La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

Taller de Base de Datos Minería de Datos en la Web Descubrimiento de patrones y modelos en la Web Minería de Contenido –Contenido de páginas y fuentes.

Presentaciones similares


Presentación del tema: "Taller de Base de Datos Minería de Datos en la Web Descubrimiento de patrones y modelos en la Web Minería de Contenido –Contenido de páginas y fuentes."— Transcripción de la presentación:

1 Taller de Base de Datos Minería de Datos en la Web Descubrimiento de patrones y modelos en la Web Minería de Contenido –Contenido de páginas y fuentes de datos en la Web. Minería de Uso –Registros de navegación almacenados en archivos de log en los servidores. Minería de Estructura –Estructura de enlaces entre páginas en la Web.

2 Taller de Base de Datos Minería de Contenido Clasificación de texto Extracción de frases características de grupos de documentos. Búsqueda de patrones en textos (reglas de asociación). Agrupaciones de documentos Construcción automática de jerarquías de documentos.

3 Taller de Base de Datos Minería de Uso Extracción de perfiles de usuario en interfaces adaptivas. Búsqueda de patrones de navegación. Personificación, segmentación y diseño de sitios.

4 Minería de Estructura Algoritmos de jerarquización de páginas en motores de búsqueda.(ejemplo Google) Búsqueda de comunidades en la Web. Taller de Base de Datos

5 Identificación de páginas Autoridades Un 99% de la Web es inútil para un 99% de los usuarios [Brin98]. Muchos enlaces en la Web son anotaciones humanas sobre la calidad de las páginas y recursos en general. Más formalmente: si una página X apunta a una página Y, entonces el autor de X le confiere un cierto grado de importancia a la página Y. Algoritmo PageRange: ordena páginas en base a la estructura de enlace en la Web. Taller de Base de Datos

6 Enfoque Ingenuo Una página es autoridad si es apuntada por muchas páginas. Problema: Fácil de falsear: basta con generar mucha páginas que apunten a una página cuyo grado de autoridad se desea mejorar. No mide calidad de las páginas que recomiendan. Taller de Base de Datos

7 Cadenas de Markov Una cadena de Markov es un proceso probabilístico sin memoria modelada como: Un conjunto de estados S={s 1,s 2,…,s n } que representan los posibles valores que la variable aleatoria puede tomar. Una colección de probabilidades de transición representadas como una matriz P de nxn. P i,j =Pr( El proceso salte del estado i al estado j, dado que está en el estado i) Un vector de nx1 П 0, donde П i 0 es la probabilidad de la variable de estar en el estado i en el tiempo 0. Taller de Base de Datos

8 Propiedad Markoviana Sea x t el estado del proceso en el paso t, entonces Pr(x t |x 1,…,x n )=Pr(x t |x t-1 ) Notación: P i,j t = probabilidad de llegar al estado j desde el estado i en t pasos. П k es el vector de probabilidad no condicional. Representa la probabilidad de estar en k pasos en cada estado, dado que partimos con probabilidad П 0. Taller de Base de Datos

9 Propiedades de cadenas de Markov Un estado i se comunica con un estado j, si para algún estado t, t’ P i,j t >0 y P j,i t’ >0. Una cadena de Markov es irreducible si todo par de estados se comunican. Un estado i tiene periodo d si dado que x 0 = i solo podemos tener x n =i cuando n es múltiplo de d. Una cadena de markov es periódica si tiene algún periodo mayor que 1. Taller de Base de Datos

10 Distribución de probabilidades estacionarias П 1 = П 0 P … П t = П t-1 P Si converge П t tenemos distribución estacionaria П=lim t->∞ П t O bien П t tal que ПP=П Intuitivamente П t representa la fracción en que el proceso se encuentra en el estado i. Taller de Base de Datos

11 Teorema Fundamental Dada una cadena de Markov finita, aperiódica e irreducible, entonces existe un estado de equilibrio o distribución de probabilidades estacionaria П. ПP=П Taller de Base de Datos

