文本數(shù)據(jù)庫(數(shù)據(jù)庫)

時間：2022-12-01 02:30:01 | 來源：信息時代

時間：2022-12-01 02:30:01 來源：信息時代

    文本數(shù)據(jù)庫 : 存儲和管理大量文本信息的數(shù)據(jù)庫系統(tǒng),它提供對文本的表達(dá)、組織、存儲和訪問功能。文本數(shù)據(jù)庫與傳統(tǒng)數(shù)據(jù)庫(如關(guān)系數(shù)據(jù)庫)有很大的不同,傳統(tǒng)數(shù)據(jù)庫可以完全地反映一個企業(yè)/組織的各種信息,文本數(shù)據(jù)庫則表示一個企業(yè)/組織的所有文本信息。文本數(shù)據(jù)庫和傳統(tǒng)數(shù)據(jù)庫的差異源于文本信息的獨特性。文本的獨特性主要表現(xiàn)在以下方面:
(1)文本是自然語言的書寫形式。不同的語言可能使用不同的文本字符集; 而不同的語言,詞的概念也可能相差懸殊; 在有些語言環(huán)境下,句子的邊界很難界定。
(2)文本是一種復(fù)雜的對象。這種復(fù)雜性首先表現(xiàn)在文本的組成部分之間存在層次和線性以及參照等關(guān)系; 其次,文本中普遍存在嵌入成分,比如腳注和引用等。
文本數(shù)據(jù)庫中的文本是內(nèi)容和結(jié)構(gòu)的統(tǒng)一。內(nèi)容為字符串;結(jié)構(gòu)則表現(xiàn)為多級的層次或嵌套關(guān)系,且不同的文本實體的結(jié)構(gòu)各不相同。而作為傳統(tǒng)數(shù)據(jù)庫主流的關(guān)系數(shù)據(jù)庫,數(shù)據(jù)結(jié)構(gòu)和內(nèi)容是分開的,結(jié)構(gòu)代表模式,內(nèi)容為具體的數(shù)據(jù)記錄。傳統(tǒng)數(shù)據(jù)庫中的操作是確定性數(shù)據(jù)查詢; 文本數(shù)據(jù)庫中的操作除了字符串的精確匹配外,更多的是基于語義相關(guān)的查詢,這種操作帶有不確定性。此外,文本數(shù)據(jù)庫中的文本數(shù)據(jù)相對穩(wěn)定,用戶一般只是獲取信息,不參與信息的更新。
文本數(shù)據(jù)庫包含文本數(shù)據(jù)庫模型、文本索引、文本壓縮等關(guān)鍵技術(shù)。文本數(shù)據(jù)庫模型定義文本的存取、訪問方式以及相關(guān)約束;文本索引技術(shù)是為文本操作提供的具體實施技術(shù); 文本壓縮則是為了減少文本的存儲空間。為了更好地挖掘文本數(shù)據(jù)庫中的文本信息,又提出了文本分類、文本知識發(fā)現(xiàn)等新的技術(shù)。為存儲、檢索、挖掘以中文字符為主的中文文本數(shù)據(jù),則引入了中文文本數(shù)據(jù)庫。
目前國內(nèi)外都已出現(xiàn)了不少商品化的全文數(shù)據(jù)庫系統(tǒng)(個別稱為全文檢索系統(tǒng),這是一種管理靜態(tài)文本集的全文數(shù)據(jù)庫,可以看成較低檔的全文數(shù)據(jù)庫)。國外影響較大的有:Knight-Ridder聯(lián)機(jī)全文檢索系統(tǒng),Cornell大學(xué)研究開發(fā)的SMART系統(tǒng),IBM公司的Lotus Notes系統(tǒng),Microsoft公司的Index Server系統(tǒng),Oracle公司的Intermedia。其中,IBM Lotus Notes系統(tǒng)和Microsoft Index Sever系統(tǒng)在許多方面均已達(dá)到較高的技術(shù)水準(zhǔn)。Lotus Notes被稱為新一代的文本數(shù)據(jù)庫系統(tǒng),它的基本元素就是文本,同時也可保存文本的結(jié)構(gòu)化信息。它自動創(chuàng)建文本的全文索引,內(nèi)置全文搜索引擎,當(dāng)用戶增加、刪除、修改文本時,系統(tǒng)能夠迅速完成全文索引的動態(tài)調(diào)整,還可以根據(jù)用戶的需要對文本進(jìn)行自動分類。