Upload
talib
View
31
Download
0
Embed Size (px)
DESCRIPTION
Universidade Federal de Pernambuco Centro de Artes e Comunicação Departamento de Ciência da Informação. Tópicos Especiais em TI 2. Fábio Mascarenhas e Silva [email protected] 27setembro2007. http://toti2.wordpress.com. Aula 01out2007. Assuntos de hoje - PowerPoint PPT Presentation
Citation preview
Fábio Mascarenhas e [email protected]
27setembro2007
Universidade Federal de PernambucoCentro de Artes e Comunicação
Departamento de Ciência da Informação
Tópicos Especiais em TI 2
http://toti2.wordpress.com
Assuntos de hojeInternet: algumas considerações
Aula 01out2007
“DEEP WEB” X “SURFACE WEB” (BERGMAN)A SURFACE WEB é estimada (2001) em 2,5 bilhões de páginas, a DEEP WEB, estima-se 500 vezes maior.
Internet
Aula 01out2007
FOLHA de SP (31/08/2005)
O Yahoo!anunciou que seu buscador é capaz de pesquisar em cerca de 19,2 bilhões de páginas, O índice é maior que o dos concorrentes MSN (search.msn.com.br), com 5 bilhões de páginas, e Google, com cerca de 8 bilhões de sites.
Pesquisadores da Universidade de Illinois e do NCSA, nos EUA, fizeram buscas com 10 mil termos aleatórios e concluíram que o serviço do Yahoo! apresentou apenas 37% dos resultados que o Google mostrou nas mesmas condições. Segundo o estudo (vburton.ncsa.uiuc.edu/indexsize.html), o Google retornou, em média, 202 resultados para cada termo pesquisado, enquanto o Yahoo! retornou apenas 132.
Aula 01out2007
FOLHA de SP (31/08/2005)
“Especialistas afirmam que a área de pesquisas do
Google é restrita a aproximadamente 1% do total de
arquivos da rede.
No total, de acordo com números da empresa
Connotate Tecnologies (www.connotate.com), existem
cerca de 600 bilhões de arquivos na rede, mas o Google
acessa apenas cerca de 8 bilhões."
Aula 01out2007
COMO BUSCAR INFORMAÇÕES NA
WEB??
Aula 01out2007
TIPOS DE MECANISMOS
•Diretório
•Metasearch
•Índice
Aula 01out2007
DIRETÓRIO
• Organizados hierarquicamente.
• A busca e organização das informações era feita comumente por seres humanos e somente a home page de um site é indexada.
• A informação é dividida em categorias. Ex: encontramos UFPE em Educação > Universidade e Ensino Superior > Brasil > Pernambuco
• Vantagem : probabilidade reduzida dos resultados estarem fora do contexto.
Aula 01out2007
DIRETÓRIOS
• Google http://www.google.com.br/dirhp?hl=pt-BR
• ODIR http://www.odir.com.br/
Aula 01out2007
METASEARCH
• Não possuem índices próprios
• Submetem as perguntas formuladas a vários indexadores da Web, coletam os resultados obtidos, fazem uma formatação, eliminando resultados duplicados e geram uma listagem final. • Adotam um mínimo denominador comum na forma como as pesquisas são submetidas.
Aula 01out2007
METASEARCH
Dogpile (http://www.dogpile.com) Metacrawler (http://www.metacrawler.com) Buscapé (http://www.buscape.com.br)
Aula 01out2007
ÍNDICE
Spiders / Robôs varrem a internet buscando páginas, indexando-as e criando seu próprio banco de dados.
Algoritmos de busca que acham e trazem documentos relevantes para a pesquisa do usuário
Aula 01out2007
ÍNDICE
Quando fazemos a pesquisa através de um mecanismo de busca NÃO o fazemos "ao vivo" e sim recuperamos as informações gravadas nos banco de dados.Ex: cache do Google
Normalmente cobrem todo tipo de assunto possível, não fazem distinção entre os sites que indexam, desta forma os resultados são descontextualizados.
Aula 01out2007
ÍNDICE
Principais diferenças entre eles:
• Capacidade de armazenagem no banco de dados;• Freqüência de atualização;• Capacidade de busca (amplitude);• Velocidade de recuperação de resultados;• Interface (design) na mostra dos resultados; • Recursos avançados (tradução, linguagem natural, operadores booleanos).
Aula 01out2007
ÍNDICEExemplos
AltaVista (http://www.altavista.com) Excite (http://www.excite.com) Alltheweb (http://www.alltheweb.com) Google (http://www.google.com.br) HotBot (http://www.hotbot.com)
Aula 01out2007
COMO OS MECANISMOS DE BUSCA
CONSEGUEM ENCONTRAR AS INFORMAÇÕES
NA INTERNET??
Aula 01out2007
Ocorrência do(s) termo(s) pesquisado(s) em posições estratégicas na página.
Baseando-se no número de ocorrências do(s) termo(s) e
na sua localização, determina-se o grau de relevância da
página para este(s) termo(s). Ao se construir um
documento HTML, deve-se procurar posicionar as palavras-
chave estratégicas nestas posições cruciais, para
possibilitar que os mecanismos possam “entender” o
significado da página. Quais seriam essas posições
cruciais???
Aula 01out2007
O que é HTML?
• Estudos sobre SGML (Standard Generalized Markup Language) remontam aos trabalhos de Charles Goldfarb, Edward Mosher e Raymond Lorie em 1970, mas foi somente em 1986 que o SGML se constituiu como um padrão internacional (ISO 8879) para a descrição das linguagens de marcação e para a análise formal de documentos.
