Date post: | 29-Nov-2014 |
Category: |
Education |
Upload: | roberto-polillo |
View: | 574 times |
Download: | 0 times |
Edizione 2013-14
Università degli Studi di Milano BicoccaDipartimento di Informatica, Sistemistica e Comunicazione
Corso di Strumenti e applicazioni del Web
9. Ricercare nel Web (Parte I)
Roberto Polillo
Una visualizzazione [di una parte] del web
La immagine mostra una porzione di Internet costituita da 535.000 nodi e più di 600.000 links WALRUS Visualization tool, 2001 http://www.caida.org/tools/visualization/walrus/
R.Polillo - Marzo 2014
3
4
R.Polillo - Marzo 2014
Una visualizzazione [di una parte] del web
R.Polillo - Marzo 2014
5
Una visualizzazione [di una parte] del web
Come trovare l'informazione in rete
DirectoriesIndici strutturati di argomenti (gestiti da una redazione)
WikipediaEnciclopedia collaborativa
Motori di ricercaQuery Risultati
Motori semanticiwww.wolframalpha.com, …
Sistemi di Q&A socialeYahoo! Answer, …
EsplorazioneBrowsing, serendipity
R.Polillo - Marzo 2014
6
Web directories7
Storicamente, il primo strumento di ausilio alle ricerche nel Web
Classificazione gerarchica dei siti (e non delle pagine) in categorie e sottocategorie, a più livelli, effettuata "a mano" -> varie "tassonomie"
Directories “generaliste” e directories verticali o di nicchia, anche prodotte in modo collaborativo
http://en.wikipedia.org/wiki/Web_directory
R.Polillo - Marzo 2014
Tassonomia8
Emporio celeste dei riconoscimenti benevoli(Enciclopedia cinese, J.L.Borges, 1973)
Gli animali si dividono in:a) Appartenenti all’imperatoreb) Imbalsamatic) Ammaestratid) Lattonzolie) Sirenef) Favolosig) Cani randagih) Inclusi in questa classificazionei) Che si agitano come pazzij) Innumerevolik) Disegnati con un pennello finissimo di peli di
cammellol) Ecceteram) Che hanno ritto il vason) Che da lontano sembrano mosche.
R.Polillo - Marzo 2014
Raggruppamento di oggetti in classi, secondo qualche criterio
taxis=ordine nomos=regola
Ogni tassonomia è arbitraria, e dipende dagli obiettivi
Yahoo! (http://dir.yahoo.com)9
R.Polillo - Marzo 2014
- Nasce come “La guida al WWW di Jerry e David”, nel 1994
- Qui la home del 1996, da www.archive.org
http://en.wikipedia.org/wiki/Internet_Archive
The Open Directory Project (ODP)10
Nota anche come DMOZ (Directory Mozilla http://www.dmoz.org/ Directory gratuita, aperta e multilingua Fondata nel 1998, poi acquisita da Netscape (1998), poi AOL, e
manutenuta da una comunità di editor volontari http://en.wikipedia.org/wiki/Open_Directory_Project
R.Polillo - Marzo 2014
Domoz vs Yahoo!
R.Polillo - Marzo 2014
11
Dmoz Yahoo!
