PDF, 22 Kb - Computational Biology @ Comenius University in ...

Vyhl’adávanie v texte (String/Pattern Matching Algorithms)
Broňa Brejová
• Kontakt: brejova@fmph.uniba.sk, M163
• Prednášky streda 14:00-15:30 M-VII a štvrtok 16:30-18:00 M-III
Vyhovuje tento čas?
• Webstránka: http://compbio.fmph.uniba.sk/vyuka/vvt/
• Moodle na odovzdávanie úloh a evidenciu bodov,
prihláste sa heslom “hladaj slovo”
• Konzultácie: utorok 16:00-17:00 alebo po dohode
• Neváhajte sa klást’ otázky na hodine, na konzultáciách, príp. emailom
• Anglické prednášky?
1

Ciele predmetu
• Úvod do efektívnych dátových štruktúr a algoritmov pre prácu s textom.
• Užitočné v internetových vyhl’adávačoch, databázach, editoroch,
kompilátoroch, bioinformatike, antivírových programoch, . . .
• Využitie a preh´lbenie vedomostí o tvorbe a analýze algoritmov a
z formálnych jazykov
• ˇDalšie zručnosti: práca s literatúrou, prezentovanie, výpočtové
experimenty.
2

Preberané témy
• Hl’adanie kl’účových slov (invertovaný index, lexikografický strom)
• Hl’adanie vzorky v texte (Knuth-Morris-Pratt-ov algoritmus a iné),
hl’adanie viacerých vzoriek, 2D vyhl’adávanie, . . .
• Indexovanie textu (sufixové stromy a polia)
• Editačná vzdialenost’ (dynamické programovanie a jeho vylepšenia),
vyhl’adávanie približných výskytov vzorky
• Iné témy: regulárne výrazy, aplikácie v biológii, FFT, LCA
• Vaše prezentácie
3

Pravidlá
Všetci:
Aktivita na hodine 10% (+ najviac 10% bonus)
Prezentácia článku 15%
Alternatíva A:
Domáca úloha 15%
Skúška 60%
A: >=90, B:80...89, C: 70...79, D: 60...69, E: 50...59, FX:

Pravidlá
Všetci:
Aktivita na hodine 10% (+ najviac 10% bonus)
Prezentácia článku 15%
Alternatíva A:
Domáca úloha 15%
Skúška 60%
Alternatíva B:
Domáca úloha 15%
Projekt 60%
Alternatíva A je základ
Alternatíva C:
Projekt 75%
V prípade záujmu o B alebo C sa príd’te dohodnút’ do 31.3.
A: >=90, B:80...89, C: 70...79, D: 60...69, E: 50...59, FX:

Pravidlá
Domáca úloha
V prvej polovici semestra, implementácia algoritmov a ich experimentálne
porovnanie, bonusové otázky
Prezentácie
Vyberte si vedecký článok súvisiaci s témou predmetu (do 16.4.)
Prezentácie cez prednášku na konci semestra
Skúška
Písomná skúška s riešením problémov (tvorba/analýza algoritmov)
Ústna skúška: vysvetlite algoritmus z prednášky, detaily vášho článku
Povolený t’ahák 2 listy A4
5

Pravidlá
Projekt (nepovinný)
Mini-diplomovka (8-20 strán)
Rôzne možnosti: Prehl’ad/implementácia a experimenty/teória
Výber témy do 31.3., dohodnite sa s vyučujúcou
Aktivita
Odpovedanie otázky cez prednášku, prezentácia nepovinnej DÚ (1-3)
Písanie/zlepšovanie poznámok z prednášok v LaTeXu (1-5)
Hl’adanie chýb v poznámkach/na prednáške
Neopisovat’
Môžete sa o domácej úlohe rozprávat’ so spolužiakmi
Ale každý vlastnú implementáciu, experimenty a text
Nekopírovat’ z internetu, citujte prípadné zdroje
6

Literatúra
• Dan Gusfield (1997) Algorithms on Strings, Trees and Sequences:
Computer Science and Computational Biology. Cambridge University
Press V knižnici so signatúrou I-INF-G-8.
• Alberto Apostolico, Zvi Galil, editors (1997) Pattern Matching
Algorithms, Oxford University Press.
• Gonzalo Navarro, Mathieu Raffinot (2002) Flexible Pattern Matching in
Strings. Cambridge University Press.
• Vedecké články
• Poznámky z prednášok
7

Plnotextové vyhl’adávanie kl’účových slov
(Full-text keyword search)
Definícia problému
Dokument: Postupnost’ slov
Ciel’: Vytvorit’ index pre statickú množinu dokumentov, aby sme vedeli
rýchlo odpovedat’ na dotazy.
Dotaz: Dané slovow, nájdite všetky dokumenty obsahujúcew.
Príklad:
Dokument 0: Ema ma mamu.
Dokument 1: Mama ma Emu.
Dokument 2: Mama sa ma. Ema sa ma.
Dotaz: Mama vráti dokumenty 1,2.
8

Plnotextové vyhl’adávanie kl’účových slov
(Full-text keyword search)
Definícia problému
Dokument: Postupnost’ slov
Ciel’: Vytvorit’ index pre statickú množinu dokumentov, aby sme vedeli
rýchlo odpovedat’ na dotazy.
Dotaz: Dané slovow, nájdite všetky dokumenty obsahujúcew.
Praktické otázky
Dokument: webstránka/email/kniha/kapitola/abstrakt/. . .
Predspracovanie: malé/vel’ké písmená, úprava na základný tvar
(stemming), čo je slovo/oddel’ovač slov?, synonymá,. . .
Čo ak je vel’a dokumentov, ako ich zoradit’? (Information/text retrieval)
9