ASWI - Pokročilé softwarové inženýrství » ASWI 2021 » Databáze slov a jejich tvarů (KČJ FPE) - Mr. Proper

h1. Úvod

Zadavatelem byly dodány dvě databáze, jejichž struktura je shodná. Tedy shodují se názvy i počet tabulek, rovněž jsou shodné i typy atributů, kterými dané tabulky disponují. Popis je tedy validní pro obě dodané databáze.

h1. Dostupné tabulky

V podkapitolách je uveden obecný popis dat, jež obsahuje tabulka s odpovídajícím názvem.

h2. dd_wordform

Uvedenou tabulku lze považovat za výchozí bod pro zobrazení dat uživateli. Obsahuje slovní tvar, datum vytvoření záznamu a poznámky přiřazené k jednotlivým záznamům vytvořené zadavatelkami. Rovněž se v tabulce nachází cizí klíče, které zajistí přiřazení lemmatu a morfologické charakteristiky k příslušnému slovnímu tvaru.

h2. dd_lemma

Obsahuje slova v základním tvaru.

h2. dd_tag

Obsahuje morfologickou charakteristiku pro slovní tvary. Charakteristika je v kódovém označení, které je blíže popsáno v kapitole pojednávající o atributech přítomných v tabulkách.

h2. dd_manuscript

Jedná se o spojovací tabulku vyjadřující relaci M:N zajišťující přiřazení textového pramenu k slovnímu tvaru. Jeden slovní tvar se může nacházet ve více pramenech a zároveň jeden pramen může obsahovat více slovních tvarů. Seznam pramenů je dostupný v kapitole popisující atributy.

h1. Atributy tabulek

Předmětem kapitoly je detailní popis atributů a jejich významu v dané tabulce. V seznamu atributů není uvedena položka "id", kterou obsahují všechny uvedené tabulky vyjma "dd_manuscript", jelikož její význam je shodný napříč tabulkami. Atribut "id" je hodnotou, která je pro každou položku tabulky odlišná. Hodnota "id" je inkrementována obvyklým způsobem, tedy pokud má poslední vložený záznam "id" n, nově vložený záznam bude mít "id" n + 1.

Pokud je u atributu uveden příklad, pak se vztahuje k druhé dodané databázi.

h2. dd_wordform

h3. context

Typ atributu: character varying (20)

Předložka slovního tvaru (pokud je tedy vůbec zadáno). - OK

Příklad: V případě slovního tvaru "jeho" ("id" = 33279) je předložka "okolo".

h3. date

Typ atributu: timestamp without time zone

Datum vytvoření příslušného záznamu ve formátu rrrr-mm-dd, kde r = rok, m = měsíc, d = den. Položky mají rovněž přiřazený i čas, který však zřejmě nikdy nebyl zadán (KOUKNOUT SE) - u všech položek je tedy 00:00:00.

Příklad: Datum a čas vytvoření slovního tvaru "jeho" ("id" = 33279) je "2017-09-19 00:00:00".

h3. description

Typ atributu: character varying (250)

Poznámka uživatelek, v dodaném SW popsáno jako "Poznámka1". Při reprezentaci dat uživateli má být obsah daného atributu zobrazen za dokladem, tedy za obsahem atributu "word".

Příklad: V případě slovního tvaru "bahajíce" ("id" = 358) má atribut hodnotu "(sic)".

h3. description2

Typ atributu: character varying (250)

Poznámka uživatelek, v dodaném SW popsáno jako "Poznámka2". Obsah prvního řádku daného atributu (před "\n") má být zobrazen u lemmatu. Na druhé řádce v případě sloves uvedeno, s čím se mohou pojit ; případně označení pro jméno místní. //TODO: v dodaném sw se nezdá, že by to bylo nějak respektováno a ani, že by byl popisek jednotný. Tohle zkusíme dořešit při zobrazení dat uživateli

Příklad: V případě slovního tvaru "bahajíce" ("id" = 358) má atribut hodnotu "po čem".

h3. description3

Typ atributu: character varying (250)

Poznámka uživatelek, v dodaném SW popsáno jako "Poznámka3". Pokud je hodnota atributu přítomna, pak se ve většině případů jedná o předložku (hodnotu atributu context) spojenou s konkrétním slovním tvarem (hodnotou atributu word). //TODO: zadavatelky uznaly, že toto nemají jednotné, domluvíme se, jestli budou chtít zobrazit nějak jinak než prosté "poznámka3". Příklad zadavatelek: V království - context: v, word: království, pozn3 => v království

Příklad: V případě slovního tvaru "bahajíce" ("id" = 358) má atribut hodnotu "E.P. dopl. vazba".

h3. ending

Typ atributu: character varying (10)

Koncovka příslušného slovního tvaru. Příklad: když word = "Albrechta", pak ending = "a".