• HyperText Markup Language (HTML) é um padrão para a criação de páginas da World Wide Web. É um formato não-proprietário baseado no SGML e pode ser criado e processado por uma grande variedade de Ferramentas. Ele utiliza marcadores especiais, denominados marcas, como <h1> e </h1>, para estruturar o texto em cabeçalhos, parágrafos, listas, links de hipertextos. Desta forma indicam como os navegadores da Web devem exibir os itens da página, como texto e elementos gráficos.
Aula 01out2007
• Considera-se o título da página (texto entre os tags
<title>...</title>) como um dos pontos mais importantes
para a determinação do assunto do documento.• Algumas páginas de ótimo conteúdo sobre um determinado
assunto podem obter classificações ruins principalmente por
falharem neste ponto.
• O título deve conter as palavras-chave estratégicas da página.
• É recomendável usar nas primeiras posições do título palavras-
chave estratégicas.
Título
Aula 01out2007
Topo da página- Os mecanismos de busca consideram o cabeçalho
da página (textos entre os tags <h1>..</h1>,
<h2>..</h2>) e as primeiras linhas de texto, uma
região importante para a indexação.
- Uma página relevante para um determinado
assunto conterá palavras relacionadas com este
assunto desde o seu começo.
Aula 01out2007
Título
TABELAA utilização de tabelas para construir uma página pode “empurrar” o
texto inicial para posições mais baixas da página, tornando as
palavras-chave de seu conteúdo menos relevantes.Por exemplo, vamos supor uma página de duas colunas típica, onde a primeira coluna
possui os links de navegação e a segunda possui o texto contendo as palavras-chave:
AutorTítuloEditoraData
Pessoa, FernandoPoemas de Álvaro de CamposNova Fronteira1999
Esta estrutura não ajudará na indexação desta página numa busca por “Álvaro de Campos”, pois os mecanismos de busca considerarão inicialmente o que estiver a esquerda.
Aula 01out2007
FREQÜÊNCIA• A freqüência de ocorrência de um termo em uma página é outro
fator importante na determinação de relevância de uma página para
este termo.
• As palavras-chave estratégicas devem estar presentes no
conteúdo da página. Isto significa é necessário haver um texto
escrito numa página.
• Páginas constituídas somente por figuras não são entendidas pelos
mecanismos de busca, porque eles não as interpretam. Alguns
indexam textos contidos no tag <ALT> e em comentários, no
entanto, para se ter segurança é melhor utilizar diretamente o texto
HTML sempre que possível.
Aula 01out2007
PAGE RANK•É seguindo o mesmo princípio da análise de citações
que alguns mecanismos “rankeiam” os resultados da
busca.
•O algoritmo mede a importância do site a partir de
quem está apontando-o (quantitativamente e
qualitativamente).
•Não ter ninguém citando sua página dificulta um bom
posicionamento, pois a quantidade de links para você
é, sobretudo, o seu índice de importância.
Aula 01out2007
Algumas pessoas tentam enganar os mecanismos repetindo várias
vezes as palavras-chave na página e formatando-as com um
tamanho de fonte muito pequeno ou com uma cor idêntica à cor do
fundo, tornando estas palavras invisíveis em um navegador.
Porém os mecanismos são capazes de identificar esta prática e,
além de não indexar este tipo de texto, penalizam a página com
pontos negativos no momento do cálculo da relevância.
Outra prática é a repetição indiscriminada de palavras-chave no texto. Mas os mecanismos são capazes de ler uma frase e identificar se esta representa uma frase válida ou se é apenas um conjunto desconexo de palavras.
EXEMPLO
Aula 01out2007
O HTML permite que sejam especificados metadados em um
documento, ou seja, informações sobre o documento através do
tag <META>.Estes tags podem ser utilizados para incluir pares nome/valor que descrevem
propriedades do documento, como por exemplo o autor, palavras-chave, resumo,
etc. Estas informações são invisíveis para o visitante da página.
Alguns exemplos: DESCRIPTION, KEYWORDS
Alternativas visando melhorar resultadosMETA TAGS
Aula 01out2007
Como funciona a inserção de uma tese eletrônica no banco de teses da UFPE
TeseTese
Documento eletrônico Representação
descritiva/temática da tese
Busca pela informação através
da interface disponível no site
Aula 01out2007
Participação humana no processo
A Base de dados fica disponível na Internet
ServidorUFPE
Aula 01out2007
conhecido também como server, é o computador, que como o próprio nome diz,
responsável por disponibilizar algum serviço de rede para outros computadores,
como por exemplo aplicativos de correio eletrônico,páginas Web, repositório de
banco de dados.
Numa busca feita no google pela tese de Aíla Karla Mota Santana não se encontra por encontra o arquivo PDF que contém a tese integral. Porém, indo ao Biblioteca Digital de Teses e Dissertações da UFPE é possível encontrar o material.
Aula 01out2007
Também é possível encontrar o material na Biblioteca Digital de Teses e Dissertação do IBICT. O que diferencia recuperar a informação usando o Google da busca usando o BDTD?
Aula 01out2007
Num sistema previamente elaborado para recuperação os dados são alimentados com a finalidade de serem recuperados segundo alguns parâmetros estabelecidos pelos usuários.
Aula 01out2007
O que vem depois...
04 Bases de dados
08 Práticas (lab.)
11 Bibliotecas Digitais
15 Protocolos
18 Práticas (lab.)
22 Arquivos Abertos
25 WEB 2, Blogs
29 Práticas (lab)
OUTUBRO
Aula 01out2007