|
|
 |
|
MINERIA DE LA WEB
Profesorado
| Coordinador: Anselmo Peñas Padilla
(Dpto. Lenguajes y Sistemas Informáticos, UNED) |
| Profesores: |
| Fernando López Ostenero (Dpto. Lenguajes y Sistemas Informáticos, UNED) |
|
|
|
|
Ficha técnica:
| Tipo | Optativa |
|
| Cuatrimestre | Primero |
| Créditos/horas totales | 6/150 |
| Horas de estudio teórico | 105 |
| Horas de prácticas | 40 |
| Horas complementarias | 50 |
DESCRIPCIÓN DE LA ASIGNATURA
Prerrequisitos recomendables
Lectura fluida del inglés. Conexión rápida a internet.
Objetivos generales de la materia
El curso se dirige a conocer las tecnologías existentes para extraer
información de la web, tanto a partir de sus contenidos (recuperación
de información, extracción de información, creación de recursos lingüísticos,
etc.) como de su estructura y su uso. Al finalizar el curso, el alumno
deberá ser capaz de plantear la arquitectura completa de un sistema
automático de acceso y extracción de información en la web.
Destrezas y competencias
El alumno adquirirá las siguientes destrezas y competencias:
Tener una visión amplia de las áreas relacionadas con la extracción
de información en la web.
Leer artículos científicos.
Capacidad para buscar información que complete el material propuesto
inicialmente. Esta búsqueda es un entrenamiento necesario en la formación
del alumno como investigador. Con cada trabajo tendrá mayor capacidad
para encontrar y discriminar fuentes de información relevantes, requisito
para desarrollar cualquier trabajo de investigación posterior.
Capacidad de reflexión sobre el material estudiado, necesaria para
poder realizar una síntesis de calidad.
Capacidad para escribir textos con un formato de artículo científico,
tanto en lo referente a la estructuración de contenidos, como de formato
del propio artículo.
Compartir el conocimiento adquirido, aprovechando el trabajo y el
esfuerzo realizado por cada alumno.
Autoevaluar los conocimientos adquiridos por comparación del trabajo
propio con el trabajo de sus compañeros, tanto en lo relativo a contenidos,
como a estructura y redacción de los trabajos.
Contextualización de la materia en el conjunto del Master
Esta asignatura se encuadra en el módulo "ESP-LSI-1 Tecnologías
del Lenguaje en la Web" dentro de la especialidad con el
mismo nombre de la titulación de posgrado "Master en Lenguajes
y Sistemas Informáticos".
1 Medios de estudio
1.1 Metodología docente
El curso de doctorado consta de siete temas cuyo estudio se realiza
con la siguiente metodología dentro de un paradigma de construcción
de conocimiento:
Para cada tema, el alumno debe acceder al material propuesto por el
equipo docente. Este material consta de:
-Bibliografía básica común a todos los temas. Se trata de libros con
un conocimiento ya estructurado facilitando la introducción del alumno
en la materia.
-Artículos científicos. Se propone la lectura de algunos artículos
de carácter científico. Su contenido es más específico y de más difícil
lectura. A partir de ellos, el alumno conocerá la estructura y formato
que deben seguir los textos de estas características y que el tendrá
que escribir más adelante.-
-Enlaces web: enlaces que apuntan a sitios web donde encontrar nuevas
referencias bibliográficas, enlaces a sitios web con recursos y herramientas
relacionados con el tema, enlaces a otros cursos o tutoriales, etc.
A partir de este material y con la guía de un cuestionario, el alumno
debe realizar un breve resumen de 5-10 páginas sintetizando el conocimiento
que ha adquirido. La elaboración del resumen se dirige a:
-Estimular la lectura detenida del material propuesto.
-Provocar la necesidad de buscar información que complete el material
propuesto inicialmente. Esta búsqueda es un entrenamiento necesario
en la formación del alumno como investigador. Con cada trabajo tendrá
mayor capacidad para encontrar y discriminar fuentes de información
relevantes, requisito para desarrollar cualquier trabajo de investigación
posterior.
