Diferente dos documentos tradicionais, as páginasWeb são compostas por diferentes segmentos
ou blocos, cada qual desempenhando uma função específica dentro de cada página.
Trabalhos recentes da literatura têm demonstrado que informações sobre esses segmentos
podem ser úteis para melhorar os resultados de inúmeras tarefas das áreas de
recuperação de informação e mineração de dados. Por esse motivo, existem muitos trabalhos
científicos propondo diferentes métodos de segmentação de páginas Web. De uma
forma geral, os métodos de segmentação encontrados na literatura utilizam apenas evidências
da própria página a ser segmentada. No entanto, partindo da observação de que
as páginas de um mesmo site tendem a possuir layouts bastante similares, apresentamos
neste trabalho uma abordagem baseada em aprendizagem de máquina que explora evidências
globais dos Web sites. Nosso método, que adota Support Vector Machines para o
processo de aprendizagem, e usa a estrutura SOM (Site Object Model) para agregar informações
de todas as páginas de um mesmo Web site, apresentou bons resultados quando
comparado com uma abordagem de segmentação manual, e quando comparado com uma
recente abordagem da literatura.
|
