Znalostní nástroje pro analýzu a prohledávání webu: technical report no. DCSE/ TR-2011-01

Abstract

Tato práce je věnována problematice vyhledávání a extrakce informací z textových bloků webových stránek. Je zaměřena na nesupervizované metody pro extrakci informací založené zejména na statistických a grafových přístupech. Ze statistických metod se v současnosti nejvíce používá TFIDF a jeho modifikace pro přiřazení klíčových slov k analyzovanému textu. Extrakci klíčových slov l ze zdokonalit rozšířením o sémantickou informaci, kterou lze získat z linked data. Klíčová slova tak získávají podobu štítků, které jsou definovány jménem, popisem, URI a vztahem k ostatním URI zdrojům. Mezi hlavní výhody využití linked data patří i jazyková nezávislost. Vyhledávání tak lze relativně snadno rozšířit o jazykově nezávislé vyhledávání. Na základě vztahů mezi URI zdroji lze využít grafové algoritmy pro nalezení skrytých znalostí, což umožňuje další zpřesnění vyhledávání i odvozování znalostí. Může se jednat např. o souvislosti mezi články nebo di sambiguaci pojmů. Návrh těchto metod bude cílem disertační práce.