forked from KEMT/zpwiki
Update 'pages/students/2016/jan_holp/dp2021/README.md'
This commit is contained in:
parent
a8a1ca263c
commit
56b3d9d348
@ -1,82 +1,3 @@
|
||||
# Diplomový projekt 2020
|
||||
|
||||
|
||||
## Návod na prácu s Elasticsearch
|
||||
### Inštalácia
|
||||
|
||||
ES je dostupný na všetky operačné systémy ako Windows, MacOs aj Linux. Pre
|
||||
prácu bol zvolený operačný systém Linux, ktorý je vhodnejší ako Windows. V systéme sme vytvorili adresár, ktorý bude obsahovať všetky potrebné súčasti. Do tohto
|
||||
adresára sme si stiahli ES, ktorý stačilo rozbaliť a je pripravený na použitie aj bez
|
||||
inštalácie. Pre spustením je potrebné mať prostredie Java Runtime Environment vo
|
||||
verzii aspoň 1.8
|
||||
|
||||
### Podpora slovenčiny
|
||||
|
||||
Pre použitie Hunspell token filtru, stačí jeho obsah stiahnuť z webovej stránky a
|
||||
rozbaliť ho. Po rozbalení obsahu je potrebné otvoriť adresár kde máme nainštalovaný
|
||||
ES. Konkrétne v adresári config vytvoríme nový adresár s názvom hunspell, v ňom
|
||||
ďalej vytvoríme adresár sk_SK. Do tohto adresára nakopírujeme súbory, ktoré sme
|
||||
získali rozbalením Hunspellu. Výsledná súborová štruktúru si môžeme pozrieť na
|
||||
obrázku :
|
||||
|
||||
![Súborová štruktúra Hunspell](suborova_struktura.PNG)
|
||||
|
||||
Pre správne fungovanie už potrebujeme len nastaviť analyzér správne. Dôležité
|
||||
je poradie v akom sa filtre budú aplikovať na text. Na obrázku si môžeme pozrieť
|
||||
kompletné nastavenie analyzéru(pozn. ES musí byť spustený). Ak je všetko správne
|
||||
ES nám odpovie hláškou "true". Ako definovať analyzér si môžeme pozrieť na obrázku :
|
||||
|
||||
![Definícia analýzeru](def_analyzeru.PNG)
|
||||
|
||||
### Mapping
|
||||
|
||||
Po nastavení analyzéra potrebujeme ešte pred samotným indexovaním dát nastaviť mapping. Je dôležité nastaviť to na začiatku, kedže mapping už potom nie je
|
||||
možné upraviť. Bolo by potrebné zmazať celý index a nastaviť mapping znova. Pri
|
||||
mappingu potrebujeme vedieť, že každý článok bude obsahovať svoje jedinečné ID,
|
||||
názov(title) a telo(body) článku. Týmto poliam musíme definovať štruktúru, čiže ID
|
||||
bude typu integer, polia title a body budú typu text.
|
||||
|
||||
### Indexovanie dát
|
||||
|
||||
Na indexovanie použijeme pripravený zdrojový kód s názvom elasticsearch.js. Na
|
||||
spustenie javascript kód potrebujeme mať nainštalovaný program Nodejs, najlepšie
|
||||
v čo najnovšej verzii. Kód spustíme pomocou príkazového riadka zadaním príkazu:
|
||||
nodejs elasticsearch.js.
|
||||
Zdrojový kód načítava súbor, v ktorom sú všetky novinové články vo formáte
|
||||
JSON, kde jeden riadok je jeden JSON, čiže jeden novinový článok. Načítavanie
|
||||
prebieha po riadkoch, kde každému riadku je priradený index postupne v rozsahu 1
|
||||
až 4781. každý článok obsahuje jedinečné ID, názov a telo.
|
||||
Po spustení kódu sa nám zobrazí hláška, ktorá nás informuje o počte indexovaných článkov a vytvorí index s názvom "skweb", kde sa indexuje 4781 novinových
|
||||
článkov, ktorým budú priradené ID. Po úspešnom indexovaní môžeme začať dáta
|
||||
vyhľadávať. Ukážka správneho indexovania je na obrázku :
|
||||
|
||||
![Ukážka indexovania](ukazka_indexovania.PNG)
|
||||
|
||||
### Vyhľadávanie
|
||||
|
||||
Po úspešnom indexovaní môžeme začať s vyhľadávaním. Musíme si pripraviť dotaz
|
||||
pre ES. Obrázok 5-4 znázorňuje komunikáciu s ES a vyhľadávanie pomocou neho.
|
||||
Odpoveď ES si môžeme pozrieť na obrázku. Sú tam zobrazené informácie
|
||||
o trvaní vyhľadávania v ms, počte nájdených dokumentov, indexe, v ktorom sa
|
||||
nachádza nájdený dokument, type, v ktorom je uložený dokument a ID dokumentu.
|
||||
|
||||
![Vyhľadávanie](vyhladavanie.PNG)
|
||||
|
||||
![Odpoveď]( odpoved.PNG)
|
||||
|
||||
|
||||
### Výpočet presnosti
|
||||
|
||||
Použijeme metódu precision-recall. V priečinku ../scnc21 sa nachádza súbor answers,
|
||||
ktorý obsahuje ID všetkých relevantných článkov pre každú otázku. Pri vyhľadávaní
|
||||
majú články ID v rozsahu 1-4871. V súbore answers majú články ID dokumentov
|
||||
označené inými číslami. Preto je potrebné každému ID z nášho vyhľadávača priradiť ID zo súboru answers aby sme správne vedeli vypočítať presnosť. Keďže naše
|
||||
indexovanie článkov prebiehalo načítavaním po riadkoch tak ID dokumentu, ktorý
|
||||
nám našiel vyhľadávač je vlastne číslo riadku, pomocou ktorého sme indexovali dáta.
|
||||
Stačí si pozrieť súbor info.txt , pomocou ktorého vieme prideliť správne ID.
|
||||
Potom nám stačí použiť nástroj na výpočet precision-recall, môžeme to byť npm
|
||||
balíček precision-recall alebo online kalkulátor. Ak vypočítame presnosť pre každú
|
||||
otázku na záver stačí vypočítať aritmetický priemer všetkých otázok.
|
||||
|
||||
|
||||
**Všetky potrebné zdrojové súbory su priložené v tomto repozitári**
|
Loading…
Reference in New Issue
Block a user