-Estimular una reflexión sobre el material estudiado, necesaria para
poder realizar una síntesis de calidad.
-Aprender a escribir textos con un formato de artículo científico,
tanto en lo referente a la estructuración de contenidos, como de formato
del propio artículo.
Tras la elaboración del resumen, el alumno debe realizar una entrega
electrónica de su resumen y de los nuevos enlaces y referencias más
importantes que ha encontrado a lo largo de su trabajo. Esta entrega
le da acceso a los materiales entregados por sus compañeros con relación
al mismo tema. De esta manera se pretende:
-Compartir el conocimiento adquirido, aprovechando el trabajo y el
esfuerzo realizado por cada alumno.
-Estimular la calidad de los materiales aportados puesto que van a
ser leídos por terceras personas.
-Servir de autoevaluación de conocimientos adquiridos por comparación
del trabajo propio con el trabajo de sus compañeros, tanto en lo relativo
a contenidos, como a estructura y redacción de los trabajos.
-Servir de material de evaluación para el equipo docente, que podrá
valorar no sólo los conocimientos adquiridos, sino también la evolución
y el progreso del alumno en la adquisición de la metodología y actitud
necesaria para un investigador.
Los últimos meses del curso se dirigen a afianzar los conocimientos
adquiridos mediante la elaboración de un trabajo final de carácter
personal. El trabajo puede ser propuesto por el propio alumno y preferiblemente
deberá tener un carácter de aplicación de los conocimientos adquiridos.
1.2 Material de estudio
Artículos (generalmente en inglés) disponibles en el sitio web de
la asignatura:
Tema 1.
-Kosala, R. and Blockeel, H. Web Mining Research: A Survey. ACM SIGKDD
Explorations, Newsletter of the Special Interest Group on Knowledge
Discovery and Data Mining. 2000.
-Chakrabarti, S. Data Mining for hypertext: a tutorial survey. ACM
SIGKDD Explorations, Newsletter of the Special Interest Group on Knowledge
Discovery and Data Mining, 2000.
-Ricardo baeza-Yates. Excavando la web. El profesional de la información.
v13, n1, 2004
-Bibliografía básica
Tema 2.
-Sergey Brin and Lawrence Page. The Anatomy of a Large-Scale Hypertextual
Web Search Engine. Computer Networks and ISDN Systems, vol. 30, 1998.
-Junghoo Cho, Hector Garcia-Molina, Lawrence Page. Efficient Crawling
Through URL Ordering. Computer Networks and ISDN Systems, vol. 30,
1998.
Mercator:
Allan Heydon and Marc Najork. Mercator: A Scalable, Extensible
Web Crawler. In Proceedings of World Wide Web, 1999, pages 219-229.
Marc Najork, Allan Heydon. High-Performance Web Crawling. SRC Research
Report, Compaq Systems Research Center, 2001 (versión ampliada del
anterior)
Brian Pinkerton. Finding what people want: Experiences with the
WebCrawler. In Proc. 1st International World Wide Web Conference,
1994.
Tema 3.
Steve Lawrence and C. Lee Giles. Searching the World Wide Web.
Science vol. 280, 1998.
Nick Craswell, David Hawking and Stephen Robertson. Effective Site
Finding using Link Anchor Information. Research and Development in
Information Retrieval, SIGIR 2001.
Dunja Mladenic. Text-Learning and Related Intelligent Agents: A
survey. IEEE Intelligent Systems, 1999
-Bibliografía básica.
Ricardo Baeza-Yates and Berthier Ribeiro-Neto. Modern Information
retrieval. ACM Press. Addison Wesley, 1999
Tema 4.
-Marti A. Hearst. Untangling Text Data Mining. Proceedings of ACL'99:
the 37th Annual Meeting of the Association for Computational Linguistics,
University of Maryland, June 20-26, 1999 (invited paper).
-Turmo, Jordi. Information Extraction, Multilinguality and Portability.
Revista Iberoamericana de Inteligencia Artificial, N.22, vol. 5, Invierno
2003.
