Vous êtes sur la page 1sur 4

Tarea 1: Minera de Datos y Procesamiento de Lenguaje Natural - Universidad Diego Portales

Profesor: Fecha de Entrega: Ponderacin: Va de Entrega:

Alejandro Figueroa Viernes 16 de agosto de 2013 23:59hrs 1 Correo electrnico al profesor. alejandro.figueroa@mail.udp.cl

Enunciado Los motores de bsqueda, como Yahoo! y Google, sirven de interfaz entre los usuarios y una coleccin de documentos llamada la web o Internet. Esta coleccin contiene billones de pginas web, algunas de ellas dinmicas, donde se puede localizar no slo informacin en formato de texto, sino recursos multi-media y programas que pueden llegar acabo alguna tarea que necesitamos. Adems, los usuarios de Internet encuentran en esta red servicios que facilitan sus vidas diarias, e.g. bancos, pago de cuentas, revisar rutas, etc. Por ende, la web no es slo un repositorio gigante de informacin, sino que un punto donde se concentran muchos recursos y servicios. Los motores de bsqueda tienen como tarea entender la necesidad del usuario y conectarla con lo que anda buscando. En la prctica, los usuarios hacen saber al motor de bsqueda su necesidad ingresando consultas. Estas consultas se expresan mediante un set de palabras, y normalmente son secuencias de dos o tres sustantivos. En la literatura del anlisis y entendimiento de consultas web, se identifican tres tipos de fines que tiene el usuario cuando navega por el internet mediante un buscador: informacional, navegacin y de recursos. Intencin Navegacin Descripcin El objetivo es ir a un sitio conocido especfico que tengo en mente. La razn por la cual utilizo el motor de bsqueda es porque es ms conveniente que tipiar la URL, o quizs no la s. Mi intencin es aprender algo mediante la lectura o viendo alguna pgina web. Ejemplo aloha airlines duke university hospital kelly blue book

Informacin

what is a supercharger baseball death and injury color blindness help quitting smoking walking with weights pella windows amsterdam universities Recurso La idea es obtener algn recurso disponible en pginas web. kazaa lite measure converter ellis island lesson plans En la Internet hay registros de consultas disponibles. Estos se pueden utilizar no slo para ser analizados con el objetivo de mejorar los servicios provistos por los motores de bsqueda, sino que tambin para entender mejor a los usuarios. En el curso de este semestre, las tareas se harn en base a un subconjunto de consultas extradas de los registros del buscador AOL recolectados durante el perodo de Marzo-Mayo del 2006. Estos registros constan de mucha informacin como la ID de usuario, la consulta, el instante de tiempo cuando fue efectuada, etc. A cada alumno se le entregar un listado de 3,000 elementos compuestos de: la consulta y un listado de URLs, que le fueron mostradas al usuario en respuesta a esa consulta y que adems, el usuario hizo click. Ms precisamente, cada entrada consta de la consulta, la URL pinchada y la frecuencia que este evento ocurri durante este perodo. Cabe destacar, que muchas veces los usuarios envan una consulta, y no pinchan ningn resultado. Este fenmeno se representa con una etiqueta especial #NO-CLICK#. Entonces, algunos ejemplos: Consulta 'black tie western' tuxedos 'caribbean sea cocktail' URL http://www.alsformalwear.com http://www.jimsformalwear.com #NO-CLICK# Cant. de Clicks 1 1 2

Tarea 1: Minera de Datos y Procesamiento de Lenguaje Natural - Universidad Diego Portales http://colossus.net http://www.drinksmixer.com http://www.faery-tattooz.com http://nutrisse.garnier.ca 1 2 1 1

'fairy tattoos' 'garnier nutrisse'

