Add Home

Home.md

@@ -0,0 +1,46 @@
+# Feldolgozás
+## Jogszabályok feldolgozása és a chunkok előállítása
+
+*Jegyzetes:*
+
+- Eredeti jogszabály XML -> Köztes fa
+    - Az eredeti jogszabály lineáris és helyenként hierarchikus XML-ből áll
+    - Eredmény: szövegi részek tisztán hierarchikus szerkezetben
+- A köztes fa előállítása visitorokkal történik:
+    - feldolgozzák a specifikus XML elemeket (tartalom, attribútumok)
+    - pl.: táblázatból szöveges vagy markdown formátum
+- Minden elem tartalmazhat:
+    - Context
+        - minden olyan információ ami az adott content könnyebb megértéséhez és megtalálásához szükséges lehet
+        - pl.: a törvénynek a címe, a preambulum, a fejezet címe
+    - Content
+        - A content pedig minden olyan tartalom ami a keresések megválaszolásához szükséges információkat tartalmazzák
+        - pl.: egy paragrafus tartalma, egy táblázat szövege
+- A fa bejárása során jönnek létre a chunkok
+    - Minden context összefűzve addig, amíg nem nem jutunk contentig
+    - Eredmény:
+        - Egybefüggő szöveg a szerkezet szerint a kontextusban minden, a tartalomig vezető információval
+        - Kereshető rész
+        - HTML/XML elemek eltávolítva
+- A chunkokhoz a legközelebbi jhId van hozzárendelve
+    - Fában való felfelé kereséssel van meghatározva
+
+----------------------
+
+*Szöveges:*
+
+A jogszabályok xml formátumából lineáris és helyenként hierarchikus szerkezetéből építünk egy egységes köztes fa szerkezetet.
+Ebben a fában a jogszabály szövegének részei találhatóak tisztán hierarchikus szerkezetben.
+
+> **Példa:**  
+> norma -> dokumentum -> könyv -> rész -> fejezet -> bekezdés -> szakasz
+
+Ezek előállításához visitorok-ba szervezett feldolgozók segítenek amelyek képesek feldolgozni specifikus xml elemeket, azoknak tartalmát és attributumait (pl: táblázatok-ból tudunk előállítani szöveges formátumot, vagy markdown-os szerkezetet).
+
+Minden eleme az általunk épített fának tartalmazhat egy Context-et vagy egy Content-et.
+A contextben található minden olyan információ ami az adott content könnyebb megértéséhez és megtalálásához szükséges lehet (pl: a törvénynek a címe, a preambulum, a fejezet címe).
+A content pedig minden olyan tartalom ami a keresések megválaszolásához szükséges információkat tartalmazzák (pl: egy paragrafus tartalma, egy táblázat szövege).
+
+A chunkok ebből a fa szerkezetből épülnek fel, ahogy bejárjuk a fát minden context-et összefűzünk egészen addig amíg nem érkezünk egy olyan levélhez ami content-et tartalmaz. Ezáltal a végén kapunk egy olyan egybefüggő szöveget amiben szerkezet szerint a kontextus-ban szerepel minden content-ig vezető információ, és a contentben összefűzve az kereshető rész áll elő. A legvégén pedig eltávolítunk minden HMTL/XML elemet a szövegből.
+
+A `jhId` (NJT-n való anchor linkek előállításához szükséges) hozzárendelése a chunkokhoz egyszerűen a fában való felfele kereséssel lett megoldva, így a chunkhoz legközelebbi `jhId`-t tudjuk meghatározni.