1. Ordenação e Recuperação de Dados
Aula 13:
Recuperação da Informação e Busca na Web
Alexandre Duarte
alexandre@di.ufpb.br
1 1

2. Breve contextualização histórica
 Motores de busca baseados em palavras-
chave 1995-1997
 Altavista, Excite, Infoseek, Inktomi, Lycos
 Classificação paga : Goto (transformou-se em
Overture.com → Yahoo!)
 A sua classificação nos resultados de busca
dependia de quanto você pagava
 Leilão de palavras-chave: casino era muito cara!
2

3. Breve contextualização histórica
 1998+: Classificação baseada em links é criada pela Google
 Destruiu todos os outros motores de busca com exceção do Inktomi
 Aumento da satisfação do usuário
 Enquanto isso, o faturamento anual da Goto/Overture está perto de
U$1 bilhão
 Resultado : Google adiciona anúncios pagos, de forma
independente dos resultados das buscas
 Yahoo segue, comprando a Overture (para anúncios pagos) e Inktomi
(para busca)
 2005+: Google aumenta sua parcela no mercado de busca,
dominando a Europa e ganhando força na América do Norte
 2009: Yahoo! e Microsoft propõem um modelo combinado de busca
paga
3

4. Anúncios
Resultados
4

5. Básico de busca na web
Usuário
Sponsored Links
CG Appliance Express
Discount Appliances (650) 756-3931
Same Day Certified Installation
www.cgappliance.com
San Francisco-Oakland-San Jose,
CA
Miele Vacuum Cleaners
Miele Vacuums- Complete Selection
Free Shipping!
www.vacuums.com
Miele Vacuum Cleaners
Miele-Free Air shipping!
All models. Helpful advice.
www.best-vacuum.com
Web Results 1 - 10 of about 7,310,000 for miele. (0.12 seconds)
Miele, Inc -- Anything else is a compromise
At the heart of your home, Appliances by Miele. ... USA. to miele.com. Residential Appliances.
Vacuum Cleaners. Dishwashers. Cooking Appliances. Steam Oven. Coffee System ...
www.miele.com/ - 20k - Cached - Similar pages
Web spider Miele
Welcome to Miele, the home of the very best appliances and kitchens in the world.
www.miele.co.uk/ - 3k - Cached - Similar pages
Miele - Deutscher Hersteller von Einbaugeräten, Hausgeräten ... - [ Translate this
page ]
Das Portal zum Thema Essen & Geniessen online unter www.zu-tisch.de. Miele weltweit
...ein Leben lang. ... Wählen Sie die Miele Vertretung Ihres Landes.
www.miele.de/ - 10k - Cached - Similar pages
Herzlich willkommen bei Miele Österreich - [ Translate this page ]
Herzlich willkommen bei Miele Österreich Wenn Sie nicht automatisch
weitergeleitet werden, klicken Sie bitte hier! HAUSHALTSGERÄTE ...
www.miele.at/ - 3k - Cached - Similar pages
Buscar
Indexador
Web
Índices Índice de propagandas
5

6. Necessidades do usuário
 Necessidade
 Informacional – deseja aprender algo (~40% / 65%)
Baixa hemoglobina
 Navigacional – deseja ir a uma página (~25% / 15%)
United Airlines
 Transacional – desejar fazer algo (através da web) (~35% / 20%)
 Acessar um serviço Tempo na Serra Gaúcha
 Downloads Imagens da Lua
 Compras Canon S410
6

7. Quantos resultados são analisados pelos
usuários?
(Source: iprospect.com WhitePaper_2006_SearchEngineUserBehavior.pdf)
7

