Data mining pro Terminologickou databázi knihovnictví a informačních věd (TDKIV) (Projektová dokumentace)

Transkript

1 Data mining pro Terminologickou databázi knihovnictví a informačních věd (TDKIV) (Projektová dokumentace) Vojtěch Pudil (Vedoucí projektu) Petr Kohout (Zástupce vedoucího projektu) Dana Čapkovičová (Člen projektového týmu) Kamil Jersák (Člen projektového týmu) Martin Liška (Člen projektového týmu) Libor Musil (Člen projektového týmu) 1

2 Historie revize dokumentu Datum Autor Úprava Dana Čapkovičová Dana Čapkovičová Vytvoření dokumentu Zadání a cíl projektu Technická dokumentace řešení projektu o Analýza struktury dodaných dat o Řešení projektu PHP webová stránka Zobrazení nalezených výsledků hledání - přidáno Zobrazení konkrétního výsledku hledání přidáno Obecné hledání dat - přidáno Četnost jednotlivých hledaných výrazů - SearchQuery_Type - přidáno Četnost jednotlivých hledaných výrazů - ScanQuery_Type - přidáno Dana Čapkovičová Technická dokumentace Dana Čapkovičová Technická dokumentace - pokračování Dana Čapkovičová Finální revize, předáno PM pro doplnění 2

3 Obsah 1. Použitá terminologie a zkratky Zadání a cíl projektu Zadavatel Zadání projektu Cíle projektu...5 Harmonogram (postup) řešení projektu - plán a skutečnost Technická dokumentace řešení projektu Analýza struktury dodaných dat Formát dodaných dat Primární analýza dat Výstupy od projektového týmu Výstupy od Zadavatele projektu Analýza uživatelského rozhraní vyhledávače Základní vyhledávání Zobrazení nalezených výsledků hledání Zobrazení konkrétního výsledku hledání Řešení projektu PHP webová stránka Práce s uživatelským rozhraním Technická dokumentace DB storky Obecné hledání dat Četnost dle typů vyhledávání pro SearchQuery_Type Četnost hledání v jednotlivých bázích (Base) Četnost jednotlivých událostí (Event) Četnost hledaných výrazů v logu pro SearchQuery_Type Hledání EXACT MATCH Hledání dle prvních 5 znaků zleva Hledání bez diakritiky Rozdělení dne do 30 minutových úseků Počet vyhledávání za každý den, týden, měsíc Přiřazení hledaných výrazů k jednotlivým položkám databáze

4 Četnost hledaných výrazů, které nebylo možné přiřadit k žádné položce v databázi Četnost jednotlivých hledaných výrazů - ScanQuery_Type Jmenovitý podíl jednotlivých členů týmu na řešení projektu Problémy, s nimiž se tým setkal při řešení projektu Přínos projektu pro členy týmu

5 1. Použitá terminologie a zkratky TKDIV - Terminologická databáze knihovnictví a informační vědy NK Národní Knihovna 2. Zadání a cíl projektu 2.1. Zadavatel Zadavatelem projektu je Terminologická databáze knihovnictví a informační vědy (TDKIV) ve spolupráci s PhDr. Helenou Kučerovou v Praze. Česká terminologická databáze působící v oblasti knihovnictví a informační vědy. TDKIV vznikla v letech za podpory grantu Ministerstva kultury ČR. Databáze je spravována Knihovnickým institutem Národní knihovna ČR; obsahuje cca 2800 hesel tvořených cca 4200 termíny, které reprezentují všechny podstatné oblasti knihovnictví a informační vědy a souvisejících disciplín Zadání projektu Data mining pro Terminologickou databázi knihovnictví a informační vědy Cíle projektu Prvotním cílem projektu je identifikace termínů ve Slovníku TKDIV, které nejsou uživateli vyhledávána a proto by měla být z databáze odstraněna. Kromě prvotního cíle byly v průběhu diskusí se zadavatelem identifikovány následující druhotné cíle projektu: Identifikovat výrazy, které byly ve Slovníku vyhledávány, ale nebyly nalezeny (ve Slovníku neexistuje odpovídající záznam, či propojení termínů). Toto by mělo sloužit jako podklad pro možné rozšíření množství výrazů ve slovníku. Identifikovat nejčastěji vyhledávané výrazy Identifikovat nejčastěji využívané způsoby vyhledávání Identifikovat možné chyby v systému Identifikovat kdy je databáze nejvíce vytížená... a mnohé další... 5

