|
|
 |
|
MOTORES DE BÚSQUEDA WEB
Profesorado
| Coordinador: Julio Gonzalo Arroyo |
| (Dpto. Lenguajes y Sistemas Informáticos, UNED) |
| Profesores: |
| Anselmo Peñas Padilla |
| (Dpto. Lenguajes y Sistemas Informáticos, UNED) |
|
|
Ficha técnica:
| Tipo | Optativa |
|
| Cuatrimestre | Primero |
| Créditos/horas totales | 6/150 |
| Horas de estudio teórico | 100 |
| Horas de prácticas | 50 |
| Horas complementarias | 0 |
DESCRIPCIÓN DE LA ASIGNATURA
Prerrequisitos recomendables
Lectura fluida del inglés y conexión a Internet.
Objetivos generales de la materia
En este curso se estudian los aspectos esenciales para la recuperación
de información en la Web: desde la naturaleza del problema (topología
de la Web y características de los usuarios) hasta los retos tecnológicos
planteados en la nueva generación de buscadores, pasando por los sistemas
clásicos de recuperación de información, la arquitectura básica de
un buscador Web, y los sistemas de recuperación basados en notoriedad,
de los que Google es el ejemplo canónico.
Al finalizar el curso, el alumno debe ser capaz de plantear la arquitectura
completa de un buscador Web, y debe ser capaz de diagnosticar las
limitaciones de los sistemas actuales y proponer soluciones novedosas
para superarlas.
Destrezas y competencias
El alumno adquirirá las siguientes destrezas y competencias:
Debe tener una visión de conjunto de las tecnologías relacionadas
con la búsqueda Web, comprendiendo su evolución temporal y los retos
de investigación que se plantean en la actualidad.
Debe ser capaz de realizar una lectura crítica de artículos científicos
sobre el tema, de localizar y discriminar información bibliográfica
relevante, y de sintetizar información de distintas fuentes.
Debe ser capaz de redactar con rigor científico y de comunicar y debatir
con pares (en este caso, sus compañeros) sus análisis y opiniones
en torno a los temas de la asignatura.
Debe ser capaz de diagnosticar las limitaciones del campo de investigación
en motores de búsqueda Web y apuntar caminos para superarlas.
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". Dentro de esta especialidad, "Motores
de búsqueda Web" aporta los fundamentos sobre los que aplicar tecnologías
de procesamiento de textos más sofisticadas a gran escala.
1 MEDIOS DE ESTUDIO
1.1 Metodología docente
La general del programa de posgrado. En particular, el alumno realiza
dos tipos de actividades en esta asignatura: las relacionadas con
la consulta bibliográfica y las de implementación y experimentación.
Las primeras son comunes a todos los alumnos y están fijadas dentro
del material de estudio correspondiente a cada tema. En una segunda
parte de la asignatura, cada alumno realiza un trabajo individual
sobre un tema acordado con el equipo docente. Todo el material de
estudio está disponible en el entorno virtual del posgrado, y toda
la interacción entre profesores y alumnos se puede llevar a cabo en
este entorno.
1.2 Material de estudio
Todo el material de estudio estará disponible para los alumnos en
el entorno virtual de la asignatura. Consiste en material introductorio
(preparado por el equipo docente), artículos científicos (generalmente
en inglés) y tareas prácticas (ver sección 1.10, "actividades
prácticas programadas") para cada tema. La bibliografía fundamental
se recoge en el punto 1.15.
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
Básica:
Arvind Arasu, Junghoo Cho, Hector García-Molina, Andreas Paepcke and
Sriram Raghavan. Searching the Web. ACM Transactions on Internet Technology,
vol. 1, n. 1, August 2001, pages 2-43.
Tema 1. Características de la búsqueda de información en
la WWW
Sobre estructura de la WWW:
- Kleinberg, JM. Hubs, authorities, and communities, ACM computing
surveys 1999.
http://www.cs.brown.edu/memex/ACMCSHT/10/10.html
- A Borodin, GO Roberts, JS Rosenthal, P. Tsaparas. Finding authorities
and hubs from link structures on the World Wide Web. Proc. WWW 2001.
http://www10.org/cdrom/papers/314/
Sobre tipología de búsquedas web:
- Rose, D. y Levinson, D. Understanding User Goals in Web Search.
