Identificando o Tópico de Páginas Web

dc.contributor.advisor1Cavalcanti, João Marcos Bastos
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3537707069694606por
dc.creatorLima, Márcia Sampaio
dc.creator.Latteshttp://lattes.cnpq.br/2066466047322329por
dc.date.available2012-10-08
dc.date.issued2009-04-24
dc.description.abstractTextual and structural sources of evidences extracted from web pages are frequently used to improve the results of Information Retrieval (IR) systems. The main topic of a web page is a textual source of evidence that has a wide applicability in IR systems. It can be used as a new source of evidence to improve ranking results, page classification, filtering, among other applications. In this work, we propose to study, develop and evaluate a method to identify the main topic of a web page using a combination of different sources of evidences. We define the main topic of a web page as a set of, at most, five distinct keywords related to the main subject of the page. In general, the proposed method, is divided in four distinct phases: (1) identification of the keywords that describe the web page content, using multiple sources of evidences; (2) use of a genetic algorithm to combine the sources of evidences; (3) definition of the three better keywords of the page; and (4) use of a web directory to identify the page main topic. The results of the experiments show that: (1) the best source of evidence used to describe the keywords of a web page is the content link; (2) the proposed method is efficient to identify the main topic of a web page: 0.9129, in a scale of zero to one; and (3) the proposed method is also efficient to automatic classify web pages within the Google directory, reaching 88%±0.11 of precision in the classification task.eng
dc.description.resumoEvidências textuais e estruturais que podem ser extraídas dos documentos web são frequentemente usadas na busca pela melhoria da qualidade dos resultados obtidos pelos diversos sistemas de recuperação de informação (RI). O tópico de uma página web é uma evidência textual que possui uma vasta aplicabilidade nesses sistemas, podendo servir como uma nova fonte de evidência para melhorar ranking de páginas web, melhorar sistemas de classificação e filtragem destas páginas, entre outros. O presente trabalho tem por objetivo estudar, desenvolver e avaliar um método para identificar automaticamente o tópico de páginas web através da combinação de diferentes fontes de evidências. Definimos o tópico de uma página como sendo um conjunto de, no máximo, cinco termos distintos relacionadas ao assunto principal da página. Em linhas gerais, o método de identificação de tópicos proposto nesta dissertação, está dividido em quatro fases distintas: (1) identificação dos possíveis termos descritores de uma página web, fazendo uso de múltiplas fontes de evidências; (2) utilização de um algoritmo genético na combinação das fontes de evidências usadas; (3) definição dos três melhores termos descritores da página; e (4) utilização da estrutura hierárquica de um diretório abrangente e popular da web com o objetivo de identificar o tópico da referida página. Os resultados obtidos nos experimentos realizados para avaliar o método proposto foram os seguintes: (1) alto grau de importância do uso da concatenação do texto de âncora de links na descoberta dos termos descritores de uma página web; (2) boa avaliação da eficiência do método proposto na identificação de tópicos de páginas web: 0.9129, em uma escala de zero a um; e (3) boa avaliação da utilização de parte do método proposto na classificação automática de páginas web na estrutura hierárquica do diretório Google, atingindo 88%±0.11 de acertos das páginas classificadas. Os experimentos realizados demonstram que o modelo proposto é útil na identificação do tópico de uma página web e também na classificação de páginas na estrutura hierárquica do diretório Google.por
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado do Amazonas
dc.formatapplication/pdfpor
dc.identifier.citationLIMA, Márcia Sampaio.Identificando o Tópico de Páginas Web. 2009. 73 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2009.por
dc.identifier.urihttp://tede.ufam.edu.br/handle/tede/2957
dc.languageporpor
dc.publisherUniversidade Federal do Amazonaspor
dc.publisher.countryBRpor
dc.publisher.departmentInstituto de Computaçãopor
dc.publisher.initialsUFAMpor
dc.publisher.programPrograma de Pós-graduação em Informáticapor
dc.rightsAcesso Abertopor
dc.subject.cnpqCIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃOpor
dc.subject.otherTópico de páginas Webpor
dc.subject.otherAlgoritmos genéticospor
dc.subject.otherMúltiplas fontes de evidênciaspor
dc.subject.otherDiretórios webpor
dc.subject.otherTopic of web pageeng
dc.subject.otherGenetic algorithmeng
dc.subject.otherMultiple sources of evidenceseng
dc.subject.otherWeb directorieseng
dc.thumbnail.urlhttp://200.129.163.131:8080//retrieve/7040/DISSERTACAO%20MARCIA.pdf.jpg*
dc.titleIdentificando o Tópico de Páginas Webpor
dc.title.alternativeIdentifying the topic of Web Pageseng
dc.typeDissertaçãopor

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
DISSERTACAO MARCIA.pdf
Tamanho:
775,86 KB
Formato:
Adobe Portable Document Format