Techniki pozyskiwania przydatnych informacji z sieci

Książka ta dotyczy pozyskiwania danych z sieci, czyli z internetowych baz danych, za pomocą adnotacji. Dostęp do baz danych odbywa się za pośrednictwem interfejsu opartego na formularzach HTML. Po wysłaniu zapytania do wyszukiwarki można pozyskać informacje. Strony wyników zwracane przez internetowe bazy danych. Internetowa baza danych zawiera wiele rekordów wyników wyszukiwania. Etykiety semantyczne jednostek danych nie są prezentowane na stronach wyników. Posiadanie etykiet semantycznych dla jednostek danych jest ważne nie tylko dla powyższego zadania łączenia rekordów, ale także dla przechowywania zebranych rekordów wyników wyszukiwania (SRR) w tabeli bazy danych. Wczesne aplikacje wymagały ręcznego adnotowania jednostek danych przez człowieka. Ogranicza to skalowalność rozwiązania. W niniejszym artykule rozważamy, w jaki sposób automatycznie przypisywać etykiety do jednostek danych w ramach rekordów SRR zwróconych z internetowych baz danych (WDB), poprawiając wyniki za pomocą metod klastrowania, tj. BIRCH i ROCK. Najpierw grupuje się jednostki danych na stronie wyników w różne grupy w taki sposób, aby dane w tej samej grupie miały tę samą semantykę. Dzięki zastosowaniu „opakowania adnotacji' można wyodrębnić wiedzę z internetowych baz danych.