Objetivos de la Tarea: 1. Etiquetar cada una de las 3,000 consultas con el objetivo que tiene el usuario, es decir, si la consulta es navegacional, de informacin o de recurso. Ntese que cada estudiante va a tener criterios diferentes en muchos casos para definir la etiqueta, por ende cada estudiante debe etiquetar su propio conjunto. Para la conveniencia del estudiante, anexo al enunciado se proveern algunos ejemplos adicionales. Algunos requerimientos de la entrega: El alumno debe entregar un archivo con el mismo nombre original ms la concatenacin _tagged. El archivo debe contener 3,000 lneas donde a cada lnea se le antepuso una de las tres etiquetas: NAV/RES/INF y despus un tabulador y la lnea original. Por ejemplo, NAV google http://www.google.com 1000

El contenido de algunas de las consultas puede ser slo para adultos. Se ruega la discrecin respectiva. Esto es producto de que es informacin sacada directamente del buscador. Es importante que el alumno intente hacer con mayor precisin posible la seleccin de la clase, ya que de eso depende el xito de las tareas futuras. Idealmente, la decisin de la etiqueta debe ser tomada slo en base a la consulta y las URLs, es decir sin visitar las pginas. 2. Una vez etiquetados las 3,000 consultas, se debe escribir un informe respondiendo las siguientes preguntas: a. Describir los criterios que utiliz para discriminar a qu clase correspondan las consultas. Hay asociaciones entre las clases y algunos hosts? b. Presentar una tabla con la distribucin de las consultas dentro de las 3,000 que le fueron entregadas. c. Calcular la Entropa de su conjunto de datos D:

entropy ( D) Pr(c j ) log 2 Pr(c j )


j 1

|C |

Donde C es el conjunto de las tres clases, Pr(Cj) es la probabilidad dentro del conjunto de datos de cada clase Cj, j=1,2,3.

Anexo
Consulta alamo website atraircraft.com myrtlewoodvillas URL y Clicks http://www.thealamo.org 1 http://www.business.com 2 http://www.myrtlebeachinfo.com 1 http://www.myrtlewoodvillas.com 4 http://www.realestateaward.com 1 http://www.travel-library.com 1 http://mzxh.info 1 #NO-CLICK# 3 http://www.baytown.org 8 http://www.baytownford.com 1 http://www.baytownsun.com 1 http://www.city-data.com 2

motorcylebluebook.com baytown texas

Tarea 1: Minera de Datos y Procesamiento de Lenguaje Natural - Universidad Diego Portales


http://www.tsha.utexas.edu 1 http://www.delawareonline.com 2 http://www.kolotv.com 1 http://vistaautosales.com 1 http://www.searstone.com 1 #NO-CLICK# 2 http://www.register-pajaronian.com 1 #NO-CLICK# 2 http://www.manpower.com 1 http://www.hydeparkchamber.org 1 http://www.njmarathon.org 3 http://www.themosh.org 2 http://www.standrewcs.org 1 #NO-CLICK# 5 http://goldengatebridge.org 3 http://www.bayareafastrak.org 11 http://www.hybridcars.com 1 http://www.washingtoncountyhospital.com 3

http www.delawareonline.com www.kolotv vistacarsales.com Searstone register pajaronian on line manpower temporary service hyde park chamber of commerce new jersey marathon mosh jacksonville st. andrews church cape coral www.bayareafastrak.org

www.wchsys.org

Ejemplos de consultas navegacionales.