6 3. Harmonogram (postup) řešení projektu - plán a skutečnost V první fázi došlo ke kontaktování zadavatele. Byla domluvená schůzka, na které jsme formovali požadavky zadavatele projektu. V druhé fázi došlo na rozdělení práce podle schopností jednotlivých členů týmu a postup prací na nich. V polovině projektu jsme řešili drobné problémy se zadavatelem a postupně dodělávaly projekt. Rozdělení a doba trvání jednotlivých prací je vidět na přiloženém grafu. 6

7 4. Technická dokumentace řešení projektu 4.1. Analýza struktury dodaných dat Formát dodaných dat Data byly Zadavatelem projektu dodána v podobě dat exportovaných z databáze ve formě textového souboru. Figure 1 - Dodaná data Vzhledem ke strukturovanosti dokumentu, bylo možné data jednoduše importovat do programu MS Excel. Takto importovaná data bylo možno již podrobit jednoduché analýze pomocí použití základních funkcí programu MS Excel (filtrování, vyhledávání ). Figure 2 - Rozdělená data 7

8 Primární analýza dat Na základě primární analýzy dat, byly nalezeny základní informace o vyhledávaných datech, avšak, objevilo se mnohem více otázek, nežli odpovědí Výstupy od projektového týmu TIMESTAMP EVENT BASE význam: časová známka přiklad: > RRRRMMDDHHMMSSSS význam: neznámy (způsob vyhledávání v dané bázi?) použité hodnoty: 21, 22, 25, 29 o hodnoty 21, 25 se vyskytuji pouze při vyhledávání v bázi KTD 21 - při vyhledávání jako SEARCH_QUERY (Free-text, termín, třídění KKL) 25 - při vyhledávání jako SEARCH_QUERY (vyhledávání dle dvou kritérií) Třídění KKL= "s" AND Free-text= informační and slu Třídění KKL= "s" AND Třídění KKL= "informační and o hodnota 29 - při vyhledávání jako SCAN_QUERY (všechny možnosti) - báze KTD, KTDP o hodnota 22 - při vyhledávání jako SEARCH_QUERY (Termín, sys) termín malý počet výskytů, pouze 2 vyhledávané řetězce termín = Absenční výpůjčka termín = referen? slu? (pouze jeden výskyt) sys - vždy pouze jako kód / číslo - pouze dva vyhledávané řetězce sys= sys= 1931 (pouze jeden výskyt) význam: neznámý - nejspíše prohledávaná databáze použité hodnoty: KTD, KTDBN, KTDN, KTDP SEARCH_QUERY význam: neznámý struktura výstupu: způsob vyhledávání + hledaný vyraz možnost vyhledávat jako: 8

