O conteúdo de uma página Web é tipicamente organizado através de blocos de informações presentes em seu interior, obedecendo a estrutura interna e o layout da página. Um problema pouco explorado na literatura é como selecionar os blocos de informações mais importantes de uma página, e então dispô-los de forma a criar uma versão miniaturizada da página original. A essa versão miniaturizada damos o nome de resumo estruturado da página Web (vide Figura 1).
Através deste trabalho de iniciação científica, pretendemos criar um método de geração automática de resumos estruturados de páginas Web. Uma forma bastante simples para se alcançar esse objetivo é através das páginas de índice, que são páginas Web contendo resumos estruturados de outras páginas do mesmo Web site.
Um problema com a extração direta de resumos estruturados a partir das páginas de índice é que o formato dos resumos pode variar muito de site para site. O objetivo deste trabalho é criar um método para padronizar a disposição das informações dos resumos extraídos a partir de páginas de índice. Para tanto, pretendemos criar formatos padrões de resumos para determinados domínios de aplicação (produtos, filmes, notícias, etc), de forma que os resumos de um mesmo domínio sejam sempre reestruturados em um mesmo formato. Desta forma, uma vez que um resumo tenha sido extraído de uma página de índice, suas informações deverão ser rearranjadas conforme o domínio da aplicação do resumo. Uma possível estratégia a ser avaliada é rotular cada um dos seus blocos de informação usando a estratégia proposta em [Altigran et al., 2007], e então preencher o modelo de domínio correspondente com base nos rótulos encontrados.
|