12 PageRank Modelemos a un navegante de la Web como una cadena de Markov, cada página define un estado. Enfoque Básico: Si el navegante está en una página i, salta a una página con probabilidad j. Lo que es equivalente a escribir: Taller de Base de Datos

13

14 Problema de enfoque Básico No siempre la cadena generada en el modelo básico es irreducible y aperiódica. Ciclotrón Taller de Base de Datos

15 Enfoque de PageRank Un navegante está en un URL i Hace click en una enlace i con probabilidad 1-ε Se aburre y se va a otro sitio con probabilidad ε Donde M es el número de páginas que no son apuntadas por i, y ε representa la prob. de que el navegante no siga ningún enlace de la página i. Esta cadena de Markov es irreducible y aperiódica Se tiene: Taller de Base de Datos

16 PageRank Una página tiene buen ranking si es apuntada por muchas buenas páginas. Funciona en la práctica: base del éxito del Google Resistente a spam: –Falsear pageRank cuesta dinero: debo convencer a buenos sitios queme apunten. No es costoso computarlo. Taller de Base de Datos

17 Algoritmo Hits J. Kleinberg.Authoritative Sources in a Hiperlinked Enviroment Problemas de PageRank: Muchos enlaces tiene propósitos de navegación y no la intención de conferir autoridad. Muchos enlaces representan publicidad pagada. –PageRank no discrimina enlaces Una página muy apuntada como Hotmail, no es autoridad en cualquier tópico. –PageRank no discrimina tópicos (yahoo es autoridad en cualquier tópico) Taller de Base de Datos

18 Algoritmo Hits Primera Etapa Construcción de un grafo en la Web focalizado en un tópico Dado una consulta σ, determinamos un grafo S σ con las siguientes características. S σ debe ser relativamente pequeño. S σ debe ser rico en páginas relevantes. S σ contiene muchas páginas que son autoridades. Taller de Base de Datos

19 Algoritmo Hits: Primera Etapa (cont.) Para parámetros t (t ≈ 200) y d (d ≈ 50) Recolectamos las t mejores páginas de σ, R σ, entregadas por un buscador (ej, Altavista, HotBot, Google). Agregamos a S σ y R σ todas las páginas apuntadas por R σ Agregamos a S σ un conjunto arbitrario de d páginas que apuntan a R Σ. Taller de Base de Datos

20 Ejemplo Usando Alta vista con t=200 y d=50, S σ satisface las tres condiciones y contiene de 1000 a 5000 páginas. G[S σ ] es el grafo que se obtiene de S σ al eliminarse grafos intrínsecos y de travesía (en el mismo sitio). Taller de Base de Datos

21 Hits: Idea Dos páginas que son autoridades en un tópico son en general apuntadas por la mismas páginas (Hub). Toda página x tiene un peso por ser autoridad Aut(x) y un peso por ser hub Hub(x). Invariante: Σ xє S σ Aut(x)=1=Σ xє S σ Hub(x) Una buena autoridad es apuntada por muchos buenos hubs. Aut(x)= Σ yєIn(x) Hub(y) Un buen hub apunta muchas buenas autoridades Hub(x) = Σ yєOut(x) Aut(x) Taller de Base de Datos

22 Algoritmo Hits Inicialmente para todo x Aut(x)=Hub(x)=0 Iteramos haciendo –Hub(x) Σ yєOut(x) Aut(x) –Aut(x) Σ yєIn(x) Hub(y) –Normalizamos Aut(x) y Hub(y) La iteración termina cuando Aut(x) y Hub(x) no varían significativamente. Taller de Base de Datos

23 Problema deHit Hub pueden contener múltiples tópicos Spam: Muchas páginas en un mismo sitio apuntando a un mismo sitio popular. Mejoras: Menor ponderación de páginas que apuntan a un mismo sitio. Fraccionamiento de Hubs en un mismo link Uso de texto de ancla, etc. Taller de Base de Datos


Descargar ppt "Taller de Base de Datos Minería de Datos en la Web Descubrimiento de patrones y modelos en la Web Minería de Contenido –Contenido de páginas y fuentes."

Presentaciones similares


Anuncios Google