9 HITS o free-text - libovolný text zadaný do vyhledávacího formuláře o termín způsob vyhledávání neznámý o term / TERM - způsob vyhledávání neznámý o sys / SYS - způsob vyhledávání neznámý o třídění KKL - způsob vyhledávání neznámý pravděpodobný význam: počet záznamů odpovídajících danému vyhledávajícímu kriteriu SCAN_QUERY Otázky pravděpodobný význam: neznámý struktura výstupu: způsob vyhledávání + hledaný výraz / pojem / jméno... příklady výstupu: TR = Revize, TR = muzikoterapie etc. o AU = ; většinou AU = nějaké jméno (-> Autor?) o KZ = ; většinou KZ = nějaké jméno (???) o LK = ; většinou LK = nějaké jméno (???) o TE = ; většinou TE = nějaký technický termín (???) o TK = ; většinou TK = nějaká zkratka (???) o TR = ; většinou TR = nějaký termín (???) Jaký je rozdíl mezi Search_Query a Scan_Query? Jakým způsobem vyhledává uživatel v databázi? Jak vypadá uživatelské rozhraní vyhledávače? o Jaké možnosti vyhledávání má uživatel? Free-text vs. Vyhledávání dle kritérií o Může uživatel volit mezi bázemi ve kterých chce vyhledávat? Je k dispozici kompletní seznam pojmů ve Slovníku? Je k dispozici plná verze Slovníku? Ideálně ve formátu jako export z databáze. co konkrétné znamenají následující pojmy / zkratky... o Event, Base, Search query, Scan query Event: 21, 22, 25, 29 Base: KTD, KTDBN, KTDN, KTDP Search query: free-text, termín, term, sys, třídění KKL Scan query: AU, KZ, LK, TE, TK, TR 9

10 Výstupy od Zadavatele projektu Zjištěné skutečnosti byly diskutovány se Zadavatelem projektu a projektovému týmu byly poskytnuty dodatečné informace, které zodpověděly většinu otázek. TIME_STAMP - časový údaj hledání (rok+měsíc+den+hodina) EVENT - událost; níže jsou uvedeny kódy událostí: 10 - hledání - záznamy nalezeny 11 - hledání - dosaženo limitu 12 - hledání - záznamy nenalezeny 20 - vyhledávání z více polí (find-a) 21 - základní vyhledávání (find-b) 22 - vyhledávání CCL (find-c) 23 - pokročilé vyhledávání (find-d) 24 - vyhledávání z více bází (find-m) 25 - zpřesnit dotaz 26 - kombinovat dotaz 29 - vyhledávání v rejstřících BASE - v jaké bázi bylo provedeno hledání KTD - oficiální báze KTDP - pracovní báze KTDBN - dílčí báze Termíny bez normativního výkladu KTDN - dílčí báze Termíny s normativním výkladem SEARCH_QUERY - vyhledávání (kromě vyhledávání v rejstřících - viz SCAN_QUERY); v jakém poli jaké slovo bylo hledáno HITS - v kolika záznamech se hledané slovo vyskytuje; (při vyhledávání v rejstřících jsou HITS vždy nula) SCAN_QUERY - vyhledávání v rejstřících (když je pouze např. TR=, tak dotyčný nenapsal nic nebo napsal mezeru) TR - termín/ekvivalent TE - anglický ekvivalent TK - věcná skupina AU - autor hesla RE - redaktor hesla KZ - konzultant hesla 10

11 LK - lektor hesla ZD - zdroj/norma Od Zadavatele jsme získali několik odkazů na webové stránky, které by nám mohly pomoci v dalším zpracovávání projektu: PBVQ-51082?func=file&file_name=find-b&local_base=KTD (ukázka slovníku) Dále se nám podařilo od zadavatele získat plný seznam termínů, které slovník obsahuje, což nám dále posloužilo pro další dolování dat Analýza uživatelského rozhraní vyhledávače Vyzkoušet si na vlastní kůži, jak uživatelé používají Slovník a Vyhledávač jsme vyhodnotili jako nejlepší způsob, jak porozumět datům, které máme doposud k dispozici. Slovník je dostupný na www stránkách Národní Knihovny, konkrétně: Vyhledávač Slovníku umožňuje dva základní způsoby vyhledávání: Základní vyhledávání Prohlížení rejstříků Základní vyhledávání 11