-Peñas, A., Verdejo, F. and Gonzalo, J. Terminology Retrieval: towards
a synergy between thesaurus and free-text searching. In F.J. Garijo,
J.C. Riquelme and M. Toro editors, Advances in Artificial Intelligence
- IBERAMIA 2002, LNAI 2527, Lecture Notes in Computer Science. Springer-Verlag,
2002.
Tema 5.
-R. Cooley, B. Mobasher, and J. Srivastava. Web mining and Pattern
Discovery on the World Wide Web. Proceedings of the 9th IEEE International
Conference on Tools with Artificial Intelligence, ICTAI, 1997
-J. Srivastava, R. Cooley, M. Deshpande, P. Tan. Web Usage Mining:
Discovery and Applications of Usage Patterns from Web Data, SIGKDD
Explorations, 2000
-B. Mobasher. Web Usage Mining and Personalization. Chapter in Practical
Handbook of Internet Computing, Munindar P. Singh (ed.), CRC Press,
2004
-Mike Perkowitz and Oren Etzioni. Adaptive Web Sites: an AI Challenge,
IJCAI, 1997
-Thorsten Joachims, Dayne Freitag and Tom M. Mitchell.Web Watcher:
A Tour Guide for the World Wide Web, IJCAI, 1997
Tema 6.
-Soumen Chakrabarti et al. Mining the Link Structure of the World
Wide Web. Computer, volume 32, n.8, pp. 60-67, 1999.
-Ravi Kumar et al. The Web as a Graph. Proc. 19th ACM SIGACT-SIGMOD-AIGART
Symp. Principles of Database Systems, PODS, ACM Press, 2000.
Broder et al. Graph Structure in the web. Proc.WWW9, 2000
Tema 7.
-M. Levene and A. Poulovassilis. Web Dynamics. Software Focus, 2,
(2001), 60-67.
-Ricardo Baeza-Yates, Bárbara J. Poblete y Felipe Saint-Jean. Evolución
de la Web Chilena. Centro de Investigación de la Web, 2003.
-Edward T. O'Neill, Brian F. Lavoie, Rick Bennett. Trends in the
Evolution of the Public Web (1998 - 2002). D-Lib Magazine,Volume 9
Number 4, April 2003.
Broder et al. Graph Structure in the web. Proc.WWW9, 2000.
1.3 Materiales y recursos de apoyo
La plataforma de e-Learning Alf, proporcionará interfaz de interacción
entre el alumno y sus profesores. aLF es una plataforma de e-Learning
y colaboración que permite impartir y recibir formación, gestionar
y compartir documentos, crear y participar en comunidades temáticas,
así como realizar proyectos online.
1.4 BIbliografia general de consulta
Mining the World Wide Web: An Information Search Approach
G. Chang, M.J. Healey, J.A.M. McHugh, J.T.L Wang
Kluwer Academic Publishers, 2001
Mining the web: discovering knowledge from hypertext data
Soumen Chakrabarti
Morgan Kaufmann, 2002
Web Content Mining with Java
T. Loton
John Wiley & Sons; 2002
Programming Spiders, Bots, and Aggregators in Java
J. Heaton
Sybex; Book and CD-ROM edition, 2002
Internet Agents
F.C. Cheong
New Riders publishing, Indianapolis, Indiana, 1996
1.5 Tutorización
La tutorización de los alumnos se llevará a cabo a través de la plataforma
de e-Learning Alf y del correo electrónico anselmo@lsi.uned.es
2 Estructura del curso
2.1 Estructura y contenido teórico
Tema 1. Introducción
Problemas que surgen al interactuar con la web. Breve definición de
Minería de la web y de Crawling, Búsqueda en web, Minería de contenido
de la web (minería de texto), Minería de uso de la web, Minería de
estructura de la web, Dinámica de la web.
Tema 2. Crawling, filtrado e indexación
Qué es un crawler. Problemas que intenta resolver un crawler. Problemas
con los que se encuentra un crawler (técnicos, legales, etc.) Etapas
del crawling. Otras áreas de investigación relacionadas con el Crawling.
