Szöveges dokumentumok attribútumai

A szövegbányászati rendszerek nyersanyagait, kiindulási alapjait szöveges dokumentumok képezik. A szöveges dokumentumok nemcsak, hogy strukturálatlan módon tárolják a szövegeket, hanem sok egyéb más jellemzővel is rendelkeznek, amelyek dokumentumról dokumentumra változhatnak. Ahhoz, hogy a szövegbányászat során a szöveges dokumentumokat egységesen és gördülékenyen tudjuk kezelni, át kell hidalni azokat a különbözőségeket, amelyek az egyes dokumentumok esetében adódhatnak.

Szöveges dokumentumok esetében tehát tisztában kell lennünk azokkal a jellemzőkkel, attribútumokkal, amelyekkel egy tetszőleges szöveges dokumentum rendelkezhet. A legfonotsabb olyan attribútumok, amelyekkel egy dokumentum részletesen jellemezhető, az alábbiak.

• Dokumentumot hordozó médium;
• Dokumentum fizikai elérési helye;
• Dokumentum formátum;
• Dokumentum nyelve;
• Karakterkészlet, karakter kódolás, kódkészlet;
• Statisztikai jellemzők;
• Dokumentum mérete;
• Dokumentum információtartalma;
• Dokumentum témája;
• Dokumentum stílusa, motívumai.

Vázsonyi Miklós