MXPA04006378A - Metodo y aparato para la deteccion automatica de tipos de datos para el procesamiento dependiente del tipo de datos. - Google Patents

Abstract

Se describe un metodo para la deteccion automatica para el tipo de datos para el procesamiento dependiente de tipo de datos, que tiene dos sistemas de clasificacion ortogonales definidos, y determina para los items de datos que entran, un tipo de dato de acuerdo al primer sistema de clasificacion, y otro tipo de dato de acuerdo al segundo sistema de clasificacion comprende los tipos de datos Esencia (e), Metadato (M) y Recipiente (C). El segundo sistema de clasificacion comprende los tipos de datos Dato Fisico (PD) y Dato Abstracto (AD). El tipo de dato por omision puede ser definido para los times de datos que no son clasificables de manera unica. Ventajosamente, el metodo de la invencion puede ser utilizado cuando diferentes clases de times de datos requieren diferentes metodos para el procesamiento, por ejemplo la busqueda del contenido.

Description

Patente Europea (AT, BE, CH, CY, DE, DK, ES, FI, FR, GB. Para los códigos de dos letras y otras abreviaturas, referirse a las GR, IE, IT, LU, MC, NL, PT, SE, TR), Patente OAPI (BF, Bl "Notas de Guia sobre los Códigos y Abreviaturas " que aparecen al CF, CG, CI, CM, GA, GN, GQ, GW, ML, MR, NE, SN, TD. comienzo de cada emisión regular de la Gaceta del PCT. TG). Publicada Con reporte de búsqueda internacional. 1 METODO Y APARATO PARA LA DETECCION AUTOMÁTICA DE TIPOS DE DATOS PARA EL PROCESAMIENTO DEPENDIENTE DEL TIPO DE DATOS La invención ser refiere a un método y a un aparato para la clasificación, organización y estructuración de diferentes tipos de datos, que puede ser utilizada, por ejemplo para clasificar datos, almacenar datos o recuperar datos.

ANTECEDENTES DE LA INVENCION La capacidad de los medios de almacenamiento digitales como los discos duros o discos ópticos reescribibles para la grabación personal de video y otros datos, se desarrolla continuamente. Esto da como resultado nuevos conceptos como, por ejemplo, el denominado servidor doméstico, el cual es un dispositivo de almacenamiento central con capacidad grande para grabar cualquier tipo de datos dentro del hogar. Tales aplicaciones también requieren nuevas formas para organizar los datos grabados, la búsqueda para el contenido y el acceso a los registros o grabaciones especificas. Para este propósito pueden ser utilizados datos respecto a datos, frecuentemente denominados como 2 metadatos. Diversos grupos industriales y cuerpos estándares han estado desarrollando estándares de metadatos para diferentes propósitos y aplicaciones. En aplicaciones de medios múltiples (multimedia) , los metadatos típicamente son datos respecto a los datos audiovisuales (AV) , estos datos AV frecuentemente son llamados 'esencia' . No obstante, Sistema de Manejo de Base de Datos (DBMS) que será capaz de manejar datos de diversos tipos de datos requiere correctamente una definición de los tipos de datos, y un método para distinguir entre ellos.