Consulta famitsu colonial heights healthcare center va face north clothing buffalo ny community events cat scratch disease affects the lymphatic system and the cardiovascular system URL y Clicks http://famitsu.blogspot.com 1 http://www.1up.com 1 http://seniors-site.com 1 http://www.co.chesterfield.va.us 1 #NO-CLICK# 1 http://www.intermountaintraders.com 1 http://www.buffalo.com 1 http://www.wivb.com 2 http://microvet.arizona.edu 1 http://www.annalsnyas.org 1 http://www.firstconsult.com 1 http://www2.kufm.kagoshima-u.ac.jp 1 http://www.pbs.org 1 http://www.eastsideliteracy.org 1 http://buy.ebay.com 1 http://www.chitterlings.com 1 http://www.fpi.org 1 http://www.wildhoney.biz 1 http://www.comparestoreprices.co.uk 1 http://www.hotelstravel.com 1 http://www.tripadvisor.com 2 #NO-CLICK# 1 http://www.mtholyoke.edu 4 http://www.usnews.com 1 http://www.farreys.com 1 http://www.ichotelsgroup.com 1 http://swimming.about.com 1 http://www.pressurepoint.com.au 1 http://www.recovery.org.uk 1 http://home.comcast.net 1 http://yp.yahoo.com 1 http://www.torontomalls.com 1 http://www.dartmouth.edu 2 http://www.wineintro.com 1 http://www.anbg.gov.au 1 http://www.etax.dor.ga.gov 1

america rebuilds essay ged ebay guitar taylor easy receipt for biscuit

cradle of filth clothes coral beach resort hotel in myrtle beach mount holyoke

house beautiful kichler intercontinental hotel in san juan fina swimming results heroin cost ford comet food shopping in college park ga flatwear how to write a art work in a paper what is a pinotage wine what's the function of the mushroom mycelium what is the state tax in georgia

Tarea 1: Minera de Datos y Procesamiento de Lenguaje Natural - Universidad Diego Portales


http://www.statetaxcentral.com 1 http://arjournals.annualreviews.org http://depts.washington.edu 1 http://www.aecom.yu.edu 1 http://www.ahfmr.ab.ca 1 http://www.eccho.ca 1 http://www.pubmedcentral.gov 1

why cryptococcus kills

Ejemplos de consultas Informacionales.


Consulta free audio hardware downloads girls pictures 18 ms access dynamic survey form listen to music from ashley parker angel soundtrack to my life joe tex lyrics photos of madison square park URL y Clicks http://www.drivershq.com 2 http://www.arisedc.com 1 #NO-CLICK# 1 http://msdn.microsoft.com 1 http://www.musicremedy.com 1 http://www.lyricsdownload.com 1 #NO-CLICK# 2 http://en.wikipedia.org 1 http://nycfoto.com 1 http://www.cheesedip.com 1 http://www.emporis.com 1 http://www.flickr.com 1 http://www.inetours.com 2 http://www.nytstore.com 4 http://www.publicartfund.org 1 http://www.rushyoung.com 2 http://www.smilinggoat.com 1 http://www.urban75.org 3 http://www.virtualnyc.info 2 http://www.virtualtourist.com 3 http://www.worldofstock.com 1 http://www.yelp.com 3 http://top-lyrics.elizov.com 1 http://www.emp3world.com 3 http://www.utterlyrics.com 1 http://mp3.elizov.com 1 http://www.artistdirect.com 2 http://www.fa natticrecords.com 1 http://www.fretplay.com 1 http://www.alpseurope.com 1 http://www.drive-alive.co.uk 1 http://www.embassyworld.com 1 http://top-lyrics.elizov.com 2 http://www.geekstinkbreath.net 1 http://www.metrolyrics.com 1 http://www.musicnotes.com 1 http://www.buylighting.com 1 http://www.lyrics007.com 1 http://www.lyricsworld.com 1 http://www.lyricsdomain.com 2 http://www.planetpdf.com 1 http://www.novatech.co.uk 1 http://www.planetprices.co.uk 1 http://www.veilingtips.nl 2 http://products.consumerguide.com http://auto.consumerguide.com 1

i wanna hold your hand mp3

good charlotte free music downloads

map austria alps

green day downloads i walk this lonely road

fluorescent light bulb image 100 watt dance with my father lyrics by luther vandross free music lyrics search lyrics to luther vandross acrobat 6.0 plug in cheap mp4 player mp4 free movies consumer guide for lawn vacuums consumer report audi allroad

Ejemplos de consultas recursos.