Autoclipping
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10400.22/16921 |
Resumo: | A monitorização dos media com o objetivo de compilar notícias sobre determinado assunto, processo denominado de clipping, procura cada vez mais recursos à medida que aumenta a quantidade de informação online. Usar soluções de aprendizagem automática para auxiliar os editores de boletins temáticos pode ser uma maneira muito eficiente de oferecer suporte ao recorte automático na web. Este documento apresenta soluções para a recolha automática de páginas web de seed websites de interesse para recolher notícias potencialmente interessantes para o boletim da European Association of ERASMUS Coordinators. O processo de recolha retorna dados não estruturados que são pré-processados para que possam ser explorados por técnicas de aprendizagem automática. Em particular, usaremos classificadores de texto para rotular notícias recentes sobre uma taxonomia que representa o tópico de interesse. O web crawling que faz a recolha de notícias também recolhe estatísticas sobre a qualidade das notícias extraídas de cada seed websites para que o modelo possa adaptar automaticamente a sua frequência de rastreamento para evitar o desperdício de recursos ao extrair dados de sites estáticos. A avaliação preliminar mostra que esse processo pode recolher notícias valiosas com uma redução significativa no tempo e no esforço exigidos do editor do boletim informativo. |
id |
RCAP_8b7f2ce13849751961ae92ea7820e61f |
---|---|
oai_identifier_str |
oai:recipp.ipp.pt:10400.22/16921 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
AutoclippingAutoclipping: Automatic gathering of news for a specific topic taxonomyWeb CrawlingText MiningAprendizagem supervisionadaClassificaçãoA monitorização dos media com o objetivo de compilar notícias sobre determinado assunto, processo denominado de clipping, procura cada vez mais recursos à medida que aumenta a quantidade de informação online. Usar soluções de aprendizagem automática para auxiliar os editores de boletins temáticos pode ser uma maneira muito eficiente de oferecer suporte ao recorte automático na web. Este documento apresenta soluções para a recolha automática de páginas web de seed websites de interesse para recolher notícias potencialmente interessantes para o boletim da European Association of ERASMUS Coordinators. O processo de recolha retorna dados não estruturados que são pré-processados para que possam ser explorados por técnicas de aprendizagem automática. Em particular, usaremos classificadores de texto para rotular notícias recentes sobre uma taxonomia que representa o tópico de interesse. O web crawling que faz a recolha de notícias também recolhe estatísticas sobre a qualidade das notícias extraídas de cada seed websites para que o modelo possa adaptar automaticamente a sua frequência de rastreamento para evitar o desperdício de recursos ao extrair