Příklad: V případě slovního tvaru "abych" ("id" = 37356) má atribut hodnotu "ch".

h3. finished

Typ atributu: boolean

Vyjadřuje, zda již bylo zpracování daného slovního tvaru zcela dokončeno či nikoliv. Atribut tak nabývá hodnoty "true", respektive "false".

Příklad: V případě slovního tvaru "abych" ("id" = 37356) má atribut hodnotu true.

h3. namedentity

Typ atributu: integer

Určuje, zda je slovní tvar vlastním jménem či nikoli. V první dodané databázi nabývá hodnot 0 a 1, v druhé databázi nabývá pouze hodnoty 0. První databáze tedy obsahuje i vlastní jména (hodnota atr. 1), druhá nikoli. V dodaném SW zobrazeno jako "vlastní jméno", resp. "ostatní".

Příklad: V případě slovního tvaru "abych" ("id" = 37356) má atribut hodnotu 0.

h3. position1

Typ atributu: character varying (10)

Číslo kapitoly v textovém pramenu, z něhož byl slovní tvar získán. V dodaném SW zobrazeno jako hodnota "Pozice" před lomítkem.

Příklad: V případě slovního tvaru "abych" ("id" = 37356) má atribut hodnotu 39.

h3. position2

Typ atributu: character varying (10)

Číslo verše v textovém pramenu, z něhož byl slovní tvar získán. V dodaném SW zobrazeno jako hodnota "Pozice" za lomítkem.

Příklad: V případě slovního tvaru "abych" ("id" = 37356) má atribut hodnotu 64.

h3. positiondetail

Typ atributu: character varying (10)

Jedná se o přípisky písaře k danému slovnímu tvaru.

Příklad: V případě slovního tvaru "poslachu" ("id" = 45) má atribut hodnotu "P1".

h3. prefix

Typ atributu: character varying (10)

Atribut vyjadřuje předponu slova. V první databázi u menšiny položek má přidělenou hodnotu, v druhé databázi není hodnota dostupná u žádné z položek. Dodaný SW neumožňuje zobrazit hodnotu daného atributu.

h3. suffix

Typ atributu: character varying (10)

Jedná se o příponu slovního tvaru. V první databázi má atribut přidělenou hodnotu u menšiny položek, v druhé databázi není danému atributu přidělena hodnota u žádné položky. Dodaný SW neumožňuje zobrazit hodnotu daného atributu.

h3. word

Typ atributu: character varying (50)

Samotný slovní tvar, ke kterému je vázán zbytek popsaných atributů.

Příklad: Slovního tvaru "poslachu" ("id" = 45).

h3. lemma_id

Typ atributu: bigint

Cizí klíč, odkaz do tabulky dd_lemma. Pro vyhledání odpovídajícího lemmatu ke slovnímu tvaru je potřeba vyhledat hodnotu atributu "lemma_id", který je u příslušného slovního tvaru, ve sloupci "id" v tabulce "dd_lemma".

Příklad: V případě slovního tvaru "poslachu" ("id" = 45) má atribut hodnotu 8.

h3. tag_id

Typ atributu: bigint

Cizí klíč, odkaz do tabulky dd_tag. Pro přiřazení odpovídající morfologické charakteristiky ke slovnímu tvaru je potřeba najít hodnotu atributu "tag_id", který je u příslušného slovního tvaru, ve sloupci "id" v tabulce "dd_tag".

Příklad: V případě slovního tvaru "poslachu" ("id" = 45) má atribut hodnotu 6.

h2. dd_lemma

h3. lemma

Typ atributu: character varying (50)

Slovo v základním tvaru, maximálně 50 znaků.

Příklad: V případě, že hledáme lemma slovního tvaru "poslachu" ("id" v tabulce "dd_wordform" = 45), najdeme hodnotu "lemma_id" příslušného slova, tedy 8 => lemma "poslati".

h3. pos

Typ atributu: integer

//TODO: zeptat se, netuším. Charakterizuje pozici lemmatu v textu. Jedno lemma se může vyskytovat na různých pozicích, tedy mít různou hodnotu atributu "pos".