WWW 2004.
http://wwwconf.ecs.soton.ac.uk/archive/00000537/01/p13-rose.pdf
Sobre navegación versus consulta:
- Marti A. Hearst. Next Generation Web Search: Setting Our Sites In
IEEE Data Engineering Bulletin, 2002.
http://www.sims.berkeley.edu/hearst/papers/data-engineering
- A. Peñas, F. Verdejo, J. Gonzalo, 2002. Terminology Retrieval: towards
a synergy between thesaurus and free text searching. Advances in Artificial
Intelligence - IBERAMIA 2002, LNAI 2527.
http://nlp.uned.es/pergamus/pubs/iberamia2002.pdf
Tema 2. Arquitectura básica de un motor de búsqueda.
Sobre crawling:
- J Cho, H Garcia-Molina, L Page. Efficient Crawling Through URL Ordering,
WWW 1998.
- Allan Heydon and Marc Najork. Mercator: A Scalable, Extensible Web
Crawler. In Proceedings of World Wide Web Conference, 1999, pages
219-229.
Sobre soporte hardware:
- L. A. Barroso, J. Dean, U. Hoelzle. Web search for a planet: the
Google cluster architecture. IEEE 2003.
Tema 3. Motores de búsqueda pre-Google: recuperación basada
en contenidos.
- D Hiemstra. Using Language Models for Information Retrieval. CTIT
Ph.D. Thesis, 2001.
- G Salton, A Wong, CS Yang. A Vector Space Model for Automatic Indexing.
Comm. ACM, 1975.
- N Fuhr. Probabilistic Models in Information Retrieval. The Computer
Journal, 1992.
Tema 4. Motores de búsqueda actuales (generalistas): recuperación
basada en autoridad.
Referencias:
- M Hollander. Google's PageRank Algorithm to Better Internet Searching.
TR UMN.
- Brin, S. y Page, L. The Anatomy of a Large-Scale Hypertextual Web
Search Engine. WWW 1998.
- CHQ Ding, X He, P Husbands, H Zha, HD Simon. PageRank, HITS and
a unified framework for link analysis. SIGIR 2002.
TH Haveliwala. Topic-Sensitive PageRank: A Context-Sensitive Ranking
Algorithm for Web Search. IEEE T. on Knowledge and data engineering,
2003.
Tema 5. Temas avanzados.
- Guha, R. y Garg, A. Disambiguating People in Search. Proc. WWW 2004.
- S Lawrence, NJ Princeton. Context in Web Search, IEEE data engineering
bulletin, 2000.
J Sivic, A Zisserman. Video google: A text retrieval approach to object
matching in videos, ICCV 2003.
- SK Bhavnani, CK Bichakjian, TM Johnson, RJ Little. Strategy Hubs:
Next-Generation Domain Portals with Search Procedures. Proc. ACM Conference
on Human Factors in Computing Systems, 2003, ACM Press NY, USA.
- T Berners-Lee, J Hendler, O Lassila. The semantic Web. Scientific
American, 2001.
- J Heflin, J Hendler. A Portrait of the Semantic Web in Action. IEEE
Intelligent Systems, 2001.
- S Eissen, B Stein. Analysis of Clustering Algorithms for Web-Based
Search. Springer-Verlag, 2002.
- J. Cigarrán, A. Peñas, J. Gonzalo, F. Verdejo, 2005. Automatic selection
of noun phrases as document descriptors in an FCA-based Information
Retrieval system. ICFCA 2005. Springer LNCS 3403.
Search Engines: Technology, Society, and Business. Materiales online
del curso:
http://www.sims.berkeley.edu/courses/is141/f05/schedule.html
1.5 Tutorización
La tutorización de los alumnos se llevará a cabo a través de la plataforma
de e-Learning del posgrado en Inteligencia Artificial y Sistemas Informáticos.
