Struktury informačních zdrojů: studijní opora

1. Úvod

Za informační zdroje pro účely tohoto textu považujeme dokumenty, záznamy, data i metadata včetně jejich kolekcí (agregáty, databáze, datové sady). Takto široce vymezené zdroje zahrnují tedy jakékoli informační objekty, zprávy, aplikace a služby.

Kdy považujeme informační zdroj za strukturovaný?

Obsahuje-li alespoň jeden element (tj. formální nebo obsahový strukturní prvek menší než celý dokument a větší než základní konstrukční prvek – písmeno, znak, pixel...), rozpoznatelný člověkem i počítačovým programem.

a)		b)

Obr. 1 Dokumenty "bez struktury": a) struktura nerozpoznatelná člověkem, b) struktura nerozpoznatelná počítačem

Tip:
Přečtěte si vysvětlení Billa Inmona, jakému typu struktur "rozumí" počítače, na https://www.linkedin.com/pulse/text-really-unstructured-bill-inmon/.

Význam znalostí o struktuře zdrojů v informační praxi:

• Volba strukturování dokumentu bezprostředně ovlivňuje efektivnost operací/interakcí s ním (srovnáváme cenu/výkon).[1]
  
• Přesná pravidla pro strukturování dokumentů potřebujeme z důvodu jejich počítačového zpracování, často i generování.

Informační procesy vyžadující znalost struktury informačního zdroje

Cíl: Najít obecnou / otevřenou strukturu (formát, architekturu)

• použitelnou pro co největší počet typů zdrojů (heterogenita)
  
• nezávislou na platformě, tj. na použitém hardwaru a softwaru
• umožňující distribuovat informační zdroje
• srozumitelnou lidem i počítačovým programům

2. Terminologie

Většinu informačních zdrojů můžeme zpravidla chápat jako hierarchicky strukturované celky, jež tvoří strukturované jednotky (entity členěné na označené elementy) obsahující informace.

Obr. 2 Úrovně granularity organizovaných zdrojů

médium

• Jakýkoli prostředek umožňující komunikovat znalosti a informace.
• Potenciální zdroj informací (má schopnost obsahovat informaci).
  

informační zdroj / informační pramen / zdroj (information source, information resource, resource)

dokument

kolekce

Též korpus / sbírka / fond / báze / databáze / datová sada/ repozitoř (angl. information store, collection, stock, asset, dataset, repository)
Množina uspořádaných dokumentů.

element (prvek) dokumentu (data/information element, datový/informační element/prvek)

Elektronické publikování = tvorba (editace) + prezentace + výměna

Editace

Vykonávání činností spojených s vytvářením a změnou struktury a/nebo obsahu dokumentu.

Možnosti vytvoření elektronického dokumentu:

1. prvotním pořizováním
   např. napsání dopisu na klávesnici počítače s použitím textového editoru (současně vytváříme obsah - text a značky - strukturování či formátování), vyplnění údajů do formuláře
   
2. konverzí z externího zdroje
   např. převedení dopisu ve Wordu do PDF, digitalizace tištěných dokumentů
3. generováním z jiných informací
   např. tvorba reportů (sestav) z dat uložených v databázi, mash-up
   

Podíl ruční práce, obtížnost algoritmizace: 1 - nejvyšší, 3 - nejnižší

Možnost ovlivnit obsah: 1 - ano, 2 - ne, 3 - zpravidla ne

Prezentace

Realizuje se jen tehdy, pokud bude příjemcem dokumentu uživatel – člověk (není zajímavé pro počítačové aplikace).

prezentační médium
nosič informace ve smyslově vnímatelné podobě (např. papír, obrazovka počítače)

Výměna (interchange)

Proces přenášení dokumentu ze systému původce do systému příjemce pomocí prostředků datové komunikace nebo výměnou paměťového média. Je zajímavé tehdy, bude-li se dokument předávat mezi dvěma (či více) různými systémy (tj. musí-li v průběhu výměny dojít k překódování, resp. k přeformátování).

3. Typologie dokumentů

Obr. 3 Typologie dokumentů

1. Členění podle typu zpracování/editace obsahu

transakční dokument

dynamický dokument: s dokumentem nebo s jeho částmi se po jeho vytvoření budou provádět operace - transakce (přidávání či změna obsahu, kombinace s obsahem jiných dokumentů či částí, odvozování nových údajů)

Obr. 4 Transakční dokumenty

narativní dokument

statický dokument: po jeho vytvoření už nedochází ke změnám obsahu ani struktury

Obr. 5 Narativní dokumenty

Tab. 1 Srovnání transakčních a narativních dokumentů

2. Členění podle typu využití obsahu

Toto členění je odvozeno z typologie znalostí založené na způsobu jejich reprezentace a na způsobu jejich využití. Tradičně se znalosti člení na deklarativní (konceptuální) a na procedurální (operační).

deklarativní dokument

Obsahuje znalosti, poznatky, jejichž účelem je něco se dozvědět.