Příklad: V případě, že hledáme hodnotu "pos" slovního tvaru "poslachu" ("id" v tabulce "dd_wordform" = 45), najdeme hodnotu "lemma_id" příslušného slova, tedy 8 => pos = 4.

h2. dd_tag

h3. tag

Typ atributu: character varying (20)

Morfologická charakteristika slova, kódově označena. V první dodané DB je charakteristika definována 6 či 7 symboly, ve druhé DB pak 12 symboly, kdy symbol v pořadí označuje:

> 1) slovní druh: podstatné jméno - "N", přídavné jméno - "A", zájmeno - "P", číslovka - "C", sloveso - "V", příslovce - "D", předložka - "R", spojka - "J", citoslovce - "I", částice - "T"

> 2) pád: 1. pád (nominativ) - "1", 2. pád (genitiv) - "2", 3. pád (dativ) - "3", 4. pád (akuzativ) - "4", 5. pád (vokativ) - "5", 6. pád (lokál) - "6", 7. pád (instrumentál) - "7"

> 3) číslo: jednotné číslo - "S", množné číslo - "P", dvojné číslo - "D"

> 4) rod: mužský rod - "M", ženský rod - "F", střední rod - "N"

> 5) stupeň: 1. stupeň - "1", 2. stupeň - "2", 3. stupeň - "3"

> 6) tvar: tvar složený - "C", tvar jmenný - "N"

> 7) num. - "C", subst. num. - "S", adj. num. - "A"

> 8) větná - "V", členská - "C", navazovací - "N", spojení s přech. - "P"

> 9) osoba: 1. osoba - "1", 2. osoba - "2", 3. osoba - "3"

> 10) čas: přítomný čas - "P", aorist - "A", préteritum - "R", imperfektum - "I", předminulý čas - "H", budoucí čas - "F"

> 11) slovesný rod: pasivum - "P", aktivum - "A"

> 12) slovesný vid: dokonavé sloveso - "P"; nedokonavé sloveso - "I"

Příklad: V případě, že hledáme morfologickou charakteristiku slovního tvaru "poslachu" ("id" v tabulce "dd_wordform" = 45), najdeme hodnotu "tag_id" příslušného slova, tedy 6 => tag "V-P----d3AAP".

h2. dd_manuscript

h3. wordform_id

Typ atributu: bigint

Hodnota tohoto atributu se vždy vyskytuje ve sloupci "id" v tabulce "dd_wordform".

Příklad: Pro vyhledání dokumentů, ve kterých se vyskytuje slovní tvar "poslachu" ("id" v tabulce "dd_wordform" = 45), najdeme všechny řádky tabulky, kde "wordform_id" = 45. Zjistíme, že se vyskytuje v dokumentech č. 11 (rukopis Cerronský) a č. 12 (rukopis Fürstenberský).

h3. manuscript

Typ atributu: integer

Číslo textového pramenu, ve kterém se slovní tvar nachází. Prameny jsou číslovány od 0, celkově jich je 16. Atribut tedy v dodané DB nabývá hodnot 0-15, kde číslo označuje:

> 0 - rukopis Vídeňský

> 1 - zlomky Hanušovy

> 2 - zlomky Hradecké

> 3 - rukopis Cambridžský

> 4 - rukopis Františkánský

> 5 - zlomek Olomoucký

> 6 - fragment Strahovský

> 7 - zlomky Klementinsko-Křižovnické

> 8 - zlomky Mnichovské

> 9 - rukopis Lobkovický

> 10 - rukopis Pelclův

> 11 - rukopis Cerronský

> 12 - rukopis Fürstenberský

> 13 - rukopis Zebererův

> 14 - vydání Pavla Ješína z Bezdězi, Praha 1620

> 15 - básně připsané při Pulkavově kronice v rukopisu Litoměřickém

Příklad: Pro zjištění všech slov, která se vyskytují v dokumentu 0 (rukopis Vídeňský), najdeme všechny řádky tabulky, kde "manuscript" = 0. Následně pak získané hodnoty "wordform_id" použijeme jakožto klíč ("id") do tabulky "dd_wordform" a najdeme příslušná slova.