12 Pro vyhledávání způsobem Základního vyhledávání je třeba vyplnit: Údaj pro vyhledávání (způsob vyhledávání: Free-text, Termín / ekvivalent, Třídník, Systémové číslo) Slovo nebo slovní spojení Blízkost slov (vyhledávat přesné či podobné znění výrazu) Zobrazení nalezených výsledků hledání Poté co proběhne vyhledávání v databázi, systém zobrazí seznam výsledků odpovídajících zadaným kritériím vyhledávání. Uživatel má možnost si dále ze seznamu výsledků vybrat jeden konkrétní a zobrazit si o něm bližší informace Zobrazení konkrétního výsledku hledání Existují tři druhy zobrazení konkrétního výsledku hledání: Standardní o Nejpodrobnější zobrazení obsahující veškeré dostupné informace o daném termínu (viz. Ukázka níže) Termín & výklad o Zjednodušené zobrazení obsahující pouze název termínu a jeho výklad (plus několik dalších základních informací, které však mají pouze spíše katalogizační charakter) Termín & angl.ekvivalent o Zjednodušené zobrazení obsahující pouze český a anglický název termínu (anglický ekvivalent termínu) 12

13 Termín Termín anglicky klíčové slovo keyword key word Výklad termínu Normativní výklad Významové slovo nebo slovní spojení, obvykle ve formalizované podobě, vybrané z názvu nebo textu dokumentu a sloužící jako věcný selekční údaj. [HARROD-1990:346] [KATUŠČÁK,MATTHAEIDESOVÁ,NOVÁKOVÁ-1998:177] [SCHWARZ-1999:11] [SMETÁČEK-1984:88] [ČSN ISO ,1994:7] Významové slovo převzaté z názvu nebo textu dokumentu s cílem reprezentovat jeho obsah. [ČSN ISO ] Slovo nebo skupina slov, případně v lexikograficky standardizované formě, vybraných z názvu nebo z textu dokumentu, charakterizující jeho obsah a umožňující jeho vyhledávání. [výklad z neplatné normy] [ČSN ISO ,1994] Zdroj výkladu HARROD-1990:346 KATUŠČÁK,MATTHAEIDESOVÁ,NOVÁKOVÁ-1998:177 SCHWARZ-1999:11 SMETÁČEK-1984:88 ČSN ISO ,1994:7 Zdroj norm.výkladu ČSN ISO

14 ČSN ISO ,1994 Příbuzný termín deskriptor názvový katalog odvozená indexace předmětový selekční jazyk rotovaný rejstřík uniterm Autor hesla Lektor hesla Redaktor hesla Balíková, Marie Hrazdil, Aleš Schwarz, Josef Burgetová, Jarmila Systém. číslo

15 4.2. Řešení projektu PHP webová stránka Byla vytvořena webová stránka, která umožňuje zobrazit výrazy hledané v určitém časovém úseku. Nejmenší možný časový interval je jedna hodina. Náš jednoduchý vyhledávač neumožňuje vyhledávání podle data, pouze zobrazuje termíny vyhledávané v daném časovém intervalu nezávisle na datu vyhledávání Práce s uživatelským rozhraním Naše webová stránka je dostupná na této adrese: Existují dvě možnosti vyhledávání: Zobrazení statistiky vyhledávání v určitém časovém intervalu (per hledaný výraz) Zobrazení celkové statistiky vyhledávaní (per hledaný výraz) Pro zobrazení statistiky pro určitý časový interval, si uživatel musí vybrat počátek časového intervalu Od a konec časového intervalu Do. Po zadání těchto základních kritérií vyhledávání uživatel potvrdí svou volbu stlačením tlačítka Vyhledat, na základě které, webová stránka zobrazí statistiky pro vybraný časový interval. Webová stránka taktéž umožňuje zobrazení jednoduché statistiky pro všechny časová období (= celý datový vzorek, který jsme dostali k prozkoumání). Pro zobrazení celkové statistiky vyhledávání, uživatel musí zvolit jako oba časové parametry hodnotu Vše. 15

