Técnicas para extrair informação útil da Internet

Este livro aborda a extração de dados da Web - ou seja, de bases de dados online - através da utilização de anotações. As bases de dados são acessíveis na Web através de uma interface baseada em formulários HTML. Quando se introduz uma consulta no motor de busca, é possível extrair conhecimento. Páginas de resultados devolvidas pelas bases de dados online. Uma base de dados online possui vários registos de resultados de pesquisa. As etiquetas semânticas das unidades de dados não são apresentadas nas páginas de resultados. Dispor de etiquetas semânticas para as unidades de dados não é importante apenas para a tarefa de ligação de registos acima referida, mas também para armazenar os SRRs recolhidos numa tabela da base de dados. As primeiras aplicações exigiam esforço humano para anotar manualmente as unidades de dados. Isto apresenta uma escalabilidade limitada. Neste artigo, analisamos como atribuir automaticamente rótulos às unidades de dados dentro dos SRRs devolvidos pelas bases de dados da Web (WDBs) e melhorar os resultados utilizando métodos de agrupamento, nomeadamente o BIRCH e o ROCK. Primeiro, alinham-se as unidades de dados numa página de resultados em diferentes grupos, de modo a que os dados do mesmo grupo partilhem a mesma semântica. Através da utilização do Annotation wrapper, é possível extrair conhecimento das bases de dados da Web.