Obsah: znalost (poznatek)
Účel: abychom věděli (něco)

procedurální dokument

Obsahuje potvrzení, jehož účelem je umožnit realizaci nějaké činnosti.

Obsah: potvrzení platnosti (důkaz, svědectví, ověření, evidence, doklad): identity, události, transakce, oprávnění, vlastnictví
Účel: abychom mohli (realizovat nějakou činnost)

Obr. 6 Deklarativní a procedurální dokumenty s informací o osobě

4. Typy strukturování dokumentů

Kritéria pro volbu typu struktury

Při posuzování vhodnosti určitého typu struktury jsou uplatňována především kritéria sémantiky (které vztahy je struktura schopná vyjádřit), flexibility struktury (tj. přizpůsobivost změnám) a případů užití a) při organizaci informačních zdrojů (makro-struktury kolekcí dokumentů) a b) při strukturování dokumentů (mikro-struktury jednotlivých zdrojů).

Nejčastěji se berou v úvahu tato kritéria:

• Funkce dokumentu
• Účel obsahu dokumentu
• Typ obsažených informací (text, grafika, audio, video, multimédia...)
• Způsob užití / prezentace dokumentu
• Možnost editace
• Možnost vyhledávání / přístupu
  
• Obtížnost (pracnost) tvorby dokumentu
• Nároky na zdroje, cena vybavení
• Uživatelé dokumentu
  

Možné způsoby strukturování elektronických dokumentů

• „nestrukturované“
  např. image (obraz digitalizovaného dokumentu), tzv. binární formáty aj.
• strukturované
  celý dokument je rozdělen na označené části (elementy)
• hybridní (semistrukturované)
  např. strukturované záhlaví, nestrukturované tělo v emailu

Typy strukturování

a) obsahové - formální

Explicitně a pro počítačový program srozumitelně vyjádřená informace o elementech

• obsahu (logická struktura)
• formy (vzhled, formát, styl, layout)

styl (angl. style)
pojmenovaná množina formátovacích instrukcí umožňující uživateli uplatnit na text více atributů současně a standardizovat rozvržení dokumentu použitím týchž formátovacích charakteristik na různé části textu

style sheet (formátovací sada, příloha stylu, šablona stylu, tabulka stylu)
souhrn stylů uložený v souboru; určuje úpravu dokumentů, k nimž je připojen

Problém: Mnohdy se obtížně rozlišuje, co je obsah a co forma (např. Název)

Obr. 7 Struktura formy a struktura obsahu

b) homogenní - nehomogenní

c) editovatelné - needitovatelné

uživatel má / nemá k dispozici nástroje pro editaci dokumentu

d) procedurální - neprocedurální (deklarativní, deskriptivní)

určuje, co se má s dokumentem (elementem) dělat / co dokument (element) je

e) dle datové struktury: lineární - stromová (hierarchická) - síťová - relační

Nejčastěji používané nástroje pro elektronické publikování a typ strukturování, který umožňují:

4.1. Historie vyznačování struktury dokumentů

	analogové	Bez vyznačení – starověká písma Velká písmena Mezery mezi slovy, iniciály, interpunkce Příprava rukopisů pro sazbu: typografické značky, korekturní znaménka
	digitální	Značky v textových editorech Jazyky pro popis stránky Databázové programy	proprietární
		Značkovací jazyky Propojená data (RDF)	otevřené

Bez vyznačení struktury – starověká písma

Velká písmena, mezery mezi slovy, iniciály, interpunkce

Příprava rukopisů pro sazbu

Typografické značky	Korekturní znaménka

Značky v textových editorech

MS Word	WordPerfect

Jazyky pro popis stránky

PostScript	PDF (Portable document format)

Databázové programy

Databáze – obsah (instance)	Databáze – definice struktury	Databáze – formulář (styl)

Značkovací jazyky

HTML		XML Metadata ve formátu MODS pro píseň Amazing Grace Zdroj: Library of Congress (http://memory.loc.gov/diglib/ihas/loc.natlib.ihas.200149079/mods.xml)