Wikipedia come strumento di ricerca12
Wikipedia è un formidabile strumento di ricerca e accesso al web
Ogni voce di Wikipedia è corredata da numerosi link interni ed esterni, che spesso permettono di raggiungere i siti più significativi correlati all’argomento esaminato
Inoltre Wikipedia contiene numerosi indici e directories, fra cui anche veri e propri portali tematici
(http://en.wikipedia.org/wiki/Portal:Contents/Portals)
R.Polillo - Marzo 2014
Serendipità13
Cerco una cosa e ne trovo un'altra Nome coniato da Horace Walpole, tratto dalla fiaba “I tre principi di
Serendip” (Serendip è l'antico nome di Sri Lanka) Serve fortuna (“il caso”) e un atteggiamento di apertura: per cogliere
l'indizio che porterà alla scoperta occorre essere aperti alla ricerca e riconoscere il valore di esperienze che non corrispondono alle originarie aspettative
http://en.wikipedia.org/wiki/Serendipity http://serendip.brynmawr.edu/serendip/about.html
R.Polillo - Marzo 2014
14 R.Polillo - Marzo 2014
www.stumbleupon.com 16
to stumble: inciampare, scoprire per caso
È una discovery engine di pagine web, fondato in Canada nel 2001
Premendo il bottone STUMBLE! installato sul browser, viene proposto un sito, un’immagine o un video scelti sulla base delle preferenze dell’utente, o delle raccomandazioni dei suoi amici o da altri utenti che hanno interessi simili
Il processo di selezione si affina sulla base del gradimento espresso (opzionalmente) dall’utente:
R.Polillo - Marzo 2014
Motori di ricerca per il Web
Componente software (utilizzabile come servizio online) progettato per ricercare informazioni sul World Wide Web
Le informazioni (di solito nella forma di link) sono presentate in una serie di Search Engine Results Page (SERP)
La qualità di un motore si valuta sulla base della pertinenza e rilevanza dei risultati
R.Polillo - Marzo 2014
17
Motori di ricerca
Una storia complessa, iniziata negli anni '90. Oggi, i primi: Google- Dal 1998
Baidu- dal 2000, cinese
Yahoo!- Con motori esterni (dal 2009 "Powered by Bing")
Bing- Dal 2009 (prima: MSN Search, Windows Live Search, Live Search)
R.Polillo - Marzo 2014
18
Search engine market share
R.Polillo - Marzo 2014
19
Fonte: http://www.netmarketshare.com
Dic 2013, solo desktop
Motori di ricerca: struttura
R.Polillo - Marzo 2014
20
Interfaccia Query processing
Rankingdei risultati
Query
Risultati(SERP)
Front-end process
Indici + cached pages
CrawlerCrawler
IndicizzatoreCrawler
Richieste
Pagine web
Pagine web
WWW
Back-end process
Web crawling
I crawler (robot, spider, bot) sono programmi che navigano il Web, esaminando le diverse pagine e seguendo i link in esse presenti
Seguono opportune politiche di navigazione (per es. per decidere quando riesaminare una pagina già vista)
L'interazione con i Web server segue specifici protocolli (per es. robot exclusion protocol, o robot.txt)
Non tutto il Web è accessibile ai crawler
R.Polillo - Marzo 2014
22
robots.txt: esempio
www.domain.com
R.Polillo - Marzo 2014
23
/
robots.txt
utenti
foto
aboutUser-agent: GoogleDisallow /utenti/fotoAllow: *Crawl-delay: 20 sec
Deep vs surface Web
Non tutto il Web è accessibile ai motori di ricerca Il Web invisibile ("deep Web") è parecchi ordini di
grandezza più vasto del Web visibile ("surface Web") Deep Web, esempi:
Pagine "vietate" dai Web server (robots.txt) Pagine generate dinamicamente a fronte di query o di input forniti
attraverso form Pagine senza link entranti Pagine accessibili tramite registrazione e login Ecc.
R.Polillo - Marzo 2014
24
Struttura del web: uno studio
Analisi di 203 milioni di pagine, nel 1999: Broder et al., Graph structure in the web, WWW Conference 2000, http://www9.org/w9cdrom/160/160.html
17 million nodes
25
R.Polillo - Marzo 2014
Strongly Connected Component: per ogni coppia di nodi c’è un cammino da uno all’altro
Strongly Connected Component: per ogni coppia di nodi c’è un cammino da uno all’altro
One can pass from any node of IN through SCC to any node of OUT. Hanging off IN and OUT are TENDRILS containing nodes that are reachable from portions of IN, or that can reach portions of OUT, without passage through SCC. It is possible for a TENDRIL hanging off from IN to be hooked into a TENDRIL leading into OUT, forming a TUBE -- a passage from a portion of IN to
a portion of OUT without touching SCC.
Tipi di query
InformativaObiettivo: trovare un'informazione
NavigazionaleObiettivo: trovare una pagina web, che conosco già
RisorsaObiettivo: trovare una risorsa (non informativa) disponibile sul web
Il risultato è di solito (ma non sempre!) una lista di link a pagine web
Evoluzione: dal contenitore (anche) al contenuto
R.Polillo - Marzo 2014
26