Análise Tópica de Links para busca na Web Lucas Augusto Scotta Merlo

Seminário de Recuperação da Informação2 Agenda Introdução Web Método Tradicional de Ranking PageRank Melhoramento dos métodos de ranking Topical PageRank Implementação e Resultados Comparação Conclusão

Seminário de Recuperação da Informação3 Introdução Usuário necessita informação. Solução: Máquinas de busca. Ranking de páginas. Muitos dados na Web Desafios novos para a recuperar a informação. Web Mundial: + 10 bilhões de páginas.(2006) Brasil: + de 4 milhões de páginas registradas no domínio.br (2004) Padrão da Web auxilia: estrutura de links.

Seminário de Recuperação da Informação4 Métodos Tradicionais de Ranking PageRank Desenvolvido pelos fundadores do Google em 1998 para prover um ranking nos resultados da busca. Baseado na estrutura de links da Web. Toda página tem um número de links de saída e links de entrada. Algoritmo de análise de ligação que atribui uma pesagem numérica a cada página da Web, com o propósito de "medir" sua importância relativa dentro deste conjunto.

Seminário de Recuperação da Informação5 PageRank Uma página X tem um alto ranking se: - Tenha muitos links de entrada; - Tenha links de entrada com ranking alto; A BC )

Seminário de Recuperação da Informação6 Melhoramento dos modelos de ranking Incorporar distribuição tópica na representação de cada página da Web como também a contagem de importância de cada página. Vetor content Cu:[C(u1),C(u2),..., C(uT)] Distribuição de probabilidade que representa o conteúdo de u, na qual cada componente representa a contribuição relativa de cada tópico dentro do conteúdo de u para o conteúdo de u como um todo. Este vetor é estático e somente determinado pelo conteúdo.

Seminário de Recuperação da Informação7 Melhoramento dos modelos de ranking Vetor de autoridade Au:[A(u1),A(u2),..., A(uT)]: atribui para cada página u um vetor para medir sua importância, onde A(uk) denota página u's importantes para contagem do tópico k.

Seminário de Recuperação da Informação8 Topical PageRank Assume além da analise de links de entrada e saída proposto pelo PageRank a análise de transições para se chegar a uma página desejada(probabilidades condicionais). 1ª) follow-stay 2ª) follow-jump 3ª) jump-jump

Seminário de Recuperação da Informação9 Topical PageRank Depois que a propagação converge, cada componente A(ui) no vetor de autoridade Au:[A(u1),A(u2),..., A(uT)] é a contagem de autoridade de página u em tópico i. A(u) é o contagem global de autoridade. Pode-se dizer então que a distribuição de autoridade de uma página não só depende de seu conteúdo, mas também das heranças de suas páginas de transições.

Seminário de Recuperação da Informação10 Implementação e Resultados Utiliza-se grafos. ( Nó = página e Aresta = Link ) C/C++. Base arquivo grafo.txt. Principais Funções Insere, busca_link, PageRank e TopicalPageRank. Insere: recebe como parâmetro um ponteiro do tipo da estrutura da lista ligada e um inteiro. Nesta função se aloca a lista ligada na memória. Os dados são inseridos pelo início e ela retorna a lista atualizada. Busca_link: é passada a lista já atualizada e um vetor vazio para se armazenar os links (entrada ou saída) do nó X. Foi criado vetores adicionais (links_entradas) e (links_saidas) para armazenarem a lista de nós de entra e saída respectivamente para cada Nó, alocando este vetor lista na memória.

Seminário de Recuperação da Informação11 Implementação e Resultados Função PageRank, que é calculada conforme: PR(A) é o PageRank da página A, PR(Ti) é o PageRank de páginas Ti que tem um link para a página A, C(Ti) é o número de links de saída em uma página Ti e d é um fator damping (que afeta) 0,85 PR(A) = (1-d) + d (PR(T1)/C(T1) PR(Tn)/C(Tn))

Seminário de Recuperação da Informação12 Implementação e Resultados Função Topical PageRank, que é calculada conforme: ui-> Nó vi -> Nó alpha=0.85; d=0.15; A(v) = 1 / N A(vi) = A(v) / N A Autoridade do Nó (ui) = (1 –d) * Somatório das Páginas V que tem entrada para U ( (alpha * Autoridade A(vi) + ( 1 - alpha ) * o PR do Nó (vi) * Autoridade de ( v)) / Número de Links de saída de v ) + d/N * o PR do Nó (ui)

Seminário de Recuperação da Informação13 Implementação e Resultados Lista simplesmente ligada insere(&links_saidas[num_vertice_origem]->prox,num_vertice_destino); insere(&links_entradas[num_vertice_destino]->prox,num_vertice_origem);

Seminário de Recuperação da Informação14 Telas

Seminário de Recuperação da Informação15

Seminário de Recuperação da Informação16 Comparação Artigo base: Análise de Páginas. TREC.GOV consultas diferentes. Classificador ingênuo de Bayes para gerar Cu:[ ] Melhoria proposta funciona muito bem. Melhor performance que PageRank. Artigo desenvolvido: Análise em grafo. Nó = página e Aresta = Link 10 grafos para testes. Melhor eficiência que PageRank por fazer uma análise global dos dados com o auxilio do vetor content = PR(c) e da Autoridade medida de cada página, e analisando as transições para se chegar a uma página desejada. Diferencia melhor os resultado

Seminário de Recuperação da Informação17 Conclusão A melhoria de PageRank (Topical PageRank) demonstrou que mesmo com o avanço que o Google trouxe em 1998 com seu método de ranking para páginas da Web, existem outras formas eficazes para chegar ao melhor resultado como combinar a distribuição de tópicos e estrutura de links. Incorporarou-se este modelo tópico dentro de PageRank sem afetar a contagem da autoridade global, e ainda prover uma distribuição da autoridade entre tópicos.

Seminário de Recuperação da Informação18 Referências Brin, S., Page, L. (1998) The anatomy of a large-scale hypertextual Web search engine, Em: Proc. of the 7th Intl World Wide Web Conf., pages 107–117, Brisbane,Australia. Zaiane, Osmar R.. (2000) WEB Mining: Concepts, Practices and Research. Em: Simpósio Brasileiro de Banco de Dados, Tutorial, XV SBBD, 2000, João Pessoa.Anais João Pessoa: SBBD, p Nie, L., Davison B., Qi, X.,( 2006) Topical Link Analysis for Web Search. Em Proceedings of the 29th Annual International ACM SIGIR Conference on Research & Development on Information Retrieval, Seattle, WA. p Mean Average Precision – Disponível em.Acessad o em 25 de julho de Jones, K S., Wesley, S., Robertson, S.E. (1998) A probabilistic model of information retrieval : development and comparative experiments Em: Information Processing and Management. S. Buttcher, C.L.A. Clarke. (2005)Efficiency vs. Effectiveness in Terabyte-Scale Information Retrieval. Em: The Fourteenth Text REtrieval Conference (TREC 2005) Proceedings. University of Waterloo. Rainbow: text classification tool. – Disponível em.Acessado em 25 de julho de 2007.

Seminário de Recuperação da Informação19 Obrigado!!!