2 ESTRUCTURA DEL CURSO
2.1 Estructura y contenido teórico
1. Características de la búsqueda de información en
la WWW
- Topología de la WWW: Hubs, autoridades, islas, Internet Invisible,
etc.
- Necesidades de información y búsquedas web: perfil de usuarios.
- Formas básicas de búsqueda: navegación y consulta. Directorios web
versus motores de búsqueda.
2. Arquitectura básica de un motor de búsqueda.
- Crawling, Indexación, Procesado de la consulta, Recuperación,
Presentación de resultados.
- Arquitectura hardware/software.
3. Motores de búsqueda pre-Google: recuperación basada
en contenidos.
- Modelos tradicionales de recuperación de información (modelo booleano,
modelo de espacio vectorial, modelos probabilísticos).
- Limitaciones de los modelos RI en la web: pertinencia versus autoridad,
vulnerabilidad a la manipulación externa (spamdexing).
4. Motores de búsqueda actuales (generalistas): recuperación
basada en autoridad.
- Autoridad absoluta: Algoritmos PageRank y HITS.
- Autoridad relativa a un tema/consulta: Hilltop, Topic Distillation.
- El motor de búsqueda Google: evolución de Pagerank (historia de
URLs y enlaces, análisis de patentes de Google, Local Rank, Google
Sandbox, etc), sistemas de publicidad contextual (adwords, adsense),
vulnerabilidad.
- Otros motores de búsqueda generalistas.
2.2 Objetivos por tema y orientaciones breves
1. Características de la búsqueda de información en la WWW
Objetivos:
El objetivo principal del tema es que el alumno comprenda cuál es
la funcionalidad de un sistema de búsqueda en la Web. Se puede dividir
en subobjetivos de esta manera:
O.1.1 Comprender la estructura y naturaleza de la Web, y
la importancia de los sistemas de búsqueda de información en este
medio.
O.1.2 Conocer las necesidades típicas que se resuelven mediante
buscadores Web.
O.1.3 Conocer los mecanismos básicos que utilizan los usuarios
al buscar información en la Web.
2. Arquitectura básica de un motor de búsqueda.
Objetivos:
En este tema, el alumno debe familiarizarse con los componentes básicos
de cualquier motor de búsqueda, y comprender cuáles son las implicaciones
de manejar un volumen de datos inmenso para obtener respuestas en
fracciones de segundo. Este objetivo se puede dividir en:
O.2.1 Conocer y comprender la funcionalidad de los componentes
básicos de un motor de búsqueda.
O.2.2. Conocer y comprender la arquitectura típica hardware/software
que soporta esa funcionalidad, y los problemas derivados de la escala
a la que trabaja un buscador Web.
3. Motores de búsqueda pre-Google: recuperación basada en contenidos.
Objetivos:
Conocer el corpus teórico conocido como "Information Retrieval"
(recuperación de información), cómo se ha utilizado en los motores
de búsqueda Web, y qué limitaciones tiene en un entorno Web. Se puede
dividir en:
O.3.1. Conocer los modelos tradicionales de recuperación
de información.
O.3.2. Saber cómo se han aplicado a la búsqueda web, qué
limitaciones tienen, y qué otras aplicaciones de estos modelos son
factibles en la Web (como, por ejemplo, la inserción de publicidad
contextual).
4. Motores de búsqueda actuales (generalistas): recuperación basada
en autoridad.
Objetivos:
Conocer los principios teóricos y prácticos sobre los que se fundamentan
los motores de búsqueda Web actuales, en particular:
O.4.1 Conocer y ser capaz de comparar los algoritmos más
relevantes para calcular la autoridad de una página Web a partir de
la estructura de hipervínculos de la Web (PageRank, HITS).
O.4.2 Conocer sus limitaciones, las variantes propuestas,
y ser capaz de realizar análisis críticos sobre esas propuestas alternativas.
O.4.3 Conocer cómo se aplica lo anterior a los principales
buscadores (Google, Yahoo, MSN, Ask), y en particular sobre Google.
