NECESIDAD DE INFORMACIÓN Vs RECUPERACIÓN DE INFORMACIÓN

En una de las clases de RECUPERACIÓN DE INFORMACIÓN, el profesor Laureano define que hay dos formas de necesidad de información.

1. NECESIDAD DE INFORMACIÓN CONCRETA. (CIN) Es aquella que nos muestra claridad sobre lo que se necesita, lo que se requiere para llenar su vació conceptual. Es más sencilla, tiene preguntas más puntuales.

Ejemplo: Fecha cumpleaños Uribe.

2. NECESIDAD DE INFORMACIÓN ORIENTADA AL PROBLEMA. (NIOP) Es aquella en donde las preguntas son mal formuladas o de forma erronea, tiene fronteras y tematicas indefinidas y en general las preguntas permanencen.

RECUPERACIÓN DE INFORMACIÓN, tema de clase del Profesor Laureano Felipe Gómez. Sistemas de Información y Documentación, Septimo semestre. I-2011. Disponible en: http://uvirtual.lasalle.edu.co/file.php/562/Tema_2/introduccion_a_la_ri_2010-II.pdf

ANTCONC. SOFTWARE. RECUPERACIÓN DE INFORMACIÓN.

Es un software que nos permite analizar palabras de un texto determinado. Analizando las diferentes extensiones como TXT y HTML.Este software, es utilizado para llevar a cabo la primera entrega del semestre de investigación de RECUPERACIÓN DE INFORMACIÓN, asignatura que ofrece el profesor Laureano Felipe Gómez.

ANTCONC. SOFTWARE. [Término de búsqueda]. [En línea]. Disponible en: http://sisinfo.lasalle.edu.co/original/sri/Software/

RECUPERACIÓN DE INFORMACIÓN Vs EL MUNDO SEGÚN GOOGLE

El profesor Laureano, nos participó en la clase este video, un excelente documental sobre la historia de GOOGLE, y sus buscadores y como éste a su vez a influido tanto en la sociedad actual.

Visita el video en:
http://www.youtube.com/watch?v=747sTYxz2XM

RECUPERACIÓN DE INFORMACIÓN Vs INTRODUCCIÓN A LA RECUPERACIÓN DE INFORMACIÓN

RECUPERACIÓN DE INFORMACIÓN

•La R.I se basa en la utilización de términos índice para indexar y recuperar documentos.

•Recuperar puede consistir en especificar un conjunto de términos que deben hallarse entre los índices de un documento, estableciendo un ranking de relevancia.

•El problema de la RI será, pues, la manera de predecir la relevancia de los documentos y su grado de relevancia (ranking)

RECUPERACIÓN DE INFORMACIÓN/ DATOS

•Recuperación de Datos ( Dataretrieval)

No resuelve el problema de la RI. Sólo devuelve datos sobre un tema. Es estructurado y nada ambiguo en cuanto a las consultas.

•Recuperación de Información (Information retrieval-RI)

SRI

•SRI: Sistema de información, generalmente automatizado, que tiene por finalidad exclusiva el almacenamiento, el procesamiento, la recuperación y la difusión de la información.

•Esta información podrá ser de todo tipo: texto, imágenes, audio, vídeo y otros objetos multimedia

•Sistema Automatizado: conjunto de componentes informáticos (tanto hardware como software).

EXTRACCIÓN DE INFORMACIÓN

La extracción de la información (IE en inglés Information Extraction) es la búsqueda manual o automática de palabras, párrafos o trozos de textos que contengan información relevante buscada y presentarla de forma estructurada.

TRANSFORMACIÓN DE LENGUAJES

•Es el proceso de estandarizar ó normalizar una consulta para que sea entendida por una maquina

Involucra transformar la necesidad de información.

TIPOS DE REPRESENTACIÓN DE LA INFORMACIÓN

•LENGUAJE NATURAL HUMANO: el lenguaje que empleamos de forma cotidiana para comunicarnos.

–Ventajas:

•Es comprensible para un gran número de usuarios.

•Permite expresar cualquier concepto o significado.

•Es tolerante a fallos.

–Inconvenientes:

•Es muy poco conciso.

•Presenta muchas ambigüedades.

