Geração semiautomática dos conjuntos iniciais de termos utilizados em processos de coleta temática de páginas da Web baseada em gênero e conteúdo.

Abstract

Os coletores temáticos apresentam o propósito maior de coletar páginas da Web que sejam relevantes a um tópico de interesse específico do usuário, sendo, com isso, importantes para uma grande variedade de aplicações. Nesse contexto, foi proposta e desenvolvida proposta em ASSIS et al.; JÚNIOR et al.(2009; 2008; 2007; 2021) uma abordagem para coleta temática em que o tópico de interesse do usuário pode ser expresso por termos que descrevem o conteúdo e o gênero das páginas da Web desejadas. Tal abordagem possibilita a construção de coletores temáticos que realizam processos de coleta eficazes, eficientes e escaláveis, caso tais termos de conteúdo e gênero, fornecidos como dados de entrada, sejam bem significativos ao tópico de interesse em questão. Durante a experimentação conduzida para validar a abordagem proposta, para cada tópico de interesse considerado, especialistas definiram os termos de gênero e conteúdo utilizados nos processos relativos de coleta. Assim, devido à importância de se definir termos significativos para a realização de processos de coleta relativos ao tópico de interesse desejado, faz-se necessário especificar os conjuntos iniciais de termos de gênero e conteúdo de uma forma mais precisa, segura e ágil. Neste contexto, este trabalho propõe desenvolver uma estratégia para a geração semiautomática dos conjuntos iniciais de termos de gênero e conteúdo a serem usados em processos de coleta temática baseada em gênero e conteúdo. Por meio de experimentos realizados, considerando a estratégia proposta e desenvolvida, foram obtidos resultados de precisão satisfatórios quanto aos termos gerados para distintos tópicos de interesse , chegando a níveis médios de precisão de 75% e 80% ao considerar 12 termos de gênero e conteúdo, respectivamente, retornados pela estratégia. No que tange às limitações dessa estratégia, é perceptível que a precisão ponderada é menor quando os documentos são inseridos no formato de URL. Isso acontece devido ao fato de que cada URL possui uma configuração específica em relação às tags HTML utilizadas em sua construção.