4.2. Proprietární technologie

Textové editory

TXT, DOC, RTF, ODT, WPD, TEX

umožňují pouze formální strukturování dokumentu

RTF - Rich Text Format

standard firmy Microsoft, umožňující přenos dokumentů zpracovaných v MS Wordu mezi různými textovými editory

Ukázka: Report vygenerovaný z programu PowerDesigner ve formátu RTF

Jazyky pro popis stránky

umožňují pouze formální strukturování dokumentu

dokument je uložen spolu s pokyny jazyka pro popis stránky
vše - text, fonty, grafika a informace o layoutu - je součástí formátu souboru

PostScript

standard firmy Adobe
jazyk pro vektorový popis grafické informace
jazyk pro popis stránky - úplný programovací jazyk určený pro publikování
určeno ke zpracování formátovaného textu včetně vektorové i rastrové grafiky na kompatibilní tiskárně

Ukázka: Zdrojový text dokumentu ve formátu PostScript (část)

PDF - Portable Document Format

standard firmy Adobe
ISO 19005. Document management — Electronic document file format for long-term preservation.
Podmnožina jazyka PostScript - bez programovacího jazyka
obsahuje pouze data nezbytná k zobrazení nebo tisku obsahu dokumentu

Ukázky:
Dokument ve formátu PDF
Zdrojový text dokumentu ve formátu PDF (část)

TEX - TEX Device Independent File Format

Databázové programy

umožňují obsahové i formální strukturování dokumentu

4.3. Otevřené technologie

Základem otevřených technologií je oddělení tří komponent dokumentu

1) obsah

co to znamená (jedinečné pro každý dokument)

2) struktura obsahu (opakovatelné pro více dokumentů)

kde to je
jak je to organizované nebo seskupené

3) prezentace obsahu (opakovatelné pro více dokumentů)

jak to vypadá
jak je to zobrazené

ODA - Open Document Architecture (ISO 8613)

Užití: strukturování a formátování elektronických dokumentů s cílem usnadnit jejich výměnu

Princip:

Definují se dvě hierarchické struktury dokumentu:

• struktura obsahu (logická struktura)
• struktura formy (struktura vzhledu)

Informace o uspořádání (struktura, profil) a obsah (instance) dokumentu jsou uloženy zvlášť.

dokument:

v souvislosti s ISO 8613 se za dokumenty považují písemnosti, jako jsou zápisy, faktury, formuláře a zprávy, které mohou obsahovat obrázky a tabulky. Prvky obsahu použité v dokumentech mohou obsahovat grafické znaky, prvky vektorové a rastrové grafiky, které je možné zahrnout do jednoho dokumentu.

architektura dokumentů:

pravidla pro definování struktury a reprezentace dokumentu

3 základní prvky architektury dokumentu podle ODA:

1. vlastní obsah dokumentu (instance)
profil dokumentu:
2. model obsahu: definice logické (obsahové) struktury dokumentu - neprocedurální
3. model formy: definice struktury uspořádání dokumentu (stylu, formátu) - procedurální

ČSN ISO/IEC 8613 (36 9642) Informační technologie - Architektura otevřených dokumentů (ODA) a formát výměny

Anglická verze je dostupná z: http://www.itu.int/ (T.411-T.424)

EDI - Electronic Data Interchange

Obecné označení pro proces elektronické výměny strukturovaných standardních zpráv mezi dvěma aplikacemi dvou nezávislých subjektů.

Pravidla strukturování dávkových a interaktivních zpráv vyměňovaných v otevřeném prostředí mezi systémy počítačových aplikací
využití: obchodní transakce, e-byznys, B2B

konkrétní implementace EDI:

• UN/EDIFACT - Elektronická výměna dat pro správu, obchod a dopravu. ISO 9735. Electronic data interchange for administration, commerce and transport (EDIFACT).
  
