3.9.3. K-Nearest Neighbour Suche (KNN)¶

Die K-Nearest Neighbour Suche erhät ein Siglum als Input und gibt eine Liste der ähnlichsten Bemerkungen (bzw. deren Siglen) zurück.

3.9.3.1. Vorbereiten der Umgebung¶

Die Vektoren werden in wittsim_data vorberechnet und anschließend dort in export-data gespeichert.

3.9.3.1.1. Cluster Modelle¶

Zunächst müssen die Cluster Modelle kopiert werden. Diese liegen im $(HOME) auf CAST2. Dazu in den Ordner deployment wechseln, dann die Modelle kopieren mit: make install_cluster_models

3.9.3.1.2. Tree-Tagger¶

Dann muss der Tree-Tagger und die Python-Module installiert werden: make install-python-modules install-tree-tagger

3.9.3.1.3. MongoDB¶

Zusätzlich muss die MongoDB installiert sein, mit Germanet Daten befüllt sein und laufen:
- Install MongoDB
  - For Ubuntu
  - Other versions: MacOSX High Sierra
- Importiere GermaNet in die MongoDB
  - Eine Kopie von Germanet ist verfügbar unter dem korpus Ordner, welche im LRZ Sync and Share geteilt werden kann (Kontakt: Max Hadersbeck) Import XML to MongoDB
  - Starte MongoDB
    mkdir mongodb mongod --dbpath ./mongodb &
  - Entpacke die Germanet Dateien und lade sie in die MongoDB (das kann eine ganze Weile dauern)
    python -m pygermanet.mongo_import ./GN_V120/GN_V120_XML/
  - Überprüfe das Setup der MongoDB + Germanet:
    from pygermanet import load_germanet gn = load_germanet() gn.synsets('gehen')

3.9.3.2. Vorberechnen der Vektoren und Trainieren des KNN Modells¶

Nun kann das Binary-File der Vektoren berechnet werden. Dafür kann im Verzeichnis wittsim_data einfach
```
make generate
```
aufgerufen werden, welches sowohl die Megavektoren berechnet, das KNN Modell trainiert, sowie im Anschluss unnötige Files löscht.
Sollten nicht alle Aufrufe (z.B. kein Trainieren des KNN Modells) gewünscht sein, können entsprechende Einzelaufrufe gestartet werden (siehe Makefile):
```
make vectors
make knn
make clean_json
```

3.9.3.3. Starten der KNN Suche¶

Überprüfen der Richtigen Pfade in wittsim/html_button/knn_search.py und in wittsim/config.py. Diese müssen auf die richtige Vektor Datei, sowie das vortrainierte KNN Modell verweisen.
Das Modell kann entweder manuell gestartet werden über knn_search.py oder
Der Flask Server wird aufgerufen mit
```
make server-run
```

3.9.3.4. Frontend Verknüpfung der KNN Suche¶

Die bisherige Dokumentation der Einbindung in das Frontend von WiTTFind ist hier beschrieben.