Invención La invención está basada en el reconocimiento de los hechos descritos en lo siguiente: En dispositivos que proporcionan un DBMS para el manejo de datos de entrada, incluyendo los metadatos de entrada, es necesario clasificar dichos datos de entrada, y especialmente metadatos de entrada, ya que es necesario un procesamiento diferente para diferentes tipos de metadatos. Por ejemplo, una búsqueda de texto no es adecuada para los metadatos que contienen una imagen en el Formato de Intercambio de Gráficos (GIF) bien conocido. 3 El problema que va a ser resuelto por la invención es clasificar los datos automáticamente, tal que un DBMS puede utilizar el resultado de la clasificación para el manejo correcto de datos. Este problema es resuelto por el método descrito en la reivindicación 1 y por el aparato descrito en la reivindicación 5. La salida de tal aparato puede ser dirigida hacia, por ejemplo un DBMS. De acuerdo a la invención, los metadatos pueden ser definidos como grupos de datos que consisten de dos partes, a saber una primera parte que es un enlace, el enlace señala hacia un grupo de datos de referencia, y una segunda parte que es cualquier dato referente a dicho enlace. En lo subsiguiente, la primera parte es denominada como MD_LINK, y la segunda parte es denominada como D^LOAD. Cualquier ítem de datos que no contenga al menos un MD_LINK y un MD_LOAD relacionado, es definido como Esencia. Los metadatos frecuentemente aparecen junto con otros Metadatos o Esencia, combinados en una entidad lógica, por ejemplo como un archivo sobre un disco duro. Tal mezcla de diferentes tipos de Esencia y Metadatos es en lo siguiente llamada 'Recipiente' . Los ejemplos populares para tales Recipientes son los archivos .de Lenguaje de Marcación de Hipertexto (HTML), o los archivos de 4 Formato de Documento Portátil (PDF) . Además, de acuerdo a la invención existe otro tipo de clasificación posible. Los datos pueden requerir la interpretación a través del dispositivo antes de que éstos puedan ser utilizados. · En este caso, los datos son definidos como Datos Físicos, si el dispositivo tiene un método para interpretación definida, de otro modo datos abstractos. Por ejemplo, si una imagen es almacenada en el formato GIF, y el dispositivo puede interpretar el formato GIF y mostrarlo visualmente como una imagen, éste es clasificado como Dato Físico. Si el dispositivo no puede interpretar el formato GIF, el dato e.s clasificado como Dato Abstracto. Ejemplos adicionales para Datos Abstractos son archivos de texto, y otros archivos que no pueden ser interpretados a través del dispositivo. Los dos tipos previamente definidos de clasificación no son exclusivos, sino que se complementan uno con el otro. Además, la clasificación descrita de datos no es absoluta, pero es dependiente del sistema, y por lo tanto únicamente localmente relevante . Ventajosamente, esta clasificación permite que el dispositivo maneje diferentes tipos de datos 5 correctamente, difieran entre Metadatos, Esencia, Recipiente, Datos Físicos y Datos Abstractos, y de este modo permiten un método de acceso generalizado sobre dichos tipos de datos. Con este conocimiento, el dispositivo puede decidir, por ejemplo cuál tipo de búsqueda de datos utilizar, cómo interpretar los datos, y si algunos datos pueden ser omitidos para una cierta búsqueda . Las modalidades adicionales ventajosas de la invención son descritas en el siguiente texto, y en las reivindicaciones dependientes respectivas.

Dibu os Modalidades ejemplares de la invención se describen con referencia a los dibujos anexos, los cuales muestran en: Figura 1 los dos sistemas, o dimensiones de clasificación de datos; Figura 2 un ejemplo para un Recipiente que contiene Esencia y Metadatos ; Figura 3 un ejemplo para Metadatos abstractos. Figura 4 un ejemplo para Metadatos Físicos, y Figura 5 un diagrama de flujo ejemplar para el método de acuerdo a la invención. 6 Modalidades Ejemplares De acuerdo a la invención, los dos tipos, o sistemas, de clasificación pueden ser entendidos como dos dimensiones, como se muestra en la Figura 1. Un ítem de datos puede ser ya sea Esencia E o Metadatos M, y Dato Físico PD o Dato Abstracto AD. Por lo tanto, los posibles tipos de datos son Esencia Física PE, Metadatos Físicos PM, Esencia Abstracta AE o Metadato Abstracto AM . Además, un ítem de dato puede también ser un Recipiente C, si éste contiene otros ítems de datos . La clasificación de datos no es absoluta, sino que es subjetiva desde el punto de vista del dispositivo, y por lo tanto únicamente relevante dentro de un sistema, por ejemplo DBMS. Puede suceder que, por ejemplo un sistema puede interpretar un enlace mientras que otro sistema no puede interpretar el mismo enlace. Por lo tanto, puede suceder que, por ejemplo, un sistema clasifique ciertos datos como Metadatos, consistiendo de MD_LOAD y MD_LINK, mientras que otro sistema clasifique los mismos datos como Esencia, debido a que éste no puede interpretar el enlace. Otro ejemplo más es que, por ejemplo un sistema puede 7 reproducir una capa de audio MPEG 3, o MP3, archivo codificado, mientras que otro sistema más no puede interpretar el formato MP3. En este caso, el primer sistema clasifica un archivo codificado MP3 como Dato Físico, pero el segundo sistema clasifica el mismo archivo como Dato Abstracto. El texto va a ser considerado como Dato Abstracto, debido a que el texto es siempre un formato para ahorrar datos. El texto formateado puede representar una representación física directa de los datos, por ejemplo el formato PDF. La información del formato representa únicamente la información de apoyo, por ejemplo si la información de formato es extraída de un archivo PDF, el texto puro que es la información principal, permanecerá. Si el texto es extraído, la información principal se perderá. Debido al hecho de que el texto representa la información principal, también el texto formateado será considerado como Dato Abstracto . Un dispositivo como se describe en la reivindicación 5 ejecutará el siguiente procedimiento cuando reciba datos en su entrada: Si los datos contienen más de un ítem de datos, la señal de salida puede ser: "El Dato es un Recipiente". Más detalles se dan más adelante.