•Es difícilmente interpretable por parte de un computador

•LENGUAJENATURAL RESTRINGIDO: Es un Subconjunto del lenguaje natural *(Términos Controlados) Lenguaje Controlado

–Las listas

–Los anillos de sinónimos

–Las taxonomías

–Los tesauros.

Ventajas

•Este lenguaje restringido es una parte del lenguaje natural limitando el vocabulario que se puede emplear y las reglas sintácticas que se pueden aplicar a dicho vocabulario.

INDIZACIÓN

Permite elaborar índices o estructuras de acceso a los documentos (representación alterna) a partir de las palabras (términos) que contienen.

Indexar un documento puede consistir en sustituir su contenido por un conjunto de términos índices que lo representan.

Estructura de Ficheros (Índices)

Los índices de estructura de datos de un SRI permiten realizar operaciones de búsqueda mediante técnicas que comparan o equiparan los enunciados que han utilizado los usuarios con los términos almacenados en los índices del sistema.

Estructura de Ficheros (Índices)

•Un SRI, puede determinar si usa ó no Índices

•Un archivo Invertido es un tipo de documento índice en cuya estructura de ítems encontraremos: palabra clave,Id-Doc,Id-Campo.

•Algunos sistemas incluyen información sobre la localización en el documento del párrafo y frase de los términos buscados

Archivos Invertidos

•Es un mecanismo orientado al término para indexar una colección.

•Se compone de:

–Vocabulario (conjunto de palabras que aparecen en un texto).

–Ocurrencias  (lista de las apariciones de cada palabra en el texto, una por cada palabra).

•Posiciones de palabras (facilitan las búsquedas de proximidad y de frases)

•Posiciones de caracteres (facilitan los accesos a las posiciones de los textos)

LA NECESIDAD DE INFORMACIÓN

•El proceso de satisfacer la necesidad de información concluye cuando se consigue una claridad suficiente.

•El problema es que no se sabe de antemano exactamente la cantidad de información que lleva a la consecución de claridad.

RECUPERACIÓN DE INFORMACIÓN Vs EXTENSIONES DE FORMATOS

Para poder tener una óptima Recuperación de Información debemos identificar las diferentes extensiones en las que se pueden encontrar los archivos donde reposa la información aquí encontraremos algunos formatos en los que iremos trabajando atraves de este semestre y les iremos informando en nuestras notas:

·         .EML

·         .HTML

·         .TXT

·         .MBOX

·         .CBR

·         .JAR

·         .PDB

·         .EPUB

·         .CHM

    

EML: extensión de archivo es más comúnmente asociado con un correo electrónico de Outlook Express (Correo Electrónico) archivo. EML archivos de texto plano son archivos que se usan para almacenar un mensaje de correo electrónico, y al mismo tiempo que son utilizadas principalmente por Microsoft Outlook Express, la mayoría de los otros clientes de correo electrónico puede importar y leerlos.

EML archivos están estructurados en el mismo formato que MHT (MIME HTML), lo que significa que también puede ser abierto en los navegadores web como Internet Explorer, Mozilla Firefox y Opera. EML archivos también pueden contener enlaces o archivos adjuntos vinculados, por lo que si bien no plantean ningún riesgo a sí mismos, pueden vincular a programas maliciosos, tales como virus o spyware, por lo que debe tenerse cuidado al abrir archivos EML, en particular, de remitentes desconocidos.

HTML es el acrónimo de HyperText Markup Language (Lenguaje de Marcado de Hipertexto) y es el lenguaje que se utiliza para crear las páginas web. Este lenguaje indica a los navegadores cómo deben mostrar el contenido de una página web.

El lenguaje html contiene dos partes:

El contenido, que es el texto que se verá en la pantalla de un ordenador,

Y las etiquetas y atributos que estructuran el texto de la página web en encabezados, párrafos, listas, enlaces, etc. y normalmente no se muestra en pantalla. Las etiquetas, que son un conjunto de caracteres que rodean partes del documento, están formadas por el símbolo

TXT: Los archivos de texto plano (en inglés plain text) son aquellos que están compuestos únicamente por texto sin formato, sólo caracteres. Estos caracteres se pueden codificar de distintos modos dependiendo de la lengua usada. Algunos de los sistemas de codificación más usados son: ASCII, ISO-8859-1 o Latín-1, Unicode, etc...

