Tecniche per estrarre informazioni utili dal web

Questo libro tratta dell’estrazione dei dati dal web, ovvero da database online, tramite l’annotazione. I database sono accessibili via web tramite un’interfaccia basata su moduli HTML. Quando si invia una query al motore di ricerca, è possibile estrarre le informazioni. Pagine dei risultati restituite dai database online. Un database online presenta più record di risultati di ricerca. Le etichette semantiche delle unità di dati non sono presenti nelle pagine dei risultati. Disporre di etichette semantiche per le unità di dati è importante non solo per l’attività di collegamento dei record sopra descritta, ma anche per l’archiviazione degli SRR raccolti in una tabella del database. Le prime applicazioni richiedono l’intervento umano per annotare manualmente le unità di dati. Ciò comporta una scalabilità limitata. In questo articolo, esaminiamo come assegnare automaticamente etichette alle unità di dati all’interno degli SRR restituiti dai WDB e come migliorare i risultati utilizzando metodi di clustering quali BIRCH e ROCK. Innanzitutto, si allineano le unità di dati presenti in una pagina dei risultati in diversi gruppi, in modo che i dati dello stesso gruppo abbiano la stessa semantica. Utilizzando un wrapper di annotazione, è possibile estrarre la conoscenza dai database web.