pdf, 650 kB

Využití WWW jako efektivního
informačního zdroje
Jiří Jelínek
[email protected]
Fakulta managementu VŠE, J. Hradec
Efektivní vyhledávání
„
„
nacházení požadovaného s minimem úsilí a
nákladů
v knihovně:
„
„
„
„
„
procházet dokud něco nenajdete
procházet dokud zapomenete co chcete
procházet dokud neprojdete všechno
použití katalogu knihovny
využití služeb někoho (něčeho), kdo ví, jak na to
„
„
potřebné vybavení
příprava a znalosti
„
„
© Jiří Jelínek, 2004
vyhledávací systémy
jak se ptát
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
1
World Wide Web
„
obsáhlost
„
„
dokumenty, data,
obrázky, video, atd.
dynamika obsahu i
stránek
„
„
„
nespolehlivost
nízká strukturovanost
„
„
obsahová i formátová
pestrost
„
„
6. 2004 cca 52 000 000
WWW serverů
„
„
neuspořádanost
nevhodné pro strojové
zpracování včetně
vyhledávání
dostupnost
nejúspěšnější
publikační medium
všech dob
absence sémantického
popisu
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
Vyhledávací strategie
„
přímý odkaz
„
odvození URL z běžných zvyklostí
„
„
online databáze
„
„
oborové
použití vyhledávacích systémů
„
„
„
„
http://www.firma.com
indexové systémy
adresáře a předmětové katalogy
integrované systémy
výsledek do 12 minut
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
2
Vyhledávací systémy
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
Indexové systémy
„
stejně jako adresáře a katalogy se snaží
vytvářet obraz WWW prostoru
„
„
obraz (index) většinou tvořen automaticky
„
„
„
jsou data strukturována, uspořádána,
indexována a centrálně spravována
roboti
větší chybovost
základem klíčová slova
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
3
Indexové systémy
„
vhodné
„
„
„
„
netypické a specifické
zvláštní nebo málo
frekventovaná témata
témata na pomezí obvyklých
oblastí či spadající do více
oblastí
vyhledávání specifických
WWW stránek
© Jiří Jelínek, 2004
Centrální index
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
Problémy
„
„
„
„
„
definice dotazu
aktualizace indexu
hodnocení důležitosti a
relevance stránek
rozšiřitelnost
rozdíly mezi systémy
„
„
„
„
konstrukce a
optimalizace WWW
stránek
schopnost ohodnotit
nalezené výsledky
funkce, velikost
pay-per-click (PPC)
Získáno
K věci
Použitelný
výstup
WWW Prostor
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
4
Adresáře a předmětové katalogy
„
vyhledávání podle témat
„
„
většinou konstruovány experty
„
„
„
„
hierarchická navigace
selektivnější, přesnější, spolehlivější (nefunkční URL)
méně stránek, důraz na kvalitu před kvantitou
není jednotné uspořádání v hierarchických
strukturách
vhodné
„
„
„
zkoumání tématu
zkoumání logicky svázaných stránek
důraz na kvalitu stránek
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
Integrované systémy
„
„
„
podobná struktura jako u meta vyhledávačů
přímá práce s WWW zdroji
e-business
Rozhraní
Sběrač
Zdroj 1
© Jiří Jelínek, 2004
Sběrač
Sběrač
Zdroj 2
Zdroj n
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
5
Problémy
„
heterogenní zdroje
„
„
různé datové modely: relační, objektový
různá schémata a formy zobrazení
„
„
omezené schopnosti vyhledávání
„
„
“Keanu Reeves” nebo “Reeves, K.” atd.
méně schopností než indexové systémy
vliv rozhraní
„
paměť na dotazy
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
Vyhledávací systémy
„
indexové systémy
„
„
„
„
„
„
„
Google (www.google.com)
Alltheweb
(www.alltheweb.com)
HotBot (www.hotbot.com)
AltaVista
(www.altavista.com)
Yahoo (www.yahoo.com)
Seznam (www.seznam.cz)
Atlas (www.atlas.cz)
„
indexové metasystémy
„
„
„
předmětové katalogy
„
„
„
„
About (www.about.com)
Yahoo (www.yahoo.com)
Quick (www.quick.cz)
integrované systémy
„
„
© Jiří Jelínek, 2004
Metacrawler
(www.metacrawler.com)
DogPile (www.dogpile.com)
MySimon
(www.mysimon.com)
BizRate (www.bizrate.com)
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
6
Zvláštní schopnosti
„
shlukování výstupů
„
„
důsledné užití logických
operátorů
„
„
„
Vivisimo (vivisimo.com)
GigaBlast (gigablast.com)
„
„
„
„
„
„
WebLogs > Daypop
(www.daypop.com)
maillists > Topica
(www.topica.com)
životopisy > Biography
(www.biography.com)
věda > Scirus
(www.scirus.com)
Soople (www.soople.com)
práce s přirozeným
jazykem
„
„
Teoma (teoma.com)
variantní rozhraní
„
hledání ve zvláštních
strukturách
„
„
přibližné hledání
možnosti upřesňování
Ask Jeeves (www.ask.com)
speciální nástroje
„
KartOO (www.kartoo.com)
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
Hodnocení výstupů
„
autoritativnost
„
„
„
„
„
identifikace autora
kvalifikace autora a vztah k
tématu