8. Avaliação empírica dos resultados
(usuários)
 Qualidade das páginas varia bastante
 Relevância não é suficiente
 Outras qualidades desejadas (não RI!!)
 Conteúdo: Confiabilidade, diversidade, não-duplicidade
 Legibilidade: Mostrar os documentos de forma rápida e correta
 Sem aborrecimentos: pop-ups, etc.
 Precisão vs. recall
 Na Web, recall geralmente não importa
 O que importa
 Precisão na posição 1? Precisão antes da quebra de página?
 Extensão – precisa ser capaz de lidar com pesquisas obscuras
 Recall importa quando o número de resultados é muito pequeno
 A percepção dos usuários pode não ser científica mas é
bastante significativa
8

9. Avaliação empírica dos motores de busca
(usuários)
 Relevância e validade dos resultados
 UI – simples, sem desordem, tolerante a erros
 Confiança – Resultados são objetivos
 Oferta de ferramentas de Pré/Pós processamento
 Mitigar erros do usuário (correção ortográfica, assistente de busca,…)
 Explícito: Busca dentro dos resultados, mais como esses, refinar ...
 Antecipativo: consultas relacionadas
 Lida com idiossincrasias
 Vocabulário específico da web
 Endereços web digitados na caixa de busca
9

10. 10

11. A coleção de documentos da Web
 Sem projeto/coordenação
 Criação distribuída de conteúdo, ligações,
democratização da publicação
 Conteúdo inclui verdades, mentiras,
informação obsoleta, contradições …
 Documentos não-estruturados (text, html,
…), semiestruturados (XML, fotos
anotadas), estruturado (bases de dados)…
 Escala muito maior que qualquer outra
coleção de texto
 Crescimento – desacelerou em relação ao
boom inicial de “duplicar o volume a cada
Web poucos meses” mas continua se expandido
 Conteúdo pode ser gerado dinamicamente
11

12. SPAM
(Otimização de Motores de Busca)
12

13. O problema com os anúncios pagos …
 Custam dinheiro! Qual seria a alternativa?
 Otimização de Motores de Busca:
 “Refinar” suas páginas para que elas sejam melhor classificadas
nos resultados de buscas para determinadas palavras-chave
 Alternativa a pagar por classificação
 Portanto, é intrinsicamente uma atividade de marketing
 Realizado por empresas, webmasters e consultores
(“Search engine optimizers”) para seus clientes
 Alguns perfeitamente legítimos, outros um tanto
nebulosos
13

14. Otimização de motores de busca (SPAM)
 Razões
 Comercial, política, religiosa, lobby
 Operadores
 Prestadores de serviço (Search Engine Optimizers)
 Webmasters
 Serviços de hospedagem
 Fóruns
 Web master world ( www.webmasterworld.com )
 SEO News (http://www.seonews.com/)
14

15. Search (Google) Bombing
15

16. Search (Google) Bombing
16

17. Search (Google) Bombing
17

18. Search (Google) Bombing
18

19. Search (Google) Bombing
19

20. Search Bombing
 As primeiras gerações de motores de busca dependiam
fortemente do tf/idf
 As páginas mais bem classificadas para a consulta resort porto de
galinhas eram as que continham a maior quantidade de
ocorrências de cada palavra
 SEOs contra-atacaram com densas repetições de termos
 e.g., porto de galinhas resort porto de galinhas
resort porto de galinhas resort
 Muitas vezes as repetições apareciam na mesma cor que o
background da página
 Termos repetidos influenciavam a indexação
 Mas são invisíveis para os usuários
Densidade de palavras não
pode ser confiável em
sistemas de busca na web 20

21. Variações da repetição de palavras-
chave
 Meta-dados enganosos, repetitivos e excessivos
 Texto escondido com cores, folhas de estilo, etc
Meta-dados =
“… London hotels, hotel, holiday inn, hilton, discount,
booking, reservation, sex, mp3, britney spears, viagra, …”
21

22. Cloaking
 O servidor forja o conteúdo da página para um
motor de busca
SPAM
Y
Is this a Search
Engine spider?
N Real
Cloaking Doc
22

23. Mais técnicas de SPAM
 Páginas de entrada
 Páginas otimizadas para uma única palavra-chave que
redirecionam para a página real
 Link spamming
 Sociedades de admiração mútua, links escondidos
 Domain flooding: numerosos domínios apontando para
uma única página
23