16 Jako výsledek vyhledávání webová stránka zobrazí na prvním řádku výsledku celkový počet výrazů vyhledávaných v daném časovém intervalu. Níže jsou zobrazeny data pro jednotlivé vyhledávaná slova v daném časovém intervalu. 16

17 Technická dokumentace Data byla importována do Excelu, kde byla následně exportována do.csv formátu. Z tohoto souboru byly data následně importovány do tabulky, která již byla připravena v SQL databázi. Tato databáze je napojena na naši webovou stránku a vyhledávání probíhá pomocí dotazů napsaných v jazyku PHP. Vyhledávání funguje na principu dotazu na databázi s dle potřeby upravitelnými časovými parametry, které se předávají z formuláře do PHP části do proměnných, s těmi se pak dále pracuje a provedou se nutné podmínky pro vyhledávání, díky čemuž se pak následný dotaz na databázi stává dynamickým a ne statickým. Tento dotaz nám vrátí jednotlivé výrazy ze sloupce vyhledávání SEARCH_QUERY, které jsou následně předány do proměnné a pomocí PHP spojeny do jednoho textového řetězce, řetězec je následně rozdělen na jednotlivá slova, u nichž je poté spočtena jejich četnost a provádí se seřazení a výpis DB storky Pro data mining bylo definováno zadání uvedené níže. Jelikož nesprávným používáním systému mohly vzniknout duplicitní záznamy, je třeba provést data mining dvojí: V potaz budou brána veškerá data v logu V potaz budou brána pouze data očištěná o možné duplicity: o v případě, že pro ten samý výraz existuje vice záznamů, kde je časový rozestup jednotlivých vyhledávání kratší než 2 minuty, započítej výskyt pouze jednou Dále v projektové dokumentaci jsou uvedeny pouze některé výstupy a mnohdy pouze jejich části. Kompletní výstupy jsou k nalezení v přílohách projektu Obecné hledání dat Četnost dle typů vyhledávání pro SearchQuery_Type Definice dotazu Počet hledaných výrazů při použití vyhledávání v databázi pro každý způsob vyhledávání typu SearchQuery. Získaná data (ukázka) Search_Query_Type_1 Count Free-text 6837 Term 1481 Třídění KKL 59 sys 30 Česky 3 Celkem 8410 Interpretace získaných dat 17

18 Uživatelé nejčastěji používají jako způsob vyhledávání Free-text a Term či Termín. Četnost ostatních způsobů vyhledávání je oproti těmto způsobům celkem zanedbatelná Četnost hledání v jednotlivých bázích (Base) Definice dotazu Počet hledaných výrazů v jednotlivých bázích v databázi vyhledávání typu SearchQuery. Získaná data (ukázka) Base Count KTD 8391 KTDP 17 KTDN 1 KTDBN 1 Celkem 8410 Interpretace získaných dat Uživatelé nejčastěji využívají k vyhledávání dat bázi KTD. Četnost vyhledávání v ostatních bázích je oproti bázi KTD celkem zanedbatelná Četnost jednotlivých událostí (Event) Definice dotazu Počet hledání, která končí danou událostí. Získaná data (ukázka) Event Count Celkem 8410 Interpretace získaných dat Jako nejčastější událost při vyhledávání SearchQuery byl nalezen typ 21 základní vyhledávání (find-b). Dále byly nalezeny události 22 vyhledávání CCL (find-c) a 25 zpřesnit dotaz. Pro ScanQuery vyhledávání mají záznamy uloženu událost 29 vyhledávání v rejstřících. Z toho plyne, že některé typy událostí během námi sledovaného období nebyly zaznamenány. Toto může mít několik důvodů. Dva nejpravděpodobnější jsou: Událost opravdu nenastala a proto nebyla uložena. Událost nastala, ale chybou v systému nebyla uložena nebo místo ní byla uložena událost jiná. Pro tuto hypotézu svědčí i následující fakt: 18