• ANSI X12
• GS1 EANCOM (podmnožina UN/EDIFACT), GS1 XML
• UBL – Universal business language

Propojená data a RDF

Viz kapitola 6.2

5. Stromová struktura otevřených dokumentů: standard SGML

Používaná terminologie

markup

označování, značkování, vyznačování
typ metadat: text, který je přidán k datům dokumentu, aby o nich poskytl informaci

tag

příznak: popisné vyznačení, značka
existují dva druhy příznaků - počáteční a koncový

parser

syntaktický analyzátor
program (procesor), který rozpoznává značky v dokumentech (např. SGML nebo HTML tagy)

typ dokumentu (document type)

třída dokumentů, které mají podobné charakteristiky, např. časopis, článek, technická příručka nebo dopis

typ prvku (element type)

třída prvků, které mají podobné vlastnosti, např. odstavec, kapitola, anotace, poznámka pod čarou nebo bibliografie

prvek - element

komponenta hierarchické struktury definovaná v definici typu dokumentu; v instanci dokumentu je identifikována popisným vyznačením, obvykle počátečním a koncovým tagem

validace

ověření shody vyznačeného dokumentu s příslušným modelem  struktury (schématem)

Definice typu dokumentu - DTD

• Jedna ze dvou základních částí dokumentů strukturovaných podle standardu SGML, která popisuje strukturu obsahu dokumentu. Definuje všechny elementy dokumentu a jejich vzájemné vztahy. Obsah dokumentu je tak tvořen textovými informacemi oddělenými označením struktury, definovaným v DTD. DTD vznikne použitím SGML pro určitý typ dokumentu (= popis značek a jejich vzájemných možných vztahů).
• DTD zahrnuje formální specifikaci (vyjádřenou v deklaraci typu dokumentu) typů prvků, vztahů mezi prvky a atributů a rovněž odkazů, které mohou být vyjádřeny vyznačením. Tím definuje slovník vyznačení, pro nějž SGML definuje syntaxi.

DTD definuje: elementy - název, obsah, atributy elementů obsah elementu: elementy rozkládáme až na úroveň primitivních datových typů - obdoba datového typu v databázích (např. CDATA, PCDATA, EMPTY...) pořadí elementů nadřazenost - podřazenost elementů povinnost výskytu elementů možnost vícenásobného (opakovaného) výskytu elementů povinnost - nepovinnost uvádění tagu

5.1. SGML

SGML - Standard Generalized Markup Language (Standardní univerzální vyznačovací jazyk)
ISO 8879:1986

Příloha A - Úvod do univerzálního vyznačování

• Obecný jazyk pro popis všech prvků elektronicky publikovaného dokumentu (textu, titulní strany, názvů kapitol, tabulek, obrázků apod.), který formalizuje vyznačování a činí je nezávislým na systému a souvislostech zpracování; dokument tvoří soubor označeného textu se vsunutými označeními údajů (tagy), jež definují začátek a konec každé logické jednotky
• Metajazyk určený pro popis (kódování) hierarchicky strukturovaných textů
• Metajazyk určený pro formální popis konkrétních jazyků typu "markup" (definuje jejich syntaxi)
• Objektově orientovaná metoda popisu dokumentů

užití: oblast publikování (vydavatelská činnost) v nejširším slova smyslu, zejména textově orientovaných informací

Základní notace SGML

<počáteční tag>

</koncový tag>

<!-- komentář, který se nezobrazuje -->

Notace pro definici typu dokumentu a příklady hodnot

spojovací symboly (konektory)

přípony (indikátory) výskytu

obsah ("datové typy")

příklady prvků DTD

			Vyjádření v notaci UML (zahrnuje jen některé z variant uvedených v levém sloupci)
báseň (autor , sloka*)		báseň tvoří jméno autora a sloky (přesně v tomto pořadí)
báseň název		báseň má (atribut) název
báseň (název & autor & sloka*)		báseň tvoří název, jméno autora a sloky (v libovolném pořadí)
sloka (verš+)		každá sloka obsahuje alespoň 1 verš, může jich mít více
autor (foto | kresba | video)		u autora se uvádí buď fotografie, nebo kresba nebo video
autor?		báseň může mít jen 1 autora, nemusí mít žádného
název (#PCDATA)		obsah atributu název je tvořen textem

Příklad:

DTD pro antologii poezie

Logická struktura:

Antologii neboli výbor tvoří básně zpravidla různých autorů, u nichž je uveden název, údaje o autorovi a fotografie nebo kresba autora, případně videozáznam. U překladů se uvádí jméno překladatele. Básně se člení na sloky, sloky na verše. Každá báseň má alespoň jednu sloku, v každé sloce je alespoň jeden verš.