La clasificación puede detenerse aquí, o puede ser extendida hasta algo, o toda, hojas del árbol de datos jerárquicamente estructurados, dentro del Recipiente . Si los datos son Metadatos, la salida puede ser: "Datos son Metadatos". De otro modo, la salida puede ser "Datos son Esencia" . Si los da:os son Datos Físicos, una salida adicional puede ser "Datos son Datos Físicos". De otro modo, si los datos son Datos Abstractos, una salida adicional puede ser "Datos son Datos Abstractos". Ventajosamente, el dispositivo puede detectar y enviar de salida el tipo de Dato Físico, por ejemplo "El dato es una imagen de color (24 bitios) con la resolución de x=200 pixeles e y=400 pixeles". Si el formato de datos es desconocido para el dispositivo, y por lo tanto el dispositivo no es capaz de clasificar los datos como Recipiente, Metadato, Esencia, Dato Abstracto o Dato Físico, la salida puede ser cualquier salida del tipo por omisión, por ejemplo "el tipo de Datos desconocido" o "los Datos son Esencia y Datos Abstractos" . 9 Adicí onalmente , es de auxilio si el dispositivo detecta si el dato es texto o no: Si el dato es Dato Abstracto y Texto, la salida puede ser adicionalmente "el Dato es Texto". Esto puede ser implementado mediante la búsqueda de palabras conocidas, por ejemplo a partir de un diccionario electrónico o buscando grupos de caracteres separados por espacios en blanco. Si el dato de entrada es un Recipiente, una salida adicional puede ser "Dato es un Recipiente, por ejemplo más metadatos o esencia están contenidos". Opc iona luiente , pueden ser incluidos detalles precisos: "El Recipiente CONTIENE al menos 1 etadato y 1 Esencia", o "El Recipiente NO CONTIENE Metadatos del todo" o incluso "El Recipiente CONTIENE exactamente N ítems de Metadatos", con N que es la cantidad de Metadatos contenidos en el Recipiente. Si el dispositivo puede detectar el formato de los datos analizados, éste puede enviarlos de salida adicionalmente : "el formato de Datos es X", X' es el formato. Los ejemplos para ??' pueden ser por ejemplo 'HTML' o 'JPEG' . La Figura 2 muestra un ejemplo para un archivo de datos que contiene una combinación de Esencia y Metadato en el formato HTML bien conocido. En lo 10 subsiguiente, se describe la clasificación de todos los elementos de acuerdo a la invención. Primeramente, el dispositivo detecta que la primera linea es <html>, y que por lo tanto el archivo de datos debe ser formateado como HTML. Se asume que el dispositivo puede interpretar el formato HTML, y por lo tanto interpreta los ítems con atributos "href ." en los archivos HTML como enlaces. Ya que los archivos formateados en HTML usualmente contienen una estructura jerárquica, los elementos de hoja del árbol jerárquico son primeramente analizados. El primer elemento de la Figura 2 <titulo>Este es el título</título> es clasificado como Esencia debido a que no existe enlace vinculado al elemento.

El elemento <a href=http : //www. w3c . org>W3C HOME</a> es clasificado como Metadato, con la serie "W3C HOME" que es la Esencia, o MD^LOAD, y la serie "href . =http : //w3c. org" que es el enlace relacionado, o MD LINK.

El siguiente elemento de hoja Este es un párrafo</p> no contiene enlace y por lo tanto es clasificado como 11 Esencia . El siguiente elemento de hoja <img src="image.gif"> es también clasificado como Esencia debido a que éste es únicamente un enlace, por ejemplo éste no contiene MD_LINK con MD_LOAD relacionado. Por lo tanto, éste no puede ser etadato. El propósito de este enlace es referirse adicionalmente a Esencia, a saber el dato de imagen . Cuando todos los elementos del primer nivel de jerarquía son analizados, el siguiente nivel es investigado. El elemento <cabeza> <título>Este es el tí ulo</tí tulo> </cabeza> es clasificado como Esencia debido a que éste no contiene enlace, sino únicamente un elemento, el elemento que es Esencia.

