| ???jsp.display-item.social.title??? |
|
Please use this identifier to cite or link to this item:
https://tede.ufam.edu.br/handle/tede/2957| ???metadata.dc.type???: | Dissertação |
| Title: | Identificando o Tópico de Páginas Web |
| Other Titles: | Identifying the topic of Web Pages |
| ???metadata.dc.creator???: | Lima, Márcia Sampaio ![]() |
| ???metadata.dc.contributor.advisor1???: | Cavalcanti, João Marcos Bastos |
| ???metadata.dc.description.resumo???: | Evidências 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. |
| Abstract: | Textual 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. |
| Keywords: | Tópico de páginas Web Algoritmos genéticos Múltiplas fontes de evidências Diretórios web Topic of web page Genetic algorithm Multiple sources of evidences Web directories |
| ???metadata.dc.subject.cnpq???: | CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO |
| Language: | por |
| ???metadata.dc.publisher.country???: | BR |
| Publisher: | Universidade Federal do Amazonas |
| ???metadata.dc.publisher.initials???: | UFAM |
| ???metadata.dc.publisher.department???: | Instituto de Computação |
| ???metadata.dc.publisher.program???: | Programa de Pós-graduação em Informática |
| Citation: | LIMA, Márcia Sampaio.Identificando o Tópico de Páginas Web. 2009. 73 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2009. |
| ???metadata.dc.rights???: | Acesso Aberto |
| URI: | http://tede.ufam.edu.br/handle/tede/2957 |
| Issue Date: | 24-Apr-2009 |
| Appears in Collections: | Mestrado em Informática |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| DISSERTACAO MARCIA.pdf | 775.86 kB | Adobe PDF | ![]() Download/Open Preview |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.