Tema 3. Consulta y búsqueda en web
Características propias de la web que afectan a la búsqueda. Tipos
de información a considerar en la búsqueda en web (Contenido textual,
Información en los enlaces, Estructura de enlace entre páginas, etc.).
Proceso de indexación de la información en web. Interfaces, browsing
y visualización de la búsqueda. Metabúsqueda. Agentes web.
Tema 4. Minería de textos
Qué es un corpus. Creación de corpus. Posibles usos y utilidad de
un corpus. Creación de corpus a partir de la web. Ejemplos de algunos
corpus y su finalidad. Extracción de Información textual (Automatic
Information Extraction). Arquitectura de un sistema de EI. Extracción
de terminología (Automatic Terminology Extraction). Extracción de
terminología a partir de la web. Problemática asociada al lenguaje
natural. Similitud, clasificación, clustering.
Tema 5. Minería de uso de la web
Definición y objetivos de minería de uso de la web. Etapas de procesamiento
(Preprocesamiento, Inferencia de patrones, Análisis de patrones).
Herramientas existentes. Técnicas de aprendizaje aplicadas a minería
de uso. Sitios web adaptativos.
Tema 6. Minería de estructura de la web
Definición y objetivos de la minería de estructura de la web. Definición,
modelado y uso de las nociones de Autoridad (authoritative page),
prestigio, Centralidad y Co-cita. Ranking de páginas web basado en
enlaces: PageRank y HITS. Análisis de comunidades en la web. Otras
aplicaciones de la minería de estructura.
Tema 7. Dinámica de la web
Definición y objetivos del estudio de la dinámica de la web. Características
de la web susceptibles de estudio. Ley de Zipf, "power laws"
en la web. Tamaño y tendencia de crecimiento de la web. Web pública
y web oculta. Idiomas en la web. Dominios en la web. Estudios sobre
la web española.
2.2 Objetivos por tema y orientaciones breves
Tema 1. Introducción
Objetivos:
O.1.1 Determinar los problemas que surgen al interactuar
con la web.
O.1.2 Definir Minería de la web
O.1.3 Definir Crawling
O.1.4 Definir Búsqueda en web
O.1.5 Definir Minería de contenido de la web (minería de
texto)
O.1.6 Definir Minería de uso de la web
O.1.7 Definir Minería de estructura de la web
O.1.8 Definir Dinámica de la web.
Orientaciones:
El alumno deberá leer una serie de artículos y completar un resumen.
Tema 2. Crawling, filtrado e indexación
Objetivos:
O.2.1 Comprender la funcionalidad de un crawler.
O.2.2 Acotar los problemas que intenta resolver un crawler.
O.2.3 Determinar los problemas con los que se encuentra un
crawler (técnicos, legales, etc.)
O.2.4 Establecer las etapas del crawling.
O.2.5 Identificar otras áreas de investigación relacionadas
con el Crawling.
Orientaciones:
El alumno deberá leer una serie de artículos y completar un resumen.
Tema 3. Consulta y búsqueda en web
Objetivos:
O.3.1 Determinar las características propias de la web que
afectan a la búsqueda.
O.3.2 Caracterizar los tipos de información a considerar
en la búsqueda en web (Contenido textual, Información en los enlaces,
Estructura de enlace entre páginas, etc.).
O.3.3 Comprender el proceso de indexación de la información
en web.
O.3.4 Estudiar interfaces de exploración y visualización
de la búsqueda.
O.3.5 Definir Metabúsqueda y Agentes web.
Orientaciones:
El alumno deberá leer una serie de artículos y completar un resumen.
Tema 4. Minería de textos
Objetivos:
O.4.1 Definir corpus.
O.4.2 Comprender cómo se puede crear y usar un corpus a partir
de la web.
O.4.3 Definir Extracción de Información textual.
O.4.4 Conocer la arquitectura de un sistema de Extracción
de Información.
O.4.5 Definir Extracción de terminología.
O.4.6 Conocer alguna metodología de extracción de terminología
a partir de la web.
