24. 5. 2011
Soubory
Anotace anglicky annotation_english.txt
Molková, L.
24. 5. 2011
Anotace česky annotation.txt
Molková, L.
24. 5. 2011
Klíčová slova keywords.txt
Molková, L.
24. 5. 2011
Posudek oponenta posudek_oponenta.pdf
Sedmidubský, J.
20. 6. 2011
thesis.pdf
Molková, L.
24. 5. 2011

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.