Implementace úložiště a dotazovacého rozhraní pomocí grafové databáze Neo4j

Abstract

V této práci prezentuji svou implementaci ukládání lingvistických vzorů jako orientovaného grafu do databáze Neo4j a dotazování se na odpovídající vzory. Dále to bude využito v jedné z činností dolování textu, které gramaticky kontrolují nestrukturovaný text, a to primárně se značkováním slovních druhů a analýzou závislostí mezi každým slovem věty za účelem odhalování nepřesností, které se vyskytují v textu a které jsou způsobeny nejednoznačností, neúplnost a nedůslednost. Tento proces používá metodu rozpoznávání založenou na vzorech k identifikaci vzorů v textu a poté jej porovnává s definovanými vzory, aby se zjistily nepřesnosti. Protože tyto textové vzory věty jsou reprezentovány jako orientovaný graf, budou uloženy v databázi Neo4j, která obsahuje slova, slovní druhy a interpunkci jako uzly. Závislosti mezi každým uzlem budou uloženy jako vztahy a poté bude provedeno porovnávání dotazu (vzoru vět) s předdefinovaným uloženým vzorem. Toto slouží ke kontrole, které předdefinované vzory jsou podgrafy dotazu (vzor vět). Takže tyto výsledky budou použity v další fázi procesu dolování textu k detekci a opravě nepřesností, které se vyskytují v textu.

In this thesis, I present my implementation of storing linguistic patterns as an oriented graph in a Neo4j database and querying it to get matched patterns. Furthermore, this will be used in one of the text mining activities that grammatically inspect the unstructured text, primarily with the part of speech tagging and dependency parsing between each word of a sentence to detect inaccuracies that occur in a text that are caused by ambiguity, incompleteness, and inconsistency. This process uses a pattern-based recognition method to identify the patterns in a text and then matches it with the defined patterns to detect inaccuracies. Since these textual patterns of a sentence are represented as an oriented graph, they will be stored in the Neo4j database which holds words, parts of speech, and punctuation as nodes. Dependencies between each node will be stored as relationships, and then the matching of Query (sentence pattern) with a predefined stored pattern will be done. This is to check which predefined patterns are subgraphs of the Query (sentence pattern). So, these results will be used in a further stage of the text mining process to detect and fix the inaccuracies that occur in a text.