Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Gliwice 2005 Aproksymacyjne wyszukiwanie informacji w bazach danych Politechnika Śląska Instytut Informatyki Wykład - Bazy danych 3 – kierunek Informatyka.

Podobne prezentacje


Prezentacja na temat: "Gliwice 2005 Aproksymacyjne wyszukiwanie informacji w bazach danych Politechnika Śląska Instytut Informatyki Wykład - Bazy danych 3 – kierunek Informatyka."— Zapis prezentacji:

1 Gliwice 2005 Aproksymacyjne wyszukiwanie informacji w bazach danych Politechnika Śląska Instytut Informatyki Wykład - Bazy danych 3 – kierunek Informatyka sem. VII

2 Politechnika Śląska Instytut Informatyki Gliwice 2005 Rodzaje zapytań precyzyjne zakresowe aproksymacyjne

3 Politechnika Śląska Instytut Informatyki Gliwice 2005 Rodzaje zapytań aproksymacyjnych Wektorowe – wyszukiwanie na podstawie podobieństwa dwóch wektorów, z których jeden reprezentuje wyszukiwany obiekt, a drugi kryteria pytania Oparte na prawdopodobieństwie – wyszukiwanie na podstawie prawdopodobieństwa spełnienia przez obiekt warunków pytania, Rozmyte – wyszukiwanie na podstawie stopnia zgodności obiektu z kryteriami pytania W języku naturalnym – semantyka języka określa sposób interpretacji pytania

4 Politechnika Śląska Instytut Informatyki Gliwice 2005 Rys historyczny Twórca teorii zbiorów rozmytych: Lotfi Zadeh (1965r.) Praca inicjująca stosowanie zbiorów rozmytych w bazach danych: opracowanie V. Tahaniego o wyszukiwaniu informacji rozmytej (1976r.)

5 Politechnika Śląska Instytut Informatyki Gliwice 2005 Badania nad zastosowaniem teorii zbiorów rozmytych w bazach danych (1) Zadawanie rozmytych pytań do bazy danych: Translator języka naturalnego wykorzystujący teorię zbiorów rozmytych PRUF - (Zadeh ) Pierwszy rozmyty języka zapytań (Takahashi ) (X jest bardzo niski) Fuzzy Query – tworzony od połowy 1997r. Przez Sonalysts Fquery – IBS PAN Warszawa (J. Kacprzyk, S. Zadrożny) dla MS Access SQLf – P. Bosc, O. Pivert itd.

6 Politechnika Śląska Instytut Informatyki Gliwice 2005 Badania nad zastosowaniem teorii zbiorów rozmytych w bazach danych (2) Zapamiętywanie rozmytych informacji w bazie danych: rozmyte modele danych (B. P. Buckles, F. E. Petry) Rozmyty relacyjny model GEFRED – Uniwersytet w Granadzie (J. Cubero, M. Vila, K. Pons, J. Medina) Rozmyte modele obiektowych baz danych – Belgia (R. De Caluwe itd.) Zbiory rozmyte w bazach danych systemów geograficznych (M. Cobb, A. Yazici, K. Akkaya, V. Robinson)

7 Politechnika Śląska Instytut Informatyki Gliwice 2005 Precyzyjne pytania - dokładne dane w BD Rozmyte pytania - dokładne dane w BD Precyzyjne pytania - rozmyte dane w BD Rozmyte pytania - rozmyte dane w BD Rodzaje pytań oraz przechowywanych danych

8 Politechnika Śląska Instytut Informatyki Gliwice 2005 Problemy Jak przedstawić w składni języka SQL rozmyte sformułowania i jak ma przebiegać proces interpretacji takich zapytań? W jaki sposób przechowywać w bazie rozmyte dane?

9 Politechnika Śląska Instytut Informatyki Gliwice 2005 Teoria zbiorów rozmytych - podstawowe pojęcia Zbiór rozmyty – zbiór par, w pewnej numerycznej przestrzeni rozważań X A = {(µ A (x), x)}, dla każdego x X, gdzie: µ A – funkcja przynależności zbioru rozmytego A – każdemu elementowi zbioru x X przypisuje stopień przynależności µ A (x) do zbioru A, przy czym µ A (x) [0, 1]

10 Politechnika Śląska Instytut Informatyki Gliwice 2005 Przykładowa funkcja przynależności D 0 l m n o a dm b Liczba rozmyta Przedział rozmyty Przedział dokładny Wartość dokładna