Definice typu dokumentu:

Instance dokumentu:

Ukázky struktury a stručný návod k tvorbě DTD dokumentů podle standardu SGML:

SGML1 - Antologie poezie

SGML2 - Bibliografický záznam

5.2. HTML

Hypertext Markup Language (hypertextový vyznačovací jazyk, HTML)

jazyk (DTD) pro strukturování a formátování dokumentů na webu

typ dokumentu HTML:
webová stránka/dokument (web page/document), tj. jednotka informace přístupná v síti WWW

charakteristické rysy:

• hypertextové vazby na jiné dokumenty v síti WWW        <a href=" "> </a>
• složené dokumenty (začínají "existovat" až v počítači příjemce)                <img src=" ">

Struktura HTML dokumentu

!DOCTYPE = deklarace typu dokumentu (zpravidla ve formě odkazu na externí DTD) HTML = instance dokumentu HEAD = záhlaví (informace pro browser) META = informace o dokumentu, která není určená pro zobrazení browserem BODY = tělo (informace pro uživatele)

Každý HTML dokument je složen z úseků - elementů. K rozlišení, o jaký element se jedná, slouží tagy. Nejčastější tagy jsou párové značky uzavírající příslušný úsek (element) dokumentu. Každý tag je složen ze jména (např. TITLE) uzavřeného mezi znaky < > nebo </ >.

vzhled počátečního tagu <JMENO>
vzhled koncového tagu </JMENO>

typy tagů:
    a) container (obsah elementu je uvnitř počátečního a koncového tagu)
    b) empty (ukončovací tag se nepoužívá)

Elementem může být:
a) obsahová část dokumentu (např. název)
<TITLE> </TITLE>
b) formální (vzhledová) část dokumentu (např. úsek zvýrazněný tučným písmem)
<B> </B>
c) obrázek
<IMG SRC=" ">
d) hypertextový uzel (hypertextová vazba, angl. hypertext link)
<A HREF=" "> </A>

Technologie HTML

browser

• program pro prohlížení (prezentaci) HTML dokumentů
• interpretuje tagy v HTML souboru a prezentuje soubor jako formátovanou, čitelnou webovskou stránku

HICKSON, Ian et al. HTML Standard. In: WHATWG: Living Standard [online]. Last updated 2024-04-29 [cit. 2024-05-01]. Dostupné z: https://html.spec.whatwg.org.

KOSEK, Jiří. HTML5: Tvorba dokonalých webových stránek. Dostupné z: http://htmlguru.cz/.

5.3. XML

XML - eXtensible Markup Language

TEI. A gentle introduction to XML. In: TEI: Guidelines for Electronic Text Encoding and Interchange.

rozšiřitelný vyznačovací metajazyk využitelný v prostředí Internetu

Podmnožina SGML - zjednodušení některých příliš složitých (a vývojem překonaných) pravidel

Rozšíření možností vyznačení textů oproti omezené nabídce HTML

• umožňuje definovat vlastní tagy (resp. DTD/XSD)
• další typy odkazů (obousměrné odkazy, odkazy na více míst, odkaz na celý úsek dokumentu)
• oddělení informace o obsahu a stylu

typy XML dokumentů:

• s DTD/XSD - valid (platné): splňují veškeré deklarace uvedené v DTD/XSD
• bez DTD/XSD - well-formed (dobře vytvořené, správně strukturované): splňují obecná pravidla zápisu značek v XML

XML Schema definition language (XSD)
Jazyk pro definici struktury XML dokumentu. Rozšiřuje možnosti jazyka DTD.
https://www.w3.org/TR/xmlschema-0/

Aplikace XML Schema pro kódování bibliografických metadat vytvořených ve formátu MARC21:

METS - Metadata encoding and transmission standard
https://www.loc.gov/standards/mets/

MODS - Metadata object description schema
https://www.loc.gov/standards/mods/

MADS - Metadata authority description schema
https://www.loc.gov/standards/mads/

MARCXML - MARC21 XML schema
https://www.loc.gov/standards/marcxml/

6. Síťová struktura otevřených dokumentů: standard RDF

Používaná terminologie

syntaxe RDF		sémantika RDF	funkčnost RDF
Výrazy v jazyce RDF tvoří 3 typy elementů: zdroj subjekt/objekt ("podmět/předmět") uzel grafu vlastnost/predikát vztah nebo atribut ("přísudek") hrana grafu výrok trojice RDF (angl. RDF triple, "věta") výrok = zdroj + vlastnost + zdroj/hodnota			IRI umožňuje přístup ke zdroji / odkazuje na zdroj zdroj je denotát IRI predikát propojuje zdroje (resp. jejich reprezentace, tj. IRI)

6.1. Propojená data

LOD - Linked open data (propojená otevřená data)

