بخشی از پاورپوینت

--- پاورپوینت شامل تصاویر میباشد ----

اسلاید 1 :

  • کاوشگر وب
  • وب معنایی
  • چالش های کاوشگر های سنتی برای وب معنایی
  • کاوشگر های وب معنایی
  • کاوشگر های متمرکز برای وب معنایی
  • نتیجه گیری

اسلاید 2 :

  • برنامه ای است که به صورت خودکار، وب را از طریق دانلود کردن صفحات و دنبال کردن پیوند ها، از صفحه ای به صفحه ای دیگر، پیمایش می کند.
  • جمع آوری داده
  • اولین مولفه مورد نیاز برای ایجاد شاخص گذاری و بازیابی اسناد وب
  • crawler، spider، robot، ...

اسلاید 3 :

  • چه صفحاتی باید دانلود شوند؟ (سیاست انتخاب صفحه)

–محبوبیت محور

–علاقه محور

  • چگونه صفحات باید به روز شوند؟ (سیاست به روز رسانی)

–بررسی به روز بودن صفحه

–اولویت به روز رسانی

  • چگونه باید سربار کاوش را بر روی سایت ها به حداقل رساند؟ (سیاست politeness)

–مجوز کاوش سایت: فایل robot.txt

–رعایت یک میزان تاخیر، بین ارسال درخواست های متوالی به یک سایت

  • چگونه باید فرآیند کاوش را موازی کرد؟ (سیاست موازی سازی)

–یک صفحه یکسان چندین بار توسط کاوشگر‌های مختلف کاوش نشود.

–

–

اسلاید 4 :

  • rdfs:seeAlso ، rdfs:isDefinedBy ، owl:sameAs ، owl:import
  • پیوند های موجود در اسناد html که اشاره به یک سند با پسوند .rdf می کنند.
  • دنبال کردن پیوند ‌های A-Box و T-Box

– استدلال بر روی سه گانه ها (subject, predicate, object)

–T-Box: کلاس‌ ها و خصیصه‌ ها (شمای یک سند)

  • URI هر predicate
  • URI مربوط به هر obejct، در صورتی که در سه گانه مورد نظر، predicate آن از نوع type باشد..

–A-Box: نمونه‌های تعریف شده

  • URI مربوط به هر Subject و یا Object

–

اسلاید 5 :

  • حجم کمتر وب معنایی نسبت به وب سنتی : عدم نیاز به کاوش جامع و کامل وب
  • عدم اتصال کافی بین منابع
  • تفاوت فرمت داده ها: عدم توجه به محتوای معنایی اسناد
  • شیوه متفاوت پیوند بین منابع
  • به روز رسانی اسناد

اسلاید 6 :

  • جمع آوری URI های اولیه

–وارد کردن URI توسط کاربر

–استفاده از خروجی موتور های جستجو و بعضی از سایت ها

  • فیلتر های معنایی

–جلوگیری از واکشی و ذخیره داده های غیر معنایی

–انواع فیلتر ها: پروتکل - پسوند فایل - عبارات منظم – دامنه - پیشوند URI - نوع رسانه/محتوا

  • پارسرهای معنایی

–Jena - Any23 – NxParser

–استخراج سه گانه ها از اسناد و تبدیل آنها به چهار گانه ها

–چهارگانه = (subject, predicate, object, context)

–

اسلاید 7 :

  • روش اول-سطح

–کاوش زودتر صفحات مرتبط

–تنوع بیشتر در دیتاست های کاوش شده

  • روش اول-عمق

–مسیر‌های عمیق تر در داخل یک سایت

  • روش کاوش کران دار [Din2005]

–در اطراف یک سند معنایی ممکن است اسناد معنایی دیگری نیز وجود داشته باشد.

–کاوش تمام صفحات متعلق به یک سایت

–یافتن منابع منزوی

–کشف اسناد معنایی بیشتر

اسلاید 8 :

  • BioCrawler : یک کاوشگر هوشمند
  • مجموعه ای از کاوشگر ها با ویژگی های زیر:

–قابلیت حرکت - بردار دید - قابلیت ارتباط - مدل دانش - انرژی

  • هدف

– افزایش انرژی  = کاوش بیشتر سایت های معنایی (OWL یا RDF)

  • الگوریتم پایه: کاوش اول-عمق
  • مدل دانش: مجموعه قوانین

–IF < vision_vector > THEN < select_domain >

  • امکان تبادل قوانین میان کاوشگر ها

اسلاید 9 :

  • رعایت حداقل زمان تاخیر بین در خواست متوالی به یک دامنه (PLD - سایت)
  • تعیین حداکثر تعداد URI های کاوش شده به ازای هر دامنه
  • در روش مبتنی بر یادگیری: کاهش قدرت قانون به ازای هر بار استفاده
  • مشکل قحطی PLD ها

–عدم داشتن PLD فعال به تعداد کافی [Hog2011]

–دلایل

  • واکشی سایت ها با فاکتور انشعاب داخلی بالا
  • عدم اتصال خوب اسناد در وب معنایی

–راه حل

  • بازگشت از دور

اسلاید 10 :

  • بازه به روز رسانی

–بر حسب تقاضا

–خودکار

  • بررسی به روز بودن

–بررسی فیلد (last-modified-since) در هدر HTTP صفحه

–هش محتوای صفحه

– استفاده از سرویس "Pingthesemanticweb.com"

–استفاده از نقشه سایت

  • اولویت به روز رسانی

–میزان غنی بودن دامنه از نظر معنایی

–اولویت بالا برای کاربر

–

در متن اصلی پاورپوینت به هم ریختگی وجود ندارد. برای مطالعه بیشتر پاورپوینت آن را خریداری کنید