11 Politechnika Śląska Instytut Informatyki Gliwice 2005 Reprezentacja liczb rozmytych Liczba rozmyta typu LR: A1 = (m, a, b) Przedział rozmyty typu LR: A2 = (m, n, a, b)

12 Politechnika Śląska Instytut Informatyki Gliwice 2005 Postać zapytania w języku SQL Select From Where Group by Having Order by

13 Politechnika Śląska Instytut Informatyki Gliwice 2005 Miejsca występowania wartości rozmytych w pytaniach niezagnieżdżonych Warunki filtrujące we frazie WHERE Warunki filtrujące we frazie HAVING Grupowanie wg wyrażeń zawierających wartości rozmyte – GROUP BY Porządkowanie wg kolumn zawierających wartości rozmyte – ORDER BY Wartości rozmyte we frazie SELECT

14 Politechnika Śląska Instytut Informatyki Gliwice 2005 Diagram bazy danych

15 Politechnika Śląska Instytut Informatyki Gliwice 2005 Interpretacja rozmytych warunków filtrujących w pytaniach SQL Przykład Wyszukaj pracowników w wieku około 50 lat.

16 Politechnika Śląska Instytut Informatyki Gliwice 2005 Wartość rozmyta około 50 X

17 Politechnika Śląska Instytut Informatyki Gliwice T (x) wiek (48) = 0.8 SELECT imie, nazwisko FROM pracownicy WHERE wiek JEST okolo 50 Zapis w notacji języka SQL

18 Politechnika Śląska Instytut Informatyki Gliwice 2005 Uzupełnienie tabeli o tymczasową kolumnę zawierającą stopień zgodności

19 Politechnika Śląska Instytut Informatyki Gliwice 2005 Warunki złożone Where W Where W 1 AND W 2... OR W k W i AND W j min ( (w i ), (w j ))t-norma W i OR W j max( (w i ), (w j ))s-norma

20 Politechnika Śląska Instytut Informatyki Gliwice 2005 Wyszukaj pracowników w wieku około 50 lat, mających staż pracy około 20 lat. SELECT imie, nazwisko FROM pracownicy WHERE wiek JEST okolo 50 AND staz_pracy JEST okolo 20 Uzupełniona tabela o tymczasowe kolumny zawierające wartości stopni zgodności

21 Politechnika Śląska Instytut Informatyki Gliwice 2005 Podstawa wyboru wierszy Maksymalny stopień zgodności z warunkami pytania Przekroczenie średniego stopnia zgodności Przekroczenie pewnej zadanej wartości progowej

22 Politechnika Śląska Instytut Informatyki Gliwice 2005 Wprowadzenie do zapisu pytań SQL warunku na stopień zgodności Przykład Wyszukaj pracowników, którzy mają około 50 lat, w odpowiedzi należy uwzględnić wiersze ze stopniem zgodności z kryterium pytania większym niż 0.7. Dotychczasowy zapis pytania: SELECT imie, nazwisko FROM pracownicy WHERE wiek JEST okolo 50

23 Politechnika Śląska Instytut Informatyki Gliwice 2005 Trzy formy zapisu warunku na stopień zgodności forma dołączana do warunku rozmytego WHERE wiek jest okolo 50 AND DG > 0.7; forma funkcyjna WHERE DG(p.wiek, okolo 50) > 0.7; forma operatorowa WHERE (wiek jest okolo 50) > 0.7;

24 Politechnika Śląska Instytut Informatyki Gliwice 2005 Wartości rozmyte w kolumnach tabeli tabela: zapotrzebowanie (nr_zakl, rok, zapotrzebowanie_na _papier) Przykład Wyszukać zakłady, które złożyły zapotrzebowanie na niewielką ilość papieru. SELECT nr_zakl FROM zapotrzebowanie WHERE zapotrzebowanie_na_papier jest niewielkie; T (x) x

25 Politechnika Śląska Instytut Informatyki Gliwice 2005 Agregacja w pytaniach rozmytych (1) Funkcje agregujące na danych rozmytych (we frazie SELECT) Wyznacz wartość średniego zapotrzebowania na tonery. SELECT AVG(toner) FROM zapotrzebowanie WHERE rok = 2003;

26 Politechnika Śląska Instytut Informatyki Gliwice 2005 Agregacja w pytaniach rozmytych (2) Nakładanie warunków na funkcje agregujące w pytaniach rozmytych (fraza HAVING): Agregacja wartości ostrych – nakładany warunek rozmyty Agregacja wartości rozmytych – nakładany warunek ostry Agregacja wartości rozmytych – nakładany warunek rozmyty Rozmyte kwantyfikatory operujące na grupie wierszy

