elektronická verzia publikácie - FIIT STU - Slovenská technická ...

Získavanie informácií z webu metódami inšpirovanými sociálnym hmyzom 319
ku, ktorú ú odporuil sa považuje stránka, ktorá bola dlhodobo najviac propagovaná
v taniarni.
Urovanie kvality zdroja
Kvalita zdroja je z intervalu 0 , 1 priom 0 je najnižšia a 1 najvyššia kvalita.
Kvalita vzdialenosti
Vzdialenos dvoch stránok definujme ako poet krokov, ktoré vela potrebuje, aby sa
z jednej domény dostala na druhú. ím je poet krokov menší, tým je väšia pravdepodobnos,
že dané stránky sú obsahovo príbuzné. Na kvantifikáciu vzdialenosti boli navrhnuté
vzahy:
DIST
max
= 0 q dist
= Q DIST
d > DISTmax qdist
= 0
Q
d ≤ DISTmax
qdist
= QDIST
− d
DIST
kde DIST max je maximálna vzdialenos doletu vely, Q DIST je maximálna hodnota iastkovej
kvality a d je vzdialenos od pôvodnej stránky.
Kvalita potu výskytov
Aby sa rozlíšil poet kokokrát sa výraz na stránke objavil bola navrhnutá funkcia, ktorej
hodnota na zaiatku rýchlejšie rastie, potom sa rast spomalí a asymptoticky sa blíži k definovanej
maximálnej hodnote kvality. Funkcia je tvaru:
−1
q count =
+ Q
1
2
n
+
Q
2 COUNT
DIST
COUNT
kde n je poet výskytov daného slova a Q COUNT je maximálna hodnota definovaná pre
túto iastkovú kvalitu.
Kvalita výskytu v nadpise
Pri vyhadávaní sa dá oakáva, že výraz vyskytujúci sa v nadpise je zaujímavejší ako ten
istý výraz vyskytujúci sa v lánku. V takomto prípade je dôležité sledova ako hierarchicky
vysoko sa slová v nadpisoch vyskytujú, nie celkový poet výskytov. HTML definuje
nadpis celej stránky ako title a h1
až h6
pre nadpisy a podnadpisy stránok. Každej
úrovni bolo priradené íslo ( title )
0 až ( )
6
MAX
6 h . Bola navrhnutá funkcia:
q
header
= Q
HEADER
Q
− h*
HEADER
HEADER
MAX
+ 1
kde h je minimum zo všetkých hodnôt nadpisov, v ktorých sa hadané slovo vyskytuje;
Q HEADER je maximálna hodnota tejto iastkovej kvality; HEADER MAX je najväšia hbka
v hierarchii nadpisov zobraná pri výpote do úvahy.