24. A guerra contra o SPAM
 Sinais de qualidade – dar  Reconhecimento de SPAM
preferência a páginas com aprendizagem de
baseado nos: máquina
 Votos de autores (links)  Conjunto de treinamento
baseado em spam conhecido
 Votos de usuários (sinais de uso)
 Policiamento da submissão
de URL
 Teste anti-robô
 Limite de palavras chave em
meta-dados
 Análise robusta de links
 Ignorar encadeamentos
estatísticamente não-plausíveis
 Usar análise de links para
detectar spammers (culpa por
associação) 24

25. TAMANHO DA WEB
25

26. Qual o tamanho da Web?
 Problemas
 A web é realmente infinita
 Conteúdo dinâmico, ex., calendários
 Soft 404: www.yahoo.com/<anything> é uma página válida
 Web estática possui duplicação sintática, principalmente
por conta do espelhamento (~30%)
 Alguns servidores estão raramente disponíveis
 Quem se importa?
 Projetista do motor de busca
 Política de spidering. Impacto no recall.
26

27. O que podemos tentar medir?
Os tamanhos relativos dos motores de busca
 A noção de uma página sendo indexada ainda é
razoavelmente bem definida.
 Mas tem alguns problemas
 Extensão do documento: ex., motores indexam páginas ainda não
recuperadas indexando o texto descritivo dos links para as páginas
(texto âncora).
 Restrições nos Documentos: Todos os motores restringem o que
pode ser indexado (primeiras n palavras, apenas palavras
relevantes, etc.)
27

28. Nova definição?
 A web estaticamente indexável é o que os
motores de busca conseguem indexar.
 QI é o que os testes de QI conseguem medir.
 Motores diferentes têm preferências diferentes
 Motores diferentes indexam coisas diferentes sob a
mesma URL:
 frames, meta-keywords, restrições de documentos, extensões de
documentos, ...
28

29. Tamanho relativo pela interseção
Dados dois motores de busca A e B
URLs escolhidas aleatoriamente de A
Checar se estão em B e vice versa
A∩ B
A∩ B = (1/2) * Tamanho A
A∩ B = (1/6) * Tamanho B
(1/2)*Tamanho A = (1/6)*Tamanho B
∴ Tamanho A / Tamanho B =
(1/6)/(1/2) = 1/3
29

30. DETECÇÃO DE DUPLICATAS
30

31. Documentos duplicados
 A web está cheia de conteúdo duplicado
 Detecção estrita de duplicadas = casamento
perfeito
 Não tão comum
 Mas há muitos, muitos casos de quase-duplicatas
 Ex., a última data de modificação é a única
diferença entre duas copias de uma página
31

32. Detecção de Duplicatas/Quase-duplicatas
 Duplicação: Pode ser detectada com assinaturas
 Quase-duplicação: Casamento aproximado
 Visão geral
 Computar a similaridade sintática utilizando alguma
medida de distância de edição
 Usar um limiar de similaridade para detectar quase-
duplicatas
 Ex., Similaridade > 80% => Documentos são quase-duplicatas
32

33. Similaridade dos conjuntos Ci , Cj
Ci  C j
Jaccard(Ci , C j ) =
Ci  C j
 Ver conjuntos como colunas em uma matriz A; uma
linha para cada elemento no universo. aij = 1 indica a
presença do item i no conjunto j
 Exemplo C1 C2
0 1
1 0
1 1 Jaccard(C 1 ,C 2 ) = 2/5 = 0.4
0 0
1 1 33

34. Observação Chave
 Das colunas de Ci, Cj, podemos quatro tipos de linha
Ci Cj
A 1 1
B 1 0
C 0 1
D 0 0
 Sobrecarga de Notação : A = # de linhas do tipo A
 Portanto
A
Jaccard(Ci , C j ) =
A+B+C
34