Desenvolvimento de um coletor temático de páginas da web baseado em gênero e conteúdo.

Abstract

Coletores temáticos são utilizados com um propósito de coletar páginas na Web que satisfaçam alguma propriedade particular e que sejam relevantes a um tópico de interesse específico, sendo importantes para uma grande variedade de aplicações. Para situações particulares, foi proposta e desenvolvida uma abordagem para coleta temática onde o tópico de interesse pode ser expresso por termos que descrevem o gênero e o conteúdo das páginas da Web desejadas. Visando aperfeiçoar a eficiência e a eficácia de tal abordagem original para coleta temática baseada em gênero e conteúdo, foram propostas, desenvolvidas e validadas as seguintes melhorias: uma nova política de localização de páginas relevantes baseada em Link Context, uma estratégia para a determinação semiautomática de páginas-semente, uma estratégia para a definição automática de limites de similaridade e uma estratégia de aperfeiçoamento automático dos conjuntos originais de termos de gênero e conteúdo. Nesse contexto, este trabalho propõe desenvolver uma primeira versão completa e funcional de um coletor temático, denominado Yucca, seguindo a abordagem original para coleta temática baseada em gênero e conteúdo e integrando as melhorias mencionadas, para que possa ser utilizada por distintos usuários de uma forma simples e robusta. Para validar o Yucca, experimentos foram realizados envolvendo a coleta de páginas da Web referentes a três tópicos de interesse distintos e atuais. De uma forma geral, o Yucca apresentou-se como um coletor temático eficaz, já que os níveis de precisão alcançados, pelos processos de coleta realizados, foram bem satisfatórios, chegando a ser superiores a 73% ao considerar 10 páginas retornadas como relevantes pelo coletor.