Recuperación de información basada en distancias hipersintácticas

Abstract

La búsqueda y recuperación de información en Internet es una tarea difícil, por ello no hay muchas herramientas capaces de extraer información de páginas web en tiempo real. La principal causa es que la mayoría de las páginas web en Internet están implementadas usando (X)HTML "plano", el cual es un lenguaje que carece de información semántica estructurada. Por esta razón la mayoría de los esfuerzos en esta área se han encaminado a desarrollar técnicas de extracción de URLs. Este campo ha producido muy buenos resultados implementados por los motores de búsqueda modernos como Google , Yahoo o Bing . Por el contrario, la extracción de información de una única página web ha conseguido pobres resultados o pocas herramientas. En este trabajo hemos definido una técnica nueva para la recuperación de información de una página web y de colecciones de páginas web interconectadas. Esta técnica se basa en distancias sintácticas para recuperar información. Esto permite que la técnica pueda trabajar con cualquier página web, y, además, recuperar información "online". La implementación, y experimentos demuestran la utilidad de la técnica.