• Valószínűség-számítás alapjai
• Alapszintű algoritmuselméleti, halmazelméleti és algebrai ismeretek
  

A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

Napjainkban az Internet széleskörű elterjedésével és az ott található dokumentumok számának rohamos növekedésével kiemelt fontosságúvá vált az Internetet való keresés támogatása, az ott található adattömeg strukturált rendszerezése, hatékony tárolása. Ugyanez a probléma fellép nagyobb vállalatok, intézmények, ill. hivatalok belső dokumentumtárolási, -keresési, -rendszerezési, -archiválási feladataiban. A jellemzően nem, vagy kevéssé strukturált szöveges dokumentumok feldolgozásának és rendszerezésének kérdéseivel foglalkozik a szövegbányászat szakterülete.

A tárgy célja a szövegbányászat és a webes keresés területén alkalmazott modellezési eljárások és algoritmusok ismertetése.

1. hét 

Szövegbányászati alapfogalmak, szövegbányászat célja, eszköztárának megismerése. Információ-visszakeresés problémája, főbb irányzatai, története.

2. hét 

Szintaktikai információk felhasználása. különböző formátumú dokumentumok feldolgozása, index szavak kinyerése, szótövezés (Porter, Lovins), stopszó lista, karakter-átalakítás, írásirányok kezelése.

3. hét 

Fizikai szervezés: Invertált indexelés, szófrekvencia és szótár file-ok, ritkamátrixok, ugró pointerek. Paraméteres és helyfüggő (cím, kivonat, bevezetés, stb.) alapú indexelés és keresés, tf×idf vektortér.

4. hét 

Hierarchikus és hálós rendezés. Indexelés és keresés XML dokumentumokban, XML „adatbázisok”.
5. hét 

Webes keresés. A webes keresés specialitásai, változás, újraindexelés sebessége, rövid történeti áttekintés. Oldal sorrendező algoritmus (Page Rank), téma, illetve viselkedés alapú page rank. Hyperlink-Induced Topic Search (HITS), gyűjtő és tekintély lapok felderítése.

6. hét 

(Közel) másolt lapokat felderítő algoritmus, plágiumkeresés. Webgráf tömörítésének eljárása Webes keresés infrastruktúrája.

7. hét 

Szemantikai információk felhasználása. Névelem-felismerés, címkék keresése, szóegyértelműsítés, logikai operátorok, kötőelemek kezelése.

8. hét 

Szemantikai információk felhasználása II. Topikkeresés, hivatkozás-feloldások, Hobbs-algoritmus, CT-elmélet.

9. hét 

Szövegklaszterezési feladatok. Alulról felfelé, fentről lefelé építkező algoritmusok, K-közép algoritmus, link alapú szegmentáció.

10. hét 

Hierarchikus szegmentáció, prediktív szegmentáció. Szinonimagenerálás, szinonimatargetálás.

11. hét 

Szövegek kategorizálási feladatai. Bináris, többkategóriás, többcímkés, hierarchikus kategorizálás és alkalmazásaik. Szentinement-analízis.

12. hét 

Magas szintű nyelvi eszköztárak. Korpusz, korpuszépítés, mondattár – ismert gyűjtemények és sajátosságaik.

13. hét 

Zárthelyi dolgozat

14. hét 

Fejlesztői eszköztárak, szövegbányászati szoftverek.

• A szorgalmi időszakban: nagy zárthelyi a 13. tanítási héten
• A vizsgaidőszakban: A vizsga módja: írásbeli
• Megfelelő eredményű ZH és kiselőadás tartása vagy nagy házi feladat készítése esetén vizsgajegyet ajánlunk meg
  

Sikertelen zárthelyi a szorgalmi időszakban a pótzárthelyin pótolható. A sikertelen (pót)zárthelyi a pótlási héten különeljárási díj ellenében egy további alkalommal pótolható.

A tárgy előadóival személyesen, vagy e-mailben egyeztetett időpontban.

1. Yates and Ribeiro-Neto: Modern Information Retrieval 2001
2. Witten, Moffat, and Bell: Managing Gigabytes.
3. Weben található segédanyagok