El elemento <a href=http : / /www . w3c . org> <img src="image . gif "> </a> es clasificado como Metadato, con <img src="image . gif "> que es la parte ce MD_L0AD y el atributo "href" que es 12 el enlace relacionado. El siguiente elemento <cuerpo> </cuerpo> es clasificado como Recipiente debido a que éste agrupa conjuntamente ítems de Metadatos e ítems de Esencia.

Finalmente, el elemento <html> </html> es también clasificado como Recipiente. Este agrupa conjuntamente un elemento de Esencia, a saber el elemento <cabeza>, y un Recipiente, a saber el elemento <cuerpo> . La Figura 3 muestra un ejemplo para los Metadatos Abstractos. Varios ítems de datos 3R, 3M son agrupados en una unidad de datos 3C. La unidad de datos 3C podría ser, por ejemplo un archivo HTML. Para uno de dichos ítems de datos el dispositivo ha detectado que éste contiene un enlace 3L, simbolizado por el cursor que cambia de una flecha a una mano cuando señala al texto 3E . Mientras que el texto 3E y el enlace 3L pertenecen conjuntamente, y el texto 3E es 13 Esencia, éstos forman un ítem 3M de Metadato, y el enlace 3L es un enlace de Metadato que señala hacia una referencia 3REF fuera de la unidad de datos 3C. Ya que la Esencia 3E del ítem de Metadatos 3M es texto, y el texto es Datos Abstractos, el ítem 3M de Metadatos es un ítem de Metadatos Abstractos. Los ítems de datos 3R remanentes dentro de la unidad de datos 3C son. cualquiera de texto y una imagen. La unidad de datos 3C es un Recipiente, ya que éste contiene al menos un ítem 3M de Metadatos y el otro ítem de datos remanentes 3R. La Figura 4 muestra un ejemplo para los Metadatos Físicos. Varios ítems de datos 4R,4M están contenidos en una unidad de datos 4C, la unidad 4C es, por ejemplo un archivo HTML. En este caso, el dispositivo ha detectado que la imagen 4E está asociada a un enlace 4L, simbolizada por el curso que cambia de una flecha a una mano. El enlace 4L está señalando a una referencia 4REF fuera de la unidad de datos 4C. Ya que la imagen 4E y el enlace 4L pertenecen conjuntamente, éstos forman un ítem de Metadatos 4M, con la imagen 4E que es la Esencia de este Metadato. Dicha Esencia 4E es, por ejemplo, una imagen formateada en JPEG, y en el archivo HTML éste puede ser referido por ejemplo como <img sr c=Anton . j pg anchura=108 14 altura=73>. Ya que el dispositivo puede mostrarlo, éste es Dato Físico, y el ítem 4M de Metadato es Metadato Físico. La unidad de datos 4C es un recipiente, debido a que ésta contiene al menos un ítem de Metadato 4M y los otros ítems 4R. La Figura 5 muestra un diagrama de flujo ejemplar del método de la invención. El propósito de la invención es clasificar diferentes tipos de datos entrantes IN. Los datos entrantes IN están siendo analizados, y un primer bloque de decisión DI decide si el formato de los datos entrantes puede ser detectado o no. Si no es así, 'Desconocido' es indicado como una señal de salida, y la clasificación termina en un estado de fin EX. Si el formato- es conocido, por ejemplo HTML, entonces un segundo bloque de decisión D2 puede decidir si el dato entrante contiene elementos no clasificados. Si la respuesta es 'Si' , el siguiente ítem de datos no clasificados es recogido y enviado a un tercer bloque de decisión D3. Este bloque de decisión D3 puede decidir si dicho ítem de datos es un Recipiente C, Metadato M o Esencia E. La decisión es 'Recipiente' si el ítem de datos contiene otro ítem de datos ya clasificado como Metadato. La decisión es 'Metadato' si el ítem de datos contiene un enlace con esencia relacionada a ese enlace. En todos los otros 15 casos la decisión es 'Esencia' . La decisión realizada en el tercer bloque de decisión D3 es indicado en la salida. Si el ítem de dato analizado es un Recipiente C, entonces el procedimiento regresa al segundo bloque de decisión D2 nuevamente, de otro modo es introducido un cuarto bloque de decisión D4. Dicho cuarto bloque de decisión D decide si el dispositivo puede interpretar o no el ítem de datos, tal que éste pueda describir la información adicional para el usuario, por ejemplo una imagen mostrable usualmente. Si la respuesta es 'Si', se indica en la salida que dicho ítem de datos es Dato Físico PD, de otro modo el Dato Abstracto AD . En el caso del ítem de datos que es Dato Físico PD, la detección del formato puede haber sido realizada implícitamente en el cuarto bloque de decisión D4. Luego un quinto bloque de decisión D5 puede detectar los detalles del formato y decidir si el formato detectado será indicado, y si es así, el formato F1, ...,F3 puede ser indicado en la salida. En el caso de que el ítem de datos sea el Dato Abstracto AD, un sexto bloque de decisión D6 puede decidir si el dato contiene texto. Si es así, esto es indicado en la señal de salida. Si el ítem de datos es Dato Abstracto AD y no texto, no es generada ninguna indicación adicional. Entonces el procedimiento es repetido desde 16 el segundo bloque de decisión D2 que decide si están contenidos elementos no clasificados adicionales. Si este no es el caso, entonces el ítem de datos ha sido clasificado completamente y el estado final EX es introducido. Esta modalidad de la invención analiza todos los niveles de jerarquía y niveles de hoja de los Recipientes, pero otras modalidades pueden analizar únicamente algunos niveles de jerarquía o elementos de hoja de los Recipientes. Ventajosamente, el método descrito para la clasificación de datos puede ser utilizado en dispositivos para clasificación de datos, almacenamiento de datos, por ejemplo DBMS, o recuperación de datos, por ejemplo buscadores. El método descrito puede ser utilizado cuando diferentes clases de datos requieren diferente procesamiento, por ejemplo diferentes algoritmos de búsqueda, diferentes métodos o áreas de almacenamiento, diferentes métodos de compresión o diferentes métodos de presentación. La invención puede ser implementada en un dispositivo separado, el cual clasificará los datos entrantes con respecto a su formato, contenido, y relación a otros datos, por ejemplo enlace, y el cual proporciona información respecto a los datos. Esta información es especialmente necesaria cuando es para 17 reconocer si estos datos contienen enlaces o estos datos necesitan métodos de búsqueda especiales. El dispositivo puede ser parte de otro dispositivo o puede ser realizado como hardware o software, por ejemplo como una aplicación o un enchufe en una PC. Además, esto puede ser actualizado, por ejemplo vía la Internet o vía otras fuentes, de modo que pueden ser reproducidos más o menos formatos, de este modo este dispositivo se actualizará a si mismo y se volverá más y más eficiente.