27 Politechnika Śląska Instytut Informatyki Gliwice 2005 Agregacja w pytaniach rozmytych (3) Agregacja wartości ostrych – nakładany warunek rozmyty Wyszukać te zakłady, w których jest zatrudnionych około 10 kobiet, przy czym stopień zgodności z tym warunkiem powinien być większy od SELECT nr_zakl FROM pracownicy WHERE plec = K GROUP BY nr_zakl HAVING (count(nr_prac) jest okolo 10) > 0.65

28 Politechnika Śląska Instytut Informatyki Gliwice 2005 Agregacja w pytaniach rozmytych (4) Przykład Wyznacz dla każdego zakładu wartość średniego zapotrzebowania na papier. Wyszukaj te zakłady, w których wartość ta przekracza 30 ryz. SELECT nr_zakl, AVG(zapotrzebowanie_na_papier) FROM zapotrzebowanie GROUP BY nr_zakl HAVING AVG(zapotrzebowanie_na_papier) > 30;

29 Politechnika Śląska Instytut Informatyki Gliwice 2005 Agregacja w pytaniach rozmytych (5) Agregacja wartości rozmytych Wyszukać te instytuty, których sumaryczne zapotrzebowanie na papier w danym roku wynosiło około 1000 ryz. W odpowiedzi powinny znaleźć się wiersze o stopniu zgodności co najmniej 0.7. SELECT nr_inst, rok FROM zapotrzebowanie z JOIN instytuty i ON z.nr_inst = i.nr_inst GROUP BY i.nr_inst, rok HAVING (sum(papier) jest okolo 1000) >= 0.7;

30 Politechnika Śląska Instytut Informatyki Gliwice 2005 Rozmyte kwantyfikatory (prawie wszystkie, prawie żaden, około połowa...) Wyszukaj te zakłady, w których prawie wszyscy pracownicy to mężczyźni. W odpowiedzi powinny znaleźć się wiersze o stopniu zgodności co najmniej 0.7. SELECT nr_zakl, prawie_wszystkie(plec = M) FROM pracownicy GROUP BY nr_zakl HAVING prawie_wszystkie(plec = M) >= 0.7; X 1 Funkcja przynależności dla wartości lingwistycznej prawie_wszystkie X Stopień zgodności obliczonego odsetka (0.925) z wartością lingwistyczną prawie_wszystkie...

31 Politechnika Śląska Instytut Informatyki Gliwice 2005 Grupowanie danych grupowanie rozmyte dokładnych danych grupowanie rozmytych danych

32 Politechnika Śląska Instytut Informatyki Gliwice 2005 Grupowanie rozmyte dokładnych danych grupowanie względem wartości lingwistycznych Dane: pomiary temperatury w kolejnych dniach Wartości lingwistyczne: bardzo zimno, zimno, ciepło, bardzo ciepło itd. grupowanie według arbitralnego podziału dziedziny atrybutu Dane: staż pracy poszczególnych pracowników Podział dziedziny: około 5 lat, około 10 lat, około 15 lat itd. grupowanie rozmyte z zastosowaniem metody hierarchicznej Początkowo każda dana tworzy grupę Iteracyjne łączenie dwóch najbliższych grup grupowanie rozmyte według autorskiego algorytmu Połączenie idei metody hierarchicznej z klasycznym grupowaniem bazującym na uporządkowaniu danych

33 Politechnika Śląska Instytut Informatyki Gliwice 2005 Metody wyznaczania odległości między grupami najmniejsza odległość pomiędzy dowolną daną grupy A i daną grupy B: największa odległość pomiędzy dowolną daną grupy A i daną grupy B: średnia arytmetyczna wszystkich odległości pomiędzy wszystkimi danymi grup A i B: odległość pomiędzy punktem centralnym (wartością średnią) grupy A i punktem centralnym (wartością średnią) grupy B: gdzie m A, m B są wektorami: m A, m B.