19 o V logu existují vyhledávání, pro které nebyl nalezen žádný výsledek, avšak ani u takovýchto vyhledávání není uložena událost 12 hledání záznamy nenalezeny Četnost hledaných výrazů v logu pro SearchQuery_Type Hledání EXACT MATCH Definice dotazu Četnost jednotlivých hledaných výrazů. Hledané výrazy jsou párovány pomocí databázového způsobu vyhledávání EXACT MATCH. Získaná data (ukázka) Search_Query_Type_1 Count Hits_min Hits_max akvizice rešerše bibliografie knihovna monografie informace čtenář databáze Internet anotace dokument informační gramotnost digitalizace NULL katalog OPAC citace Digitální knihovna abstrakt akviziční činnost Interpretace získaných dat Většina nejčastěji vyhledávaných výrazů v databázi existuje (existují Hits). Dále záznam NULL nastiňuje možnost, že uživatelské rozhraní umožňuje vyhledávání prázdných výrazů. Toto by bylo vhodné ošetřit kontrolou obsahu pole pro zadání vyhledávaného výrazu před tím, než samotné vyhledávání skutečně proběhne Hledání dle prvních 5 znaků zleva 19

20 Definice dotazu Četnost jednotlivých hledaných výrazů. Hledané výrazy jsou párovány pomocí databázového způsobu vyhledávání stejných 5 znaků zleva. Získaná data (ukázka) Search_Query_Type_1 Count Hits_min Hits_max infor bibli kniho akviz rešer digit elekt dokum monog anota Interpretace získaných dat Dotazy do databáze se nejčastěji týkají informací. Toto nebylo z předcházejících hledání patrné, jelikož hledání týkajících se informací je sice mnoho, ale slovo informace je použito v různých spojeních a formách (přídavné jméno atd.) na rozdíl ostatních nejčastěji vyhledávaných výrazů, které jsou uživateli většinou vyhledávány ve stejném tvaru Hledání bez diakritiky Definice dotazu Četnost jednotlivých hledaných výrazů. Hledané výrazy jsou párovány pomocí databázového způsobu vyhledávání stejných slov zbavených veškeré diakritiky. Získaná data (ukázka) Bez diakritiky Vyhledávání s diakritikou Search_Query_Type_1 Count Search_Query_Type_1 Count akvizice 142 akvizice 142 reserse 108 rešerše 108 bibliografie 87 bibliografie 87 knihovna 67 knihovna 67 monografie 61 monografie 61 informace 56 informace 56 ctenar 53 čtenář 53 databaze 52 databáze 51 informacni system 44 Internet 44 Internet 44 anotace 42 anotace 42 dokument 40 Informacni gramotnost 42 informační gramotnost 40 20

21 dokument 40 digitalizace 34 digitalizace 34 NULL 32 NULL 32 katalog 31 katalog 31 OPAC 31 OPAC 31 citace 30 akvizicni cinnost 30 Digitální knihovna 29 citace 30 abstrakt 28 Digitalni knihovna 29 akviziční činnost 28 Interpretace získaných dat Uživatelé používají k vyhledávání často i výrazy zbavené diakritiky. Vyhledávání v databázi však vyhledává jak slova s diakritikou, tak bez diakritiky, takže toto zjištění nemá žádné důsledky Rozdělení dne do 30 minutových úseků Definice dotazu Počet vyhledávaných výrazů v 30-minutových intervalech. Cílem tohoto hledání je najít dobu, kdy je databáze nejvíce vytížená. Získaná data seřazeno dle denní doby Time Count AVG Time Count AVG 0:00: , :00: , :30: , :30: , :00: , :00: ,75 1:30: ,375 13:30: , :00: , :00: ,25 2:30: , :30: , :00: , :00: , :30:00 7 0,125 15:30: , :00:00 8 0, :00: , :30: , :30: , :00:00 1 0, :00: , :30:00 3 0, :30: , :00:00 2 0, :00: , :30:00 7 0,125 18:30: ,625 7:00: , :00: , :30: ,875 19:30: , :00: , :00: ,5 8:30: , :30: , :00: , :00: , :30: , :30: , :00: , :00: , :30: :30: ,