vazba na renomovanou
instituci (URL)
„
„
„
„
datum vytvoření
poslední aktualizace
funkčnost odkazů
„
„
„
„
„
0,6
0,5
com
netorg
edu
gov
0,3
0,2
nové poznatky
korektnost a přesnost
citace a odkazy na jiné
zdroje (i klasické)
kdo stránku navštěvuje
meta popis
„
0,4
kolekce odkazů (rozcestník)
nebo autoritativní stránka
hloubka a pokrytí tématu
„
aktuálnost
„
obsah
„
„
struktura URL (TLD)
název stránky
META data
struktura stránky
0,1
0
1day
© Jiří Jelínek, 2004
1day1week
1week1month
1month4months
4months
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
7
Neviditelný Web
„
WWW prostor nezachycený ve vyhledávačích a
proto pro většinu uživatelů neviditelný
„
„
„
indexováno max. cca 40% WWW prostoru
„
„
„
neúmyslně – rozsah WWW, neexistence odkazu
úmyslně – obecný či „závadný“ obsah, dynamický web,
eliminace podle nastavených pravidel
cca 2 – 3 krát větší než viditelný Web
Google k 23.6. 2004 indexuje 4 285 199 774 stránek
Search Engine Optimization (SEO)
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
Podpora koncového uživatele
„
Web Mining - shromažďování a zpracování dat
dostupných na WWW nebo dat generovaných v
průběhu užívání webu
„
„
Web Content Mining
„
„
zpracování obsahu WWW stránek
Web Structure Mining
„
„
predikce chování a zájmů uživatele založená na předem
naučených pravidlech a uživatelských profilech
získávání informací ze struktury WWW prostoru
Web Usage Mining
„
analýza chování uživatele (clickstream analýza)
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
8
Sémantické vyhledávání
„
„
význam stránek vs. klíčová slova
zasazení pojmu (URL) do struktury podle
významu
„
„
„
„
nutno popsat obsah stránek tak, aby nám
stroje byly schopné pomoci v orientaci v nich
„
„
definice vazeb
taxonomie
ontologie
metadata a XML
multimediální sémantika
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
Problémy
„
existence jednotných a dostatečně obsáhlých
pojmových ontologií
„
„
„
„
„
ontologický popis současného WWW prostoru
„
„
„
ručně vs. učení
WordNet (www.cogsci.princeton.edu/~wn/)
doménové ontologie (medicína)
Dublin Core Metadata Initiative (www.dublincore.org)
ekonomická náročnost a motivace pro úpravy
sémantický popis stránek vs. sémantické vyhledávání
nástroje pro vytváření sémantického popisu
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
9
Úloha knihoven
„
orientace v heterogenním prostředí
„
„
výběr vhodných nástrojů
vyhledání relevantního obsahu
obsahu do vhodné podoby
ti,konverze
kdo
vědí (kde a jak)
služby integrace obsahu (rešerše)
„
„
„
„
individuální služby uživatelům
správa a tvorba ontologií
„
tvorba meta popisu
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
Děkuji za pozornost
Tato prezentace byla vytvořena s pomocí následujících materiálů:
„
„
„
„
„
„
„
„
„
„
„
„
„
„
Search Engine Watch, Tips About Internet Search Engines & Search Engine Submission,
http://searchenginewatch.com/
Search Engine Showdown, The Users' Guide to Web Searching, http://www.searchengineshowdown.com
Netcraft: Growth in Hostnames, IP Addresses and Web Facing Servers 1999-2004,
http://news.netcraft.com/archives/2004/06/15/growth_in_hostnames_ip_addresses_and_web_facing_serv
ers_19992004.html
Search Strategies, http://www.searchengineshowdown.com/strat/
Invisible-web.net - Searchable databases and specialized search engines, http://www.invisible-web.net/
KartOO visual meta search engine, http://www.kartoo.com/
Tempelman-Kluit N.: Searching the Web, http://www.nyu.edu/library/resources/instruct/searchingweb.ppt
Search Engine Watch: Tips About Internet Search Engines & Search Engine Submission,
http://searchenginewatch.com/
Cho J.: Searching the Web, UCLA Computer Science, http://oak.cs.ucla.edu/~cho/talks/2001/CS201.ppt
Williamson J.: Sure-Fire Surfing: A Crash Course in Search Techniques, King Faisal School and Brown
University Partnership,
http://www.brown.edu/Departments/IESE/KFS/resource/InternetSearchingforKFS.ppt
Levene M.: Searching the Web, School of Computer Science and Information Systems, Birkbeck
University of London, http://www.dcs.bbk.ac.uk/~mark/download/lec4_searching_the_web.ppt
Bocher B.: Searching the Web – Basic and Advanced www.dpi.state.wi.us/dltcl/pld/searching.html
MacColl J.: What is the Semantic Web?, HILT Workshop, University of Strathclyde, 2001,
http://hilt.cdlr.strath.ac.uk/Dissemination/Presentations/John%20McColl.ppt
Mazzocchi S.: Enabling Semantic Searching, http://www.betaversion.org/~stefano/papers/semanticsearching.ppt
© Jiří Jelínek, 2004
Knihovny v pavučině spolupráce, J. Hradec 24.6.2004
10