34 Politechnika Śląska Instytut Informatyki Gliwice 2005 Grupowanie rozmytych danych Uwzględnienie w grupowaniu wszystkich parametrów opisujących wartości rozmyte Grupowanie według wartości modalnych Uwzględnienie wymienionych algorytmów grupowania rozmytego

35 Politechnika Śląska Instytut Informatyki Gliwice 2005 Pytania zagnieżdżone Przykład pytania zagnieżdżonego: Wyszukaj zakłady, które w roku 2002 złożyły zapotrzebowanie na liczbę ryz papieru mniej więcej równą średniemu zużyciu we wszystkich zakładach. Dostępne tabele: Zapotrzebowanie (nr_zakl, rok, zapotrzebowanie_na_papier) Zuzycie (nr_zakl, rok, zuzycie_papieru) SELECT nr_zakl FROM zapotrzebowanie WHERE rok = 2002 AND zapotrzebowanie_na_papier mniej wiecej (SELECT AVG(zuzycie_papieru) FROM zuzycie WHERE rok = 2002);

36 Politechnika Śląska Instytut Informatyki Gliwice 2005 Problem zapisu warunku na wartość stopnia zgodności forma dołączana do warunku rozmytego forma funkcyjna forma operatorowa Wartości rozmyte w pytaniach zagnieżdżonych w podzapytaniu wewnętrznym w podzapytaniu zewnętrznym w warunku wiążącym oba podzapytania

37 Politechnika Śląska Instytut Informatyki Gliwice 2005 Pytanie zagnieżdżone w formie operatorowej W odpowiedzi powinny znaleźć się wiersze ze stopniem zgodności co najmniej 0.7. SELECT nr_zakl FROM zapotrzebowanie WHERE rok = 2002 AND (zapotrzebowanie_na_papier mniej wiecej (SELECT AVG(zuzycie_papieru) FROM zuzycie WHERE rok = 2002))>= 0.7;

38 Politechnika Śląska Instytut Informatyki Gliwice 2005 Warunki wiążące w pytaniach zagnieżdżonych Porównanie wartości podzapytania zewnętrznego z wartością wyznaczaną w pytaniu wewnętrznym: Dokładna - rozmyta Rozmyta - dokładna Rozmyta -rozmyta Wartości rozmyte w warunku korelacji wiążącym pytania zagnieżdżone

39 Politechnika Śląska Instytut Informatyki Gliwice 2005 Zależne kontekstowo interpretacje wartości rozmytych Przykład: Wyszukać w bazie danych uczelni wysokich studentów. Uwzględnić wiersze ze stopniem zgodności przekraczającym 0.8. Dana tabela: Studenci (nr_stud, nr_kier, nazwisko, plec, wzrost) Tradycyjne podejście SELECT nazwisko FROM studenci WHERE (s.wzrost jest wysoki_wzrost) > 0.8

40 Politechnika Śląska Instytut Informatyki Gliwice 2005 Dane są następujące tabele: Studenci (nr_stud, nr_kier, nazwisko, plec, wzrost), Wzrost (plec, wysoki_wzrost), SELECT nazwisko FROM Studenci s JOIN Wzrost w ON s.plec = w.plec WHERE (s.wzrost jest w.wysoki_wzrost) > 0.8 Podejście kontekstowe

41 Politechnika Śląska Instytut Informatyki Gliwice 2005 Implementacja w SZBD PostgreSQL Dlaczego SZBD PostgreSQL? dostępny kod możliwość tworzenia własnych typów, funkcji i operatorów

42 Politechnika Śląska Instytut Informatyki Gliwice 2005 Implementacja typu rozmytego X 0 l m n o a dm b Reprezentacja wewnętrzna: a, m, dm, b Reprezentacja zewnętrzna: l/m~n\o Przy wprowadzaniu danych: okolo(l, m, n, o) Funkcje konwersji wartości rozmytych do wartości lingwistycznych 1

43 Politechnika Śląska Instytut Informatyki Gliwice 2005 Zaimplementowane funkcje i operatory Rodzajnazwa Funkcje i operatory arytmetyczne +, -, *, / Funkcje i operatory porównania >=, >,, = Funkcje i operatory wyznaczające wartość stopnia zgodności ~= Funktory iloczynu, sumy i negacji rozmytych &&&, |||, ~ Wartości predefiniowane dla typu rozmytego okolo_kilka, okolo_godzina itp. Funkcje konwersji typu rozmytego do postaci alfanumerycznej sekundy_to_lingw, dni_to_lingw Funkcje agregujące na wartościach typu rozmytego avg, sum, min, max Funkcje realizujące rozmyte kwantyfikatory prawie_zaden, prawie_wszystkie, okolo_polowa itd. Funkcje i operatory realizujące rozmyte grupowanie danych <, =, <<< Funkcje i operatory realizujące rozmyty warunek wiążący podzapytania *=, *>=, *>, *

