La gestione del documento

Transcript

1 Operatore giuridico d impresa Informatica Giuridica A.A 2002/2003 II Semestre La gestione del documento prof. Monica Palmirani Il documento A differenza del dato il documento è solitamente un oggetto non strutturato difficilmente suddivisibile in parti omogenee variabile in lunghezza, contenuto, struttura un documento contiene soprattutto testo contiene anche dati multimediali:video, audio, foto, immagini, grafici, etc. 1

2 I sistemi documentali Word processor - automazione d ufficio IRS - sistemi di Information Retrieval DMS - Document management system Ipertesti Linguaggi di marcatura - SGML, HTML, XML Definizione di IRS Information reterival system è un sistema software per la gestione, l indicizzazione e il reperimento interattivo di documenti che soddisfano una certa esigenza informativa dell utente Si basa su: un insieme di dati strutturati (numero documento, data, etc.) di strutture di archiviazione (albero, reticolo, record, blob, etc.) di contenuti testuali (i testi ) di contenuti semantici dei testi (i significati speciali di certe parti del testo: titolo, abstract, conclusioni, etc.) dati ausiliari - indici, keyword, thesauri 2

3 Problemi di un IRS Raccolta di documenti UTENTE FILTRO Documenti pertinenti Incertezza: la definizione di documento è incerta l esigenza informativa spesso non è ben chiara all utente e genera incertezza Pertinenza della risposta: la query non è espressa correttamente e in ogni caso si ottengono dati incerti in risposta Modello di un IRS Esigenza informativa dell utente docs Rappresentazione dell esigenza Rappresentazione del documento query confronto Surrogato del documento retroazione Documenti individuati IRS 3

4 Architettura di un IR un IR è composto da: componente per la memorizzazione dei documenti componente per la rappresentazione del contenuto dei documenti componente per la rappresentazione dei dati strutturati componente di interfaccia con l utente Obiettivi di IRS Efficienza: prestazione buone Efficacia: rispondere all esigenza informativa, la rilevanza della risposta in confronto alla richiesta Documenti rilevanti = documenti che sono pertinenti con la domanda posta dall utente = A Documenti ritrovati = documenti che costituiscono la risposta del sistema = B A B 4

5 Parametri di misura di IRS Precision = A B/ B - misura il rumore ovvero quanti documenti non rilevanti sono stati proposti dal sistema fra i documenti risultanti Recall = A B/ A - misura il silenzio ovvero quanti documenti rilevanti non sono stati estratti e sono quindi rimasti all interno del sistema Il sistema perfetto ottiene P=R=1 tutti i documenti ritrovati sono pertinenti Non esistono IRS perfetti Modelli di IRS Exact mach Partial mach Individuale Structured based booleano Featrure based probabilistico, vettoriale, Fuzzy Network Cluster Browsing Spreadinc acrivation 5

6 Il Modello di rappresentazione Booleano Il modello booleano rappresenta il documento attraverso la lista delle parole contenute nel documento stesso il documento viene parserizzato e vengono identificate le singole parole le parole vengono filtrate rispetto ad una stop-list - lista delle parole non significative e quindi da scartare dall elenco il risultato di questo primo filtro subisce l operazione di stemming ovvero si considerano solo le radici significative delle parole le radici delle parole vengono ordinate alfabeticamente vengono eliminate le ripetizioni e vengono assegnati frequenza e peso ad ogni lemma I dati accessori Theasuri sono dizionari di termini a cui sono associate le definizioni i termini appartengono ad una gerarchia al quale identifica una categoria i termini sono collegati ai sinonimi, omonimi, multinomie, in modo da completare la richiesta eseguita dall utente con anche questi valori keywords sono parole che identificano in modo privilegiato il documento le keyword classificano il documento dichiarando la sua appartenenza ad una certa categoria 6

7 Il Modello Booleano L indicizzazione nel Modello Booleano Un modo per gestire l indicizzazione dei dati nel booleano è costituito dagli inverted file si costruisce una lista di vocaboli stemming unica per tutta la collezione dei documenti si ordina alfabeticamente ad ogni lemma è associato il numero di documenti in cui compare ed il puntatore alla lista degli indirizzi dei documenti una tabella intermedia contiene gli indirizzi dei documenti per blocchi tramite questa tabella intermedia si può risalire ai singoli documenti 7

8 DMS I DMS sono sistemi che nascono per gestire tutto il processo di produzione, archiviazione, classificazione, reperimento dell informazione solitamente sono oggetti complessi che contengono: word processor database per i dati strutturati un componente di IR un componente deputato alla comunicazione condivisa delle informazioni (grouping, mailing, cartelle condivise, etc.) un modulo avanzato di interfaccia utente un modulo per la comunicazione in rete un modulo avanzato di classificazione multipla dei documenti una serie di strumenti sofisticati per l indicizzazione dei contenti Uso dei DMS sono strumenti usati per mantenere spesso il verisoning dei documenti ovvero la storia di tutte le verisoni di un certo documento dalle aziende per la gestione della base documentale interna e della conoscenza da enti governativi con grandi mole di documenti su cui si basa la loro attività primaria - NASA, CIRA, studi professionisti basati sui documenti 8

9 Ipertesti L oggetto è ancora il testo spesso multimediale Un ipertesto è un insieme di nodi informativi uniti fra loro da link organizzati secondo uno schema logico I link hanno sempre un punto di partenza e un punto di arrivo e sono collegati ad una parte informativa del nodo detta ancora Lo schema è libero, può essere lineare, sequenziale, gerarchico o a rete Lo schema è dettato dalle relazioni semantiche fra i nodi informativi Esempio di ipertesto Nodi+link = Hypertext network 9

10 Caratteristiche e pericoli Browsing Navigabilità Usabilità Disorientamento Sovraccarico cognitivo 10