22 11:00: , :00: ,375 11:30: , :30: , Získaná data seřazeno vytížení databáze Time Count AVG Time Count AVG 16:30: , :30: , :30: , :00: , :30: , :30: , :00: , :00: , :30: :30: , :00: , :30: , :00: , :00: ,375 11:30: , :00: , :00: , :30: , :00: , :30: ,875 14:30: , :30: , :30: , :00: , :30: , :00: , :00: , :30: , :00: , :30: ,375 13:00: ,75 7:00: , :00: , :30: , :30: ,625 1:00: , :30: , :00:00 8 0, :00: ,25 6:30:00 7 0,125 21:00: , :30:00 7 0,125 19:00: , :30:00 3 0, :30: , :00:00 2 0, :00: ,5 5:00:00 1 0, Získaná data prodlevy mezi vyhledáváními All rows 8:00-20:00 Top10 30MIN interval AVG_SearchDiffTime AVG_SearchDiffTime AVG_SearchDiffTime Interpretace získaných dat Databáze je nejméně využívaná mezi 03:00 a 07:00 ráno. Nejvíce je databáze využívána mezi 10:00 a 22:00. Naprostá špička pak nastává mezi 15:00 a 17:30. To že databáze je značně využívaná i v nočních hodinách svádí k myšlence, že databáze je hojně využívána nikoliv pouze zaměstnanci knihoven, ale také studenty. 22

23 Průměrná prodleva mezi všemi hledáními činí 568 vteřin. Průměrná prodleva mezi hledáními mezi 8.00 a činí 312 vteřin. Průměrná časová prodleva v 10 nejvytíženějších časových intervalech činí 110 vteřin Počet vyhledávání za každý den, týden, měsíc Definice dotazu Počet vyhledávání v databázi TKDIV za každý den, týden a měsíc. Získaná data denní přehled Day Count Day Count Day Count Získaná data seřazeno dle dne v týdnu Den Total Po 1564 Út 1514 St 1310 Čt 1280 Pá 974 So 840 Ne 928 Získaná data týdenní přehled Week Count 23

24 2009/ / / / / / / / /8 541 Získaná data měsíční přehled Month Count 2010/ / Interpretace získaných dat Databáze je nejvíce využívaná v pondělky a úterky. Databáze byla nejméně využívána těsně po Novém roce a nejvíce využívána během počátku ledna po skončení vánočních prázdnin Přiřazení hledaných výrazů k jednotlivým položkám databáze Definice dotazu Četnost jednotlivých hledaných výrazů. Hledané výrazy jsou párovány pomocí databázového způsobu vyhledávání stejných 5 znaků zleva. Získaná data (ukázka) EXACT MATCH 24

25 Interpretace získaných dat Dotazy do databáze se nejčastěji týkají informací. Toto nebylo z předcházejících hledání patrné, jelikož hledání týkajících se informací je sice mnoho, ale slovo informace je použito v různých spojeních a formách (přídavné jméno atd.) na rozdíl ostatních nejčastěji vyhledávaných výrazů, které jsou uživateli většinou vyhledávány ve stejném tvaru Četnost hledaných výrazů, které nebylo možné přiřadit k žádné položce v databázi Definice dotazu Počet vyhledávání jednotlivých výrazů, které nebylo možno přiřadit k žádné položce v databázi. Získaná data (ukázka) Search_Query_Type_1 Count Hits_min Hits_max akviziční činnost dokumentografie informační potřeba uživatel rešeršních služeb repozitář reprograficá služba informacni system velká británie dds browse grafie BIBLIO informační profese odborné databáze refektář věcné autority otevřený přístup alerts audiokniha Interpretace získaných dat Část vyhledávaných výrazů, ke kterým nebyl nalezen žádný výsledek v databázi se nějakým způsobem týkají nejvíce vyhledávaných výrazů, které svůj ekvivalent v databázi mají. Toto svádí k myšlence, že by bylo vhodné revidovat Ekvivalenty termínů v databázi a tyto hledané výrazy přiřadit k termínům jako ekvivalenty. 25