44 Politechnika Śląska Instytut Informatyki Gliwice 2005 Testowa baza Zawodnicy 6 tabel rekordów 12 złożonych testowych zapytań

45 Politechnika Śląska Instytut Informatyki Gliwice 2005 Baza danych zawodnicy Struktura bazy danych zawodnicy Osoby (id_oso, imie, nazwisko, plec, data_ur, wzrost, waga, data_przyjecia, funkcja), Obecności (id_obe, id_tre, id_oso, sennosc, zmeczenie, stres, zlosc); Serie (id_ser, id_obe, nr, suma), Strzaly (id_strz, id_ser, nr, wynik), Treningi (id_tre, data, godz_od, godz_do, id_oso, id_war) Warunki (id_war, data, temperatura, wiatr, widocznosc) Id_oso – w tabeli treningi oznacza id. trenera

46 Politechnika Śląska Instytut Informatyki Gliwice 2005 Diagram bazy danych Zawodnicy

47 Politechnika Śląska Instytut Informatyki Gliwice 2005 Przykłady definicji zmiennych lingwistycznych (1)

48 Politechnika Śląska Instytut Informatyki Gliwice 2005 Przykłady definicji zmiennych lingwistycznych (2)

49 Politechnika Śląska Instytut Informatyki Gliwice 2005 Przykładowe pytania rozmyte (1) wartości rozmyte we frazie where Wyszukaj nazwiska wysokich zawodników średniej wagi, którzy przy słabej widoczności choć raz trafili w dziesiątkę. W odpowiedzi powinny znaleźć się wszystkie wiersze spełniające ze stopniem zgodności większym niż 0 kryteria pytania. SELECT DISTINCT os.id_oso, os.imie, os.nazwisko FROM osoby os JOIN obecnosci ob ON os.id_oso = ob.id_oso JOIN treningi t ON ob.id_tre = t.id_tre JOIN warunki w ON t.id_war = w.id_war JOIN serie s ON s.id_obe = ob.id_obe JOIN strzaly st ON s.id_ser = st.id_ser WHERE ((os.wzrost ~= wysoki_wzrost_mezczyzny()) &&& (os.waga ~= srednia_waga_mezczyzny()) &&& (w.widocznosc ~= slaba_widocznosc())) > 0.0 AND st.wynik = 10;

50 Politechnika Śląska Instytut Informatyki Gliwice 2005 Przykładowe pytania rozmyte (2) wartości rozmyte we frazie where Wyszukaj daty treningów wraz z liczbą zawodników, którzy przystępując do treningu byli wyspani lub wypoczęci, zaś w czasie treningów nie denerwowali się (nie odczuwali stresu). W odpowiedzi powinny znaleźć się wszystkie wiersze spełniające ze stopniem zgodności większym niż 0,5 kryteria pytania.

51 Politechnika Śląska Instytut Informatyki Gliwice 2005 Przykładowe pytania rozmyte (3a) wartości rozmyte we frazie WHERE i HAVING Wyszukaj zawodników, którzy odbywali dwa pierwsze treningi z małym stresem i mieli na nich chociaż jedną bardzo dobrą serię. W odpowiedzi powinny się znaleźć wiersze spełniające kryteria pytania ze stopniem większym niż 0. Wyszukaj warunki pogodowe panujące w czasie tych treningów, w trakcie których prawie wszyscy zawodnicy byli wyspani (stopień zgodności z warunkiem rozmytym wyspany powinien być nie mniejszy niż 0,8, a własność prawie wszystkie winna być spełniona ze stopniem zgodności nie mniejszym niż 0,7).

52 Politechnika Śląska Instytut Informatyki Gliwice 2005 Przykładowe pytania rozmyte (4) grupowanie względem wartości rozmytych Wyszukaj średnią liczbę punktów uzyskanych we wszystkich seriach dla poszczególnych zdefiniowanych przedziałów wartości siły wiatru. Określ wpływ zmęczenia zawodników na celność ich strzałów. (Wyznacz średnią liczbę punktów uzyskaną dla poszczególnych stanów zmęczenia).

53 Politechnika Śląska Instytut Informatyki Gliwice 2005 Przykładowe pytania rozmyte (5) wartości rozmyte w pytaniach zagnieżdżonych w podzapytaniach wewnętrznym i zewnętrznym Wyszukaj nazwiska zawodników, którzy w poszczególnych treningach mieli najwięcej dobrych serii. W odpowiedzi powinny znaleźć się wiersze ze stopniem zgodności przekraczającym 0. Wyszukaj treningi, w których liczba bardzo_dobrych serii była większa niż dobrych. W rozwiązaniu należy uwzględnić wiersze ze stopniem zgodności przekraczającym 0.8.