5. Temas avanzados.
Objetivos:
En este tema se estudian las tendencias de la nueva generación de
motores de búsqueda, con el objetivo de que el alumno sea capaz de
diagnosticar los retos técnicos por resolver y proponer soluciones
relativamente novedosas:
O.5.1. Conocer las corrientes de investigación más recientes
en el campo de los buscadores Web.
O.5.2. Tener una panorámica de los nuevos servicios relacionados
con la búsqueda en la Web.
O.5.3. Ser capaz de proponer temas relevantes sobre los que
realizar el trabajo individual de la asignatura.
3 Actividades y plan de trabajo
3.1 Actividades prácticas programadas
Las tareas que se asignan en esta asignatura tienen tanto que ver
con la asimilación de los conocimientos propios de la materia, como
con el desarrollo de la capacidad para investigar.
Algunos de los tipos de tareas que se proponen son:
-Lectura y análisis de un artículo de investigación, contestando a
preguntas como: ¿Se trata de un artículo de teoría, metodología, experimentación
o aplicación? ¿Cuáles son sus aportaciones originales? ¿Cuáles son
los argumentos/resultados esenciales que conducen a sus conclusiones?
-Evaluación simulada de un artículo, calificando de forma razonada
su originalidad, su impacto potencial en el área, la pertinencia y
completitud de las referencias bibliográficas, la calidad del trabajo
(argumentos, metodología, diseño experimental, etc., la calidad de
la presentación (organización, claridad expositiva, etc.). Discusión
en grupo (tres alumnos) para alcanzar una única evaluación consensuada,
estableciendo una figura de meta-revisor encargado de coordinar la
discusión y redactar la evaluación final.
-Estudio del impacto de un artículo: ¿Cuáles son los aspectos del
artículo por los que es referenciado? ¿Coinciden con los aspectos
sobre los que los autores habían hecho énfasis, o son aspectos inicialmente
marginales? ¿Se ha hecho algún avance sustancial respecto a las conclusiones
del artículo? ¿Se han refutado las conclusiones del artículo, se han
corroborado, se ha profundizado en ellas, se han propuesto vías alternativas?
-Actualización de un artículo de revisión del estado del arte, sintetizando
los avances más significativos posteriores a la publicación de la
revisión inicial.
Propuesta de "lecturas recomendadas" para un tema,
consensuando una lista razonada a partir del debate entre todos los
alumnos de la asignatura.
-Evaluación comparada de servicios de búsqueda Web alternativos, utilizando
tanto la revisión bibliográfica como la experimentación directa.
-Diseño e implementación de un servicio de búsqueda Web con algún
componente novedoso, partiendo de herramientas de código abierto (como
Lucene) o servicios Web (como las API de Google, Yahoo, etc).
3.2 Otras actividades prácticas programadas
Se irán anunciando de forma dinámica en el entorno virtual.
3.3 Plan de trabajo
-Tema 1 (15 horas) Semanas 1-3. Estudio de materiales de referencia
y ejercicios relacionados con la consulta bibliográfica.
-Tema 2 (15 horas) Semanas 4-5. Estudio de materiales de referencia
y ejercicios relacionados con la consulta bibliográfica.
-Tema 3 (20 horas) Semanas 6-8. Estudio de materiales de referencia
y ejercicios relacionados con la consulta bibliográfica.
-Tema 4 (25 horas) Semanas 9-12. Estudio de materiales de referencia
y ejercicios relacionados con la consulta bibliográfica.
-Tema 5 (25 horas) Semanas 13-16. Estudio de materiales de referencia
y ejercicios relacionados con la consulta bibliográfica. Determinación
del trabajo individual en coordinación con el equipo docente.
Trabajo individual (50 horas). Semanas 16-23.
4 Evaluación
La evaluación se realizará a partir de las actividades realizadas
en cada tema y el trabajo individual de cada alumno.
Reseña del profesorado
Gonzalo Arroyo, Julio
e-mail: julio@lsi.uned.es
web personal:http://nlp.uned.es/julio
Peñas Padilla, Anselmo
e-mail: anselmo@lsi.uned.es
web personal: http://nlp.uned.es/anselmo
| |
|
|