Se les conoce también como archivos de texto llano, o texto simple, por carecer de información destinada a generar formatos (negritas, subrayado, cursivas, tamaño, etc.) y tipos de letra (por ejemplo, Arial, Times, Courier, etc.). El término texto plano proviene de una traducción literal del término inglés plain text, término que en lengua castellana significa texto simple o texto sencillo.

MBOX: es un término genérico para una familia de formatos de fichero que se usan para almacenar conjuntos de correos electrónicos. Todos los mensajes en un buzón mailbox están concatenados en un único fichero. El principio de cada mensaje está marcado por una línea que empieza por las cinco letras "From" (Desde), y una línea en blanco marca el final. Durante un tiempo el formato mbox fue popular debido a que las herramientas de procesado de archivos de texto se podían usar muy fácilmente sobre el archivo de texto usado para almacenar los mensajes.

CBR: Esto es una forma de visualizar libros y comic. Un fichero comprimido en .CBR no es otra cosa que una carpeta llena de imágenes, de páginas escaneadas por un freak y puestas a disposición del público en la red.

·                     ¿Cómo se abre?

·                     Se puede abrir con el WinRar de toda la vida (cambiando la extensión del fichero a abrir a .RAR)

·                     (Para cambiar extensiones de ficheros primero hay que verlas:

·                     En una carpeta: Herramientas | Opciones de Carpeta | Ver | Ocultar las extensiones para archivos…

Otra opción es hacerse con un programa de lectura de cómics. Si te has descargado un comic por Internet (comprimido en RAR) y lo abres y lo “lees”, te pasarás un buen rato desplazando ratón o las barras para “centrar” las viñetas, amén del fastidioso plan de cambiar de página.

JAR: Extensión de archivo JAR es más comúnmente asociado con un archivo de Java, que a menudo se utiliza para envasar y distribuir las clases Java y metadatos en entornos de desarrollo. JAR también se puede encontrar a contener temas y add-ons para Mozilla Firefox navegador web o cliente de correo Thunderbird.

JAR se puede abrir por abrir el archivo en una máquina con el entorno de ejecución Java instalado, que está disponible en Windows, Solaris, Mac y Linux plataformas. JAR también puede ser abierto en los navegadores web con soporte Java. Alternativamente, JAR paquetes se pueden abrir cualquier archivo utilizando el software con la capacidad y descomprimir el contenido extraído, aunque la mayoría de los recursos ya están compilados y, por tanto, no legible por humanos

PDB: Extensión de archivo APP es más comúnmente asociado con archivos de base de datos de Palm Desktop. AP archivos son un formato estándar utilizado por un número de diferentes aplicaciones que se ejecutan en los PDA de Palm. La extensión de archivo AP también puede referirse a un programa de archivo de base de datos, que pueden contener ya sea definida por el usuario o la aplicación específica de los datos. Aunque menos comunes, archivos PDB puede referirse a los archivos del Banco de Datos de Proteínas, que almacenan las coordenadas 3D de los átomos dentro de los compuestos químicos. Varios Palm uso de aplicaciones basadas en archivos PDB, y puede contener datos tales como la palabra procesa documentos, hojas de cálculo, bases de datos o imágenes.

EPUB: ePub – es un nuevo estándar de libros digitales de código abierto creado por el International Digital Publishing Forum (IDPF ). EPUB esta basado en XML y es apoyado por la mayoría de empresas del sector de la publicación. La mayor ventaja de ePub es que su contenido adapta automaticamente al tamaño de la pantalla, o mejor decir que ePub es un formato readaptable.

CHM Decoder es una sencilla herramienta que sirve para decompilar archivos de ayuda HTML (de extensión .chm). El programa extrae todos los archivos fuente HTML en una nueva carpeta, y opcionalmente genera un práctico arbol de navegación Java para movernos con mayor fluidez.

Una utilidad como CHM Decoder resulta francamente útil a la hora de convertir CHM a HTML, por ejemplo para publicar en web o visualizar nuestro trabajo en cualquier dispositivo que no tenga soporte para el formato CHM.

No podemos pasar por alto tampoco dos opciones que aumentan notablemente la funcionalidad y facilidad de operación del programa: CHM Decoder tiene soporte para línea de comandos, y también para procesar muchos archivos al mismo tiempo (procesamiento por lotes).