• data jsou dostupná na webu pod otevřenou licencí
• data jsou poskytována ve strojově čitelném strukturovaném formátu
• formát dat je otevřený
• jako identifikátory objektů jsou použity URI
• data jsou pomocí odkazů propojena na jiná související data

Databáze Národní knihovny ČR jako otevřená data:
Zpřístupnění databází NK ČR pod licencí CC0. https://www.nkp.cz/o-knihovne/odborne-cinnosti/otevrena-data

6.2. RDF

"RDF je jazyk, navržený lidmi pro vyjadřování lidských myšlenek ve formě přístupné strojovému zpracování."[1]
Thomas Baker, 2012

Resource description framework (zkr. RDF) - rámec pro popis zdrojů je:

• aplikace XML – jazyk pro psaní metadat pro zdroje na webu
• rámec pro reprezentaci (tj. vyjádření) informací na webu
• „obálka“, „kontejner“ na jakákoli metadata
• jazyk pro tvorbu binárních a orientovaných výroků
• síťová (grafová) struktura: orientovaný ohodnocený graf

Syntaxe RDF

Sémantika RDF

IRI označuje (reprezentuje, identifikuje) zdroj i predikát pro stroje.		rdfs:label označuje (reprezentuje, identifikuje) zdroj i predikát pro lidi.

Pro zápis IRI ze stejného jmenného prostoru (angl. namespace) lze použít zkrácenou verzi, v níž je opakující se část IRI nahrazena tzv. prefixem.

Příklad: Identifikátory a popisky prvků "textový zdroj" a "obsahuje část" metadatového schématu Dublin Core

Analogií k textovým odstavcům, jež tvoří množina vět, jsou RDF grafy, tvořené množinou trojic RDF. Vztahy entit jsou implementovány jako linky RDF, jež mají rovněž formát trojic RDF. Na rozdíl od HTML linku (značka <a> s atributem „href“), který neobsahuje žádnou sémantiku, je RDF link „typovaný“, jeho význam je určen sémantikou použitého predikátu.

Příklad využití RDF pro strukturování bibliografických metadat

Bibliografické informace o knize Bohumila Hrabala Příliš hlučná samota, vydání z roku 1989. Metadata převzata z: https://aleph.nkp.cz/F/?func=direct&doc_number=000051861&local_base=NKC. Výroky jsou formulovány s využitím pojmového aparátu modelu IFLA LRM.

Výroky:

Rozčlenění výroků na strukturní prvky trojic RDF

Pro grafické znázornění výroků v jazyce RDF se používají následující konvence:

• entity (objekty a subjekty) se znázorňují jako ovály
• literály se zobrazují jako obdélníky
• predikáty se znázorňují jako orientované hrany (šipky), směřující od subjektu k objektu
  

Obr. 1 Trojice RDF znázorněné prostřednictvím grafu

Identifikátory subjektů a objektů

Každý subjekt ve výroku RDF musí mít IRI. Objekt má buď IRI nebo může být vyjádřen hodnotou neboli literálem. Objekt, který nemá IRI, už nemůže být propojen s žádnou další entitou, tvoří "list" grafu.[2] To je případ objektu na řádku 5.

Obr. 2 Jednoznačné identifikátory objektů a subjektů

Identifikátory predikátů

Každý predikát ve výroku RDF musí mít IRI.

Obr. 3 Jednoznačné identifikátory predikátů

Klasifikace v jazyce RDF

Vyjádření obsahu entit se děje rovněž pomocí výroků v jazyce RDF. Subjekty, objekty i predikáty se přiřazují k termínům slovníků (k tvorbě slovníků slouží jazyk RDF Schema). Termíny slovníků jsou třídy a subjekty, objekty a predikáty jsou jejich instance. V našem příkladu jsou uvedeny tyto výroky:

Predikáty používané pro klasifikaci entit

Obr. 4 Definování významu entit jejich klasifikací

Označování entit pro lidské uživatele

IRI subjektů, objektů a predikátů slouží pro jejich jednoznačnou identifikaci a zpracování počítačovými programy. Pro lidské uživatele slouží slovní označení (angl. label) entit, která se definují rovněž prostřednictvím trojic RDF. Pro specifikaci označení entity se používá predikát rdfs:label, hodnotou označení je literál.

Příklad:

Obr. 5 Kompletní RDF graf

(Poznámka: V tomto obrázku jsou pro zjednodušení slovní označení přiřazena pouze subjektům a objektům)

[1] BAKER, Thomas. Libraries, languages of description, and linked data: a Dublin Core perspective. In: Library Hi Tech. 2012, 30(1), 117. ISSN 0737-8831.

