Yucca : coletor temático de páginas da Web baseado em gênero e conteúdo.

Abstract

Os coletores temáticos têm o propósito principal de facilitar a descoberta, organização e acesso a conteúdos relevantes na internet, agrupando informações relacionadas a um tema específico em um único lugar. Eles são utilizados de diversas maneiras, adaptando-se às necessidades e aos interesses individuais dos usuários. Nesse contexto, foi proposta em ASSIS et al. (2007), ASSIS et al. (2008) and ASSIS et al. (2009) uma abordagem de coleta temática em que o tópico de interesse do usuário pode ser expresso por meio de termos de gênero e conteúdo das páginas Web desejadas. Tal abordagem possibilita a construção de coletores temáticos eficazes, eficientes e escaláveis. Visando aperfeiçoar a eficiência e a eficácia de tal abordagem, foram propostas as seguintes melhorias: uma nova política de localização de páginas relevantes baseada em Link Context, proposto em MANGARAVITE, ASSIS e FERREIRA (2012); uma estratégia para a determinação semiautomática de páginas-semente, proposto em MANGARAVITE et al. (2014); uma estratégia para a definição automática de limites de similaridade, proposto em SIQUEIRA et al. (2016); uma estratégia de aperfeiçoamento automático dos conjuntos de termos de gênero e conteúdo, proposto em COSTA (2017); e uma estratégia para a geração semiautomática dos termos iniciais de gênero e conteúdo necessários para a realização de um processo de coleta, proposta em SILVA (2023). Dessa forma, este trabalho propõe o desenvolvimento e a validação de uma versão completa e funcional de um coletor temático, denominado Yucca, seguindo a abordagem original de coleta temática e suas melhorias citadas, além de solucionar necessidades e problemas ocorridos em implementações anteriores relativas ao Yucca, por meio de uma re- implementação do coletor original e suas melhorias, utilizando tecnologias atuais. Por meio dos processos de coleta realizados experimentalmente, considerando distintos tópicos de interesse, o Yucca apresentou-se como um coletor temático eficaz, já que os níveis de precisão alcançados, foram bem satisfatórios, chegando a ser superiores a 78% ao considerar 60 páginas retornadas como relevantes pelo coletor.