pojmy:case-sensitive - Příručka ČNK

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.

====== Case-sensitive versus case-insensitive ======

Analýza textu může být prováděna vždy buď s ohledem na velikost písmen (case-sensitive), nebo se k velkým a malým písmenům přihlížet nemusí (case-insensitive). V případě case-insensitive analýzy jsou velká a malá písmena brána jako tentýž znak (slova //les, LES, Les// či //leS// jsou chápána jako shodná), v případě case-sensitive analýzy je na písmena lišící se velikostí pohlíženo jako na dvě rozdílné jednotky.

Case-insensitive analýzu si tak můžeme představit jako analýzu, které předchází to, že jsme všechna písmena v textu převedli na minuskule (malá písmena). Vyhodnocení takového textu (např. počet různých jednotek - [[pojmy:typ|typů]], jejich [[pojmy:frekvence|frekvence]], třídění apod.) se samozřejmě bude lišit od situace, kdy velikost písmen může rozlišovat slova (case-sensitive přístup).

===== Vyhledávání =====

To, zda vyhledáváme case-sensitive nebo case-insensitive záleží na typu dotazu i na použitém atributu. 

===== Příklady =====

Atribut [[pojmy:word|word]] je tradičně chápaný jako case-sensitive (s výjimkou korpusů, které velikost písmen nezachycují, např. některé korpusy mluveného jazyka).

[[pojmy:lemma|Lemmata]] jsou tradičně chápána jako case-insensitive jednotky (v historii korpusové lingvistiky byla tradičně zapisována majuskulemi - velkými písmeny). V korpusech ČNK je ovšem zaveden úzus, že lemmata s propriálním významem mají velké počáteční písmeno, zatímco apelativní lemmata mají všechna písmena malá (obecné adjektivum //nový// vs. vlastní jméno //Nový//).

==== Souvísející odkazy ====

<WRAP round box 49%>
[[pojmy:lemma|Lemma]] • [[pojmy:word|Word]]
</WRAP>

Historie: • orator • segmentace • problemy_tokenizace • veda • filtr • case-sensitive • napoveda • alignment • syn2009pub • corpus_driven