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 [[kurz:prvni_dotaz#nac_je_ktery_typ_dotazu_vhodny|typu dotazu]] i na použitém pozičním [[pojmy:atributy_pozicni|atributu]]. Standardní nastavení jsou tato:

==== Typ dotazu ====

^ Typ ^ Nastavení ^
^ Základní | case-insensitive |
^ Lemma | case-insensitive((platí ovšem, že propriální lemmata mají velké počáteční písmeno, např. //Praha//)) |
^ Fráze | case-sensitive |
^ Slovní tvar | case-insensitive((tuto volbu je možné ve formuláři přepnout)) |
^ Část slova | case-sensitive |
^ CQL | case-sensitive |

V případě [[pojmy:dotazovaci_jazyk|CQL]] dotazu je možné case-insensitive hledání zadat pomocí speciální struktury ''(?i)''. Pokud tato značka v CQL dotazu předchází hodnotu, bude dotaz vyhodnocen bez ohledu na velikost písmen, např. %%''[word="(?i)nový"]%%'' najde jak slovo //nový//, tak podobu //Nový// nebo //NOVÝ//.

==== Typ atributu ====

^ Typ ^ Nastavení ^
^ word | case-sensitive |
^ lemma | case-insensitive((apelativní lemmata se vyhodnocují bez ohledu na malá a velká písmena, propriální lemmata mají první počáteční písmeno velké, např. //Liberec//)) |
^ tag/pos | case-sensitive |
^ lc | case-insensitive |

Atribut ''[[pojmy:lc|lc]]'' je přímo vyhrazen na hledání bez shody velikosti písmen, vyhledává tedy stejně jako atribut ''[[pojmy:word|word]]'', pouze nedbá na rozdíl ve velikosti písmen. Dotazy ''[word="(?i)les"]'' a ''[lc="les"]'' je tak možné považovat za ekvivalentní. ''[[pojmy:lemma|Lemma]]'' obvykle vyhledává všechny tvary daného paradigmatu bez ohledu na velikost písmen, tzn. lemma //les// najde //les, Les, lesu, LESU, lesEM// atp. Lemmata, která představují vlastní jména (např. Cheb, Chlumská, Audi atp.), se zadávají s velkým počátečním písmenem, vyhledání je ovšem rovněž case-insensitive (ve výsledku se můžou objevit formy //CHEB, Chebu, CHEBu// apod.). Ostatní atributy jsou case-sensitive.

===== 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 48%>
[[pojmy:lemma|Lemma]] • [[pojmy:word|Word (slovní tvar)]] • [[pojmy:dotazovaci_jazyk|Dotazovací jazyk]] • [[pojmy:regularni_vyrazy|Regulární výrazy]]
</WRAP>
Historie: • napoveda • problemy_tokenizace • stc_strdc_ud • verze3 • kondicional • veda • poskozene_texty • case-sensitive • filtr • case-insensitive