FST PARA ARCHIVO INVERTIDO

Como se indicó previamente, una FST en cada base de datos define el contenido del archivo invertido correspondiente. Los elementos generados por esta FST, una vez almacenados en el archivo invertido, constituyen el diccionario de términos recuperables para la base de datos.

El diccionario solo, sin embargo, no es suficiente para proveer un mecanismo de recuperación completo ya que cada término debe estar ligado a todos los registros de la base de datos en que este ocurra. De esta manera, para cada término recuperable en el diccionario de datos, CDS/ISIS asocia una lista de apuntadores (postings) para proveer esta liga. Cada término tiene tantos apuntadores como el número de veces que se encuentre en la base de datos.

Además, con objeto de poder realizar algunas funciones avanzadas del lenguaje de búsqueda, tales como los operadores de búsqueda de proximidad, cada apuntador (posting) indica no solamente el MFN del registro correspondiente, sino que incluye también información adicional referente a la localización del término dentro del registro del que fue extraído.

Cada apuntador (posting) tiene cuatro componentes:

1. El MFN del registro que contiene el término; CDS/ISIS asigna este componente automáticamente.

2. El identificador de campo que se usará durante las búsquedas cuando se especifique un calificador de operando (véase "Calificadores de operando"). Este componente se asigna a través de la FST. Nótese que puede asignarse el mismo identificador de campo a diferentes campos y así hacerlos aparecer como un solo campo durante la búsqueda.

3. El número de ocurrencia, necesario para permitir operadores de búsqueda a nivel de campo (operadores (F) y de proximidad) en grupos repetibles. Si el uso de estos operadores es necesario en el diseño de una base de datos (lo cual sucederá normalmente cuando se utilice la técnica de indizado 4), entonces debe asignarse el número de ocurrencia, a través del formato, utilizando un signo de porcentaje (%)[1] entre las ocurrencias del campo repetible (lo cual puede hacerse fácilmente usando una literal sufija repetible, e.g. v10|%|). CDS/ISIS re-inicializa el número de ocurrencia como 1 para cada línea de la FST procesada, y lo incrementa en uno cada vez que encuentra un signo % en el texto producido por el formato.

4. El número secuencial del término, necesario para permitir operadores de búsqueda de proximidad. Este es asignado por CDS/ISIS como sigue: se fija en 1 para cada línea de la FST procesada o cada vez que cambie el número de ocurrencia; se incrementa en uno para cada elemento creado por la técnica de indizado especificada. Asumir por ejemplo, que una base de datos tiene un resumen en el campo repetible 68, con un párrafo por cada ocurrencia, el cual debe ser indizado con la técnica 4. Especificando el formato de extracción de datos mdl,v68|%|, a las palabras del resumen se les asigna un número secuencial comenzando desde el 1 en cada párrafo (Mientras que si el formato de extracción hubiera sido mdl,v68, las palabras hubieran sido numeradas secuencialmente a lo largo de todo el resumen; esto es, la primera palabra del segundo párrafo tendrá un número de secuencia el cual es uno mayor que el de la última palabra del primer párrafo).

En algunos casos, ciertos términos del diccionario generados por la FST para archivo Invertido pueden resultar poco relevantes o ambiguos para una recuperación eficiente. Por ejemplo, el término IT (en inglés) puede ser, ya sea un pronombre (en cuyo caso podría ser no necesario para recuperación), o podría ser el código de país para Italia. Esto también podría suceder para términos numéricos tales como un 34, cuyo significado puede ser obscuro cuando esté aislado de su contexto. Si el campo que produce tales términos es indizado con la técnica 0, se puede agregar significado usando un literal-prefijo para proveer un rótulo que identificará el uso particular del término. Por ejemplo, para indizar un campo que contiene el código de país en el campo 10, puede usarse el siguiente formato: "CP="v10 (en vez de v10), de tal manera que el código IT será invertido como CP=IT (en vez de solo IT). De la misma manera, si el campo 20 contiene un número de proyecto, puede usarse el formato "PROYECTO ",v20, de modo que posteriormente pueda buscarse PROYECTO 34 (en vez de solo 34).

La figura 27 presenta el resultado del proceso de la FST mostrada en la Figura 25 cuando se aplica a los registros mostrados en la Figura 6. La Figura 28 muestra la asignación completa de los apuntadores (postings) antes de ser almacenados en el archivo Invertido. La Figura 29 muestra los elementos y apuntadores (postings) correspondientes que se generarían si se utilizara el archivo de palabras vacías descrito bajo "Creación de archivos de palabras no significativas". Nótese, en este ejemplo, que a pesar de que las palabras no significativas no aparecen en la salida, son tomadas en cuenta en la numeración de la secuencia de términos.

Nótese que el carácter para separar las ocurrencias de un campo repetible es definido implícitamente como "%"; sin embargo, es un parámetro dependiente de la instalación (véase "Parámetro 8: Separador de campos repetibles"). Si ha sido re-definido con este parámetro, debe usarse el carácter asignado para este propósito en vez del signo %

APARTADOS:

FIN DE TEMA