[2] Poznámka: Specifikace RDF ještě umožňuje definovat tzv. prázdné uzly (angl. blank nodes), které v tomto zjednodušeném příkladu nejsou použity.

7. Indexový soubor

Technologie přístupu k informačním zdrojům

Podmínky efektivního přístupu

• zdroje musí být sémanticky popsané (musí být znám jejich význam, tj. musí k nim existovat metadata)
• zdroje musí být organizované (uspořádané, tj. musí být určeny vztahy mezi nimi)

Techniky organizace - umístění a označení

Typy technologií přístupu k informacím

Vyhledávání

• stanovení, zda konkrétní údaj je prvkem určité množiny, a určení jeho umístění (tj. identifikace)
• princip: porovnávání hodnoty vyhledávacího klíče s hodnotami prvků dané množiny (souboru)

kritérium efektivnosti:

počet prvků prohledávaného souboru (slov, záznamů, dokumentů...), které musíme tímto způsobem otestovat (tj. doba potřebná k vyhledávání)

Vyhledávací algoritmy

rychlost vyhledávání / stupeň zpracování
			bez indexu	s indexem
	sekvenční	úplné
		zkrácené
	množinové

1. Úplné vyhledávání

Sekvenční vyhledávání v nesetříděném souboru (lineární vyhledávání řetězců v textu) - vždy je nutné zpracovat všechna data

Příklad: hledáme heslo "alma mater" v nesetříděném souboru

2. Zkrácené vyhledávání v setříděném souboru

Poté, co najdeme hledanou hodnotu, lze zpracování ukončit

Typy třídění / řazení:

a) podle označení: abecedně, chronologicky, číselně

b) podle obsahových nebo funkčních charakteristik, např. podle pravděpodobnosti požadavku

2.1 Sekvenční vyhledávání v setříděném souboru

Příklad: hledáme heslo "alma mater" sekvenčním vyhledáváním v abecedně setříděném souboru.

2.2 Intervalové vyhledávání v setříděném souboru

Součástí prohledávaného souboru je tzv. blokový (řídký) index (např. v encyklopedii - první a poslední heslo na straně).

• nejprve (sekvenčně) prohledáváme setříděný seznam intervalů
• po nalezení potřebného intervalu sekvenčně prohledáme setříděné záznamy, jež jsou v něm obsaženy

Příklady:

Hledáme časopis Knihovna v Portálu e-časopisů UK: 1. zvolíme písmeno K, 2. zvolíme interval Kli-Kni, 3. najdeme časopis Knihovna.

Hledáme heslo "alma mater" s použitím blokového indexu v encyklopedii.

2.3 Binární vyhledávání (binary search) v setříděném souboru

Půlení intervalu (rozdělení souboru vždy na polovinu) v setříděném souboru.

Vyhledávanou hodnotu porovnáme s prostředním záznamem intervalu; jestliže >, postupujeme zpět, jestliže <, postupujeme vpřed.

Příklad: hledáme číslo 63 - hledanou hodnotu porovnáme s číslem 50, poté s číslem 75, poté s číslem 62 (zaokrouhlená hodnota 62,5), poté s číslem 69, poté s číslem 66, poté s číslem 64, skončíme na čísle 63.

3. Vyhledávání s použitím indexu

Dvoufázové vyhledávání: nejprve prohledáme index, pak primární soubor.

Index

Pomocný soubor strukturovaný a tříděný podle jiného hlediska než základní (primární) soubor. Obsahuje záznamy o struktuře "klíč, adresa", kde klíč je hodnota (slovo, fráze, atribut) a adresa je ukazatel na místo uložení této hodnoty v základním souboru. Prostřednictvím odkazu propojuje index označení zdroje s jeho umístěním. Účelem indexového souboru je urychlit přístup ke zdrojům a tím zkrátit dobu vyhledávání.