O.4.7 Identificar la problemática asociada al lenguaje natural.
Orientaciones:
El alumno deberá leer una serie de artículos y completar un resumen.
Tema 5. Minería de uso de la web
Objetivos:
O.5.1 Definir y establecer los objetivos de minería de uso
de la web.
O.5.2 Determinar las etapas de procesamiento (Preprocesamiento,
Inferencia de patrones, Análisis de patrones).
O.5.3 Conocer algunas herramientas existentes.
O.5.4 Identificar técnicas de aprendizaje aplicadas a minería
de uso.
O.5.5 Saber qué son los sitios web adaptativos.
Orientaciones:
El alumno deberá leer una serie de artículos y completar un resumen.
Tema 6. Minería de estructura de la web
Objetivos:
O.6.1 Definir y establecer los objetivos de la minería de
estructura de la web.
O.6.2 Definir y modelar las nociones de Autoridad (authoritative
page), prestigio, Centralidad y Co-cita.
O.6.3 Conocer cómo se realiza el ranking de páginas web basado
en enlaces: PageRank y HITS.
O.6.4 Estudiar cómo se realiza el análisis de comunidades
en la web.
Orientaciones:
El alumno deberá leer una serie de artículos y completar un resumen.
Tema 7. Dinámica de la web
Objetivos:
O.7.1 Definir y establecer los objetivos del estudio de la
dinámica de la web.
O.7.2 Determinar las características de la web susceptibles
de estudio.
O.7.3 Estudiar la Ley de Zipf, "power laws"
en la web así como sus aplicaciones.
O.7.4 Comprender cómo se determina el tamaño y tendencia
de crecimiento de la web.
O.7.5 Comparar las web pública y web oculta.
O.7.6 Comprender cómo se determina la presencia de un idioma
en la web.
O.7.7 Conocer estudios sobre la web española.
Orientaciones:
El alumno deberá leer una serie de artículos y completar un resumen.
3 Actividades y plan de trabajo
3.1 Actividades prácticas programadas
Definición, implementación y redacción de una memoria correspondiente
a un trabajo práctico de carácter individual que se definirá con los
porfesores de la asignatura de acuerdo a los intereses del alumno
y sobre la base de los conocimientos adquiridos en los temas teóricos.
3.2 Otras actividades prácticas programadas
Se irán anunciando de forma dinámica en el entorno virtual.
3.3 Plan de trabajo
Tema 1. Introducción. 15 horas. Plazo para realizar
las lecturas y entregar el resúmen: Primera quincena de diciembre.
Tema 2. Crawling, filtrado e indexación. 15 horas. Plazo para realizar
las lecturas y entregar el resúmen: Segunda quincena de diciembre.
Tema 3. Consulta y búsqueda en web. 15 horas. Plazo para realizar
las lecturas y entregar el resúmen: Primera quincena de enero.
Tema 4. Minería de textos. 15 horas. Plazo para realizar las lecturas
y entregar el resúmen: Segunda quincena de enero.
Tema 5. Minería de uso de la web. Plazo para realizar las lecturas
y entregar el resúmen: Primera quincena de febrero.
Tema 6. Minería de estructura de la web. 15 horas. Plazo para realizar
las lecturas y entregar el resúmen: Segunda quincena de febrero.
Tema 7. Dinámica de la web. 15 horas. Plazo para realizar las lecturas
y entregar el resúmen: Primera quincena de marzo.
Trabajo Práctico. 45 horas. Plazo para realizar el trabajo y entregar
la memoria: Segunda quincena de marzo y mes de abril.
4 Evaluación
La evaluación se realizará a partir de los resúmenes entregados en
cada tema teórico y del proyecto de final de asignatura.
Reseña del profesorado
PEÑAS PADILLA, ANSELMO
e-mail: anselmo@lsi.uned.es
web personal:http://nlp.uned.es/~anselmo
LÓPEZ OSTENERO, FERNANDO
e-mail: flopez@lsi.uned.es
web personal:http://nlp.uned.es/~ostenero
| |
|
|