26 Četnost jednotlivých hledaných výrazů - ScanQuery_Type Četnost jednotlivých vyhledávaných výrazů rozdělené dle ScanQuery_Type (vše seřazeno DESC) o Hledání EXACT MATCH o Hledání SOUND LIKE o Hledání dle prvních 5 znaků zleva Hledání bez diakritiky 26

27 Četnost hledání v jednotlivých bázích Četnost jednotlivých vyhledávaných výrazů rozdělený podlé báze 27

28 Četnost jednotlivých událostí Počet hledání, která končí danou událostí 28

29 Četnost jednotlivých hledaných výrazů Nejčastěji vyhledávané výrazy s minimálním a maximálním množstvím nalezených položek 29

30 Hledání výrazů bez a s diakritikou Změny v počtu vyhledaných dotazů, když se nepoužije diakritika 30

31 Hledání dle prvních 5 znaků zleva Počet vyhledávaných výrazů a nalezených položek, pokud bereme v potaz pouze prvních pět písmen 31

32 Celková četnost hledání v třicetiminutových intervalech Rozdělení dne do 30 minutových úseků 32

33 Vytížení databáze běhen dne Vytížení databáze v průběhu dne, rozděleno od nejvyšší až po nejvyšší vytížení 33

34 Denní přehled Celkový počet dotazů v jednotlivých dnech za sledované období 34

35 Řazení dle dne v týdnu Celkové množství vyhledávaných výrazů v jednotlivých dnech týdne 35

36 Týdenní a měsíční přehled Množství vyhledávaných výrazů v jednotlivých týdnech Množství vyhledávaných výrazů v lednu a v únoru

37 Četnost hledaných výrazů, které nebylo možné přiřadit k žádné položce v databázi Nejčastěji vyhledávané výrazy, u kterých nebyla nalezena žádná položka v databázi 37

38 5. Jmenovitý podíl jednotlvých členů týmu na řešení projektu Vojtěch Pudil (Vedoucí projektu) Řízení projektu, organizace, dokumentace, práce v excelu Petr Kohout (Zástupce vedoucího projektu) Práce v excelu, grafy Dana Čapkovičová (Člen projektového týmu) Dokumentace, DB storky, práce v excelu Kamil Jersák (Člen projektového týmu) Práce v excelu, grafy Martin Liška (Člen projektového týmu) Webové rozhraní pro databázi v PHP Libor Musil (Člen projektového týmu) Webové rozhraní pro databázi v PHP 6. Problémy, s nimiž se tým setkal při řešení projektu Občasné problémy při komunikaci se zadavatelem projektu, prvotní rozdělení prací. 7. Přínos projektu pro členy týmu Největším přínosem pro členy týmu bylo ověření schopností získaných na této škole, částečně ty schopnosti jak by mohl vypadat projekt v praxi, dále si tým znovu zopakoval práci v programu Excel a to důkladně, procvičení práce s Wordem a databázemi. Zjistili jsme, že databáze je nejméně využívaná mezi 03:00 a 07:00 ráno. Nejvíce je databáze využívána mezi 10:00 a 22:00. Naprostá špička pak nastává mezi 15:00 a 17:30. To že databáze je značně využívaná i v nočních hodinách svádí k myšlence, že databáze je hojně využívána nikoliv pouze zaměstnanci knihoven, ale také studenty. Průměrná prodleva mezi všemi hledáními činí 568 vteřin. Průměrná prodleva mezi hledáními mezi 8.00 a činí 312 vteřin. Průměrná časová prodleva v 10 nejvytíženějších časových intervalech činí 110 vteřin. 38