Claims (5)

18 REIVINDICACIONES

1 . Método para la detección automática de tipos de datos para el procesamiento dependiente del tipo de datos, por un dispositivo técnico, caracterizado porque: a) se reciben datos de diferentes tipos de datos; b) se analizan los datos recibidos, c) se detecta el formato de los datos recibidos, d) se utiliza el formato detectado para evaluar si los datos contienen: - al menos un enlace interpretable en máquina y los datos asociados; - cualquier otro , dato, por ejemplo texto, datos de imagen, enlaces, excepto datos del primer tipo, o - una mezcla de enlace interpretable en máquina y datos asociados con el otro dato; e) se evalúa si el dispositivo técnico es capaz de interpretar los datos para reproducir una representación física de los datos; y f) se suministra el resultado de la primera evaluación y el resultado de la segunda evaluación hacia un dispositivo o proceso para el procesamiento dependiente del tipo de datos, de dichos datos .

2. Método según la reivindicación 1, en donde para el dato que es interpretable por el dispositivo técnico, es también indicado si el tipo de 19 formato de dato es o no uno de un número de tipos de formato especificado.

3. Método según cualquiera de las reivindicaciones 1 a 2, en donde para los datos que no son interpretables por el dispositivo técnico, se indica también si éste es texto.

4. Método según cualquiera de las reivindicaciones 1 a 3, en donde el dispositivo técnico es un dispositivo de clasificación de datos, un sistema de manejo de base de datos o un buscador de contenido de datos .

5. Aparato para la detección automática de tipos de datos para el procesamiento dependiente del tipo de datos, caracterizado porque se utiliza el método según cualquiera de las reivindicaciones 1 a 4.