Poznámka: Slovo index se používá v mnoha různých významech - viz rozcestník na Wikipedii.

klad:

• urychluje přístup k datům (zkracuje dobu vyhledávání)
• umožňuje vyhledávat podle více hledisek

zápor:

• zabírá místo
• údržba indexu zpomaluje práci při aktualizaci primárního souboru

indexovaný soubor:

primární soubor není setříděn (sekvenční vyhledávání)

index-sekvenční vyhledávání (ISAM - index-sequential access method):

primární soubor je sekvenčně setříděn (zkrácené vyhledávání)

Typy indexů

Termínové indexy

a) strukturovaný - fulltextový

1. Plnotextový (fulltextový) index

index s rozdělením víceslovných výrazů na jednotlivá slova

vyhledávaná jednotka: text (dokument), příp. jeho část

složení:

1. slovo
2. pořadové číslo dokumentu v kolekci
3. pořadí slova v rámci dokumentu (příp. v rámci elementu)

Příklad: Plnotextový index vytvořený pro záznamy knih

2. Strukturovaný index

klasický index relační databáze (s celými hodnotami atributů/položek)

vyhledávaná jednotka: záznam

složení:

1. hodnota atributu/pole
2. pořadové číslo záznamu v souboru
3. pořadové číslo pole nebo název pole v záznamu

Příklad: Strukturovaný index vytvořený pro záznamy knih

b) index z 1 pole (elementu) - index z více polí (elementů)

1. Index vytvořený z hodnot 1 pole (elementu)

Příklad: Index vytvořený z hodnot pole NÁZEV

2. Index vytvořený z hodnot více polí (elementů)

• složený index (původní položky zůstanou zachovány, třídí se kaskádovitě)
• hodnoty různých polí (elementů) jsou umístěny do stejného pole indexového souboru

Příklad: Složený index vytvořený z hodnot polí AUTOR a NÁZEV

Využití indexového souboru pro kontextové operátory

a) operátor proximity

podmínka vzdálenosti se vyhodnocuje přes absolutní hodnocení rozdílu pořadí slov

b) operátor pořadí

podmínka pořadí je vyhodnocována na základě větší velikosti čísla udávajícího pořadí slov

8. Literatura

ČSN EN 28879. Zpracování informací. Textové a kancelářské systémy. Standardní univerzální vyznačovací jazyk (SGML). Praha: Český normalizační institut, 1995. 204 s. Třídicí znak 36 9825. [český překlad evropské verze ISO 8879:1986]

Extensible Markup Language (XML) 1.1. W3C Recommendation 04 February 2004, edited in place 15 April 2004. Dostupné z: http://www.w3.org/TR/xml11/.

GLUSHKO, Robert J., McGRATH, Tim. Document engineering: analyzing and designing documents for business informatics and web services. Cambridge: MIT Press, 2005. 703 s. ISBN 0-262-07261-0.

Index. In: Ottův slovník naučný. https://ndk.cz/view/uuid:90942c10-e6e0-11e4-9c07-001018b5eb5c?page=uuid:f275a270-04b7-11e5-95ff-5ef3fc9bb22f.

KNOLL, Adolf. Problematika elektronických publikací. In: Národní knihovna: knihovnická revue. 1999, 10(4), 173-177. ISSN 0832-7487 (print). ISSN 1214-0678 (online). Dostupné z: http://full.nkp.cz/nkkr/NKKR9904.html.

KUČEROVÁ, Helena. Metavyhledávání a jeho typy – příspěvek k terminologické diskusi. In: Knihovna plus [online]. 2011, 7(2) [cit. 2024-05-03]. ISSN 1801-5948. Dostupné z: http://knihovna.nkp.cz/knihovnaplus112/kucer.htm.

MLÝNKOVÁ, Irena et al. XML technologie: principy a aplikace v praxi. 1. vyd. Praha: Grada, 2008. 267 s. ISBN 978-80-247-2725-7.

NIČ, Miloslav. RDF tutorial. In: Zvon.org [online]. [cit. 2024-05-03] Dostupné z: http://zvon.org/comp/r/tut-RDF.

Resource description framework (RDF) [online]. W3C RDF Working Group, last modified 2020-02-18 [cit. 2024-04-29]. Dostupné z: http://www.w3.org/RDF/.

RDF 1.2 concepts and abstract syntax [online]. W3C Working Draft. Olaf Hartig, Pierre-Antoine Champin, Gregg Kellogg, Andy Seaborne, ed. W3C, 2024-05-02 [cit. 2024-05-03]. Dostupné z: https://www.w3.org/TR/rdf12-concepts/.

RDF 1.1 primer [online]. W3C Working Group Note. Guus Schreiber, Yves Raimond, ed. W3C, 2014-06-24 [cit. 2024-05-03]. Dostupné z: https://www.w3.org/TR/rdf11-primer/.

RDF 1.2 Schema [online]. W3C Working Draft. Dominik Tomaszuk, Timothée Haudebourg, ed W3C, 2024-04-18 [cit. 2024-05-03]. Dostupné z: https://www.w3.org/TR/rdf12-schema/.