CPK - Využití sémantických technologií pro zpřístupnění kulturního dědictví prostřednictvím Centrálního portálu knihoven (CPK)

CPK - Using Semantic Technologies to Access Cultural Heritage Through The Central Portal of Czech Libraries

grant

portál knihoven, sémantické technologie, full textové indexování, odstranění duplicity bibliografických záznamů,

Primárním cílem projektu je vybudovat Centrální portál českých knihoven (CPK), který poběží na adrese http://www.knihovny.cz/. CPK bude integrovat informační zdroje různého charakteru - zejména databáze popisující nebo obsahující informace o našem kulturním dědictví nebo plné texty, které jsou jeho součástí. Pro plnohodnotné využití těchto informací je nutné je uživateli přehledně zpřístupnit s co největším využitím znalosti syntaktické a sémantické struktury zpřístupňovaných informací. Zásadní problém v oblasti tematického zpřístupnění dokumentů představuje absence potřebných metadat. U většiny katalogizačních záznamů pořízených v rámci retrospektivní konverze katalogů českých knihoven (tedy u záznamů vzniklých v minulosti nejprve v podobě knižního lístku a o několik desítek nebo i stovek let později přepsaných do databáze) chybí věcný popis a s ohledem na jejich množství je jeho doplnění formou manuální rekatalogizace a obsahové analýzy s knihou v ruce nereálné. Řada knih z fondů knihoven (již více než 110 tis. svazků monografií a stovky periodik) však již disponuje i plnými texty - zejména díky projektu Národní digitální knihovna, na jehož řešení se MZK podílela. Počet dokumentů vybavených plnými texty postupně narůstá, každým rokem lze očekávat digitalizaci dalších desítek tisíc svazků, z nichž téměř polovina je digitalizována přímo v MZK. Ačkoli je značná část digitalizovaných dokumentů chráněna autorským právem a nesmí být zpřístupňována mimo budovu knihovny, je možné tyto texty prohledávat a využít je ke zlepšení způsobu zpřístupnění digitalizované části kulturního dědictví. Nabízí se jejich využití pro vyhledávání a zpřístupnění s využitím metod vycházející z technologií sémantické anotace textu a nejmodernějších metod tzv. hloubkového učení (deep learning) z existujících dat. Vzhledem k tomu, že se jedná o automatizovené, nikoli manuální zpracování, mělo by být u velkých objemů dat reálné. Součástí Řada zpřístupňovaných databází bude přitom hrát specifickou roli - budou propojovat informace získané z jiných databází nebo je významným způsobem obohatí. Takto bude využita například databáze národních autorit Národní knihovny ČR, na jejímž budování se podílí řada českých knihoven včetně MZK.

Smrž Pavel, doc. RNDr., Ph.D. (UPGM) – hlavní řešitel
Dytrych Jaroslav, Ing., Ph.D. (UPGM)
Otrusina Lubomír, Ing. (UPGM)
Škoda Petr, RNDr.