54 Politechnika Śląska Instytut Informatyki Gliwice 2005 Przykładowe pytania rozmyte (6) wartości rozmyte w pytaniach zagnieżdżonych wartości rozmyte w warunku łączącym Wyszukaj treningi przeprowadzone w najsłabszej widoczności, na których choć jeden zawodnik trafił dziesiątkę. Wyszukaj wyniki i cechy psychomotoryczne (senność, zmęczenie, stres) uczestników treningów, w czasie których wiatr był taki jak wiatr na najmniej udanym treningu. W odpowiedzi powinny się znaleźć wiersze spełniające kryteria pytania ze stopniem zgodności przekraczającym 0.5. Wyszukaj daty tych treningów, na których odsetek wyspanych zawodników jest największy.

55 Politechnika Śląska Instytut Informatyki Gliwice 2005 Serwisy wspomagające nawiązywanie kontaktów międzyludzkich Poznawanie ciekawych osób o podobnych zainteresowaniach cechach charakteru czy odpowiadającym wyglądzie

56 Politechnika Śląska Instytut Informatyki Gliwice 2005 Problemy: Sprecyzowanie wymagań, jakie powinna spełniać najbardziej odpowiadająca osoba Otrzymanie w odpowiedzi danych co najmniej kilku osób, spełniających w określonym stopniu podane kryteria

57 Politechnika Śląska Instytut Informatyki Gliwice 2005 Wprowadzenie do języka zapytań elementów teorii zbiorów rozmytych pozwala na: Formułowanie rozmytych, nieprecyzyjnych warunków wyszukiwania (np. średni wzrost, szczupła sylwetka itd.) Określenie w odpowiedzi częściowej przynależności elementu do zdefiniowanego zbioru

58 Politechnika Śląska Instytut Informatyki Gliwice 2005 Warstwy logiki rozmytej w prezentowanym serwisie

59 Politechnika Śląska Instytut Informatyki Gliwice 2005 Warstwa najniższa: funkcje podstawowe + operatory Zaimplementowano: Funkcje charakterystyczne: liniową, trójkątną, trapezową, wykładniczą oraz połączenie trapezowej i wykładniczej Operatory rozmyte: operator sumy OR (max spośród dwóch parametrów – s-norma Zadeha) operator iloczynu AND (min spośród dwóch parametrów - t-norma Zadeha) operator negacji NOT – różnica wartości 1 i parametru operator koncentracji CON – druga potęga wartości parametru operator rozproszenia DIL – pierwiastek z wartości parametru

60 Politechnika Śląska Instytut Informatyki Gliwice 2005 Warstwa definicji cech, należących do kryterium wyszukiwarki Przykładowe cechy, jakie zdefiniowano w systemie: dotyczące wzrostu: is_very_short, is_short, is_medium, is_high, is_very_high dotyczące wieku: is_teenage, is_young, is_mature, is_senior dotyczące sylwetki: is_thin, is_normal, is_fluffy Do każdej cechy przyporządkowana jest dowolna funkcja charakterystyczna, którą można odpowiednio kształtować z poziomu interfejsu użytkownika Personalizacja zapytań (w zależności od cech osoby korzystającej z przeglądarki)

61 Politechnika Śląska Instytut Informatyki Gliwice 2005 Aplikacja do zarządzania zapytaniami rozmytymi

62 Politechnika Śląska Instytut Informatyki Gliwice 2005 Zapytanie SQL Przykład: zapytanie wybiera osoby wysokie, młode lub średnie wiekiem, o szczupłej sylwetce, przy następujących danych osoby pytającej: wzrost 176cm, waga 65 kg: SELECT * FROM persons WHERE activity = true AND sex = F AND (is_high(176,height) OP_AND is_thin(65,weight) op_and is_young(20,age) OP_OR is_medium(20,age))>0;

63 Politechnika Śląska Instytut Informatyki Gliwice 2005 Wyszukiwarka rozmyta


Pobierz ppt "Gliwice 2005 Aproksymacyjne wyszukiwanie informacji w bazach danych Politechnika Śląska Instytut Informatyki Wykład - Bazy danych 3 – kierunek Informatyka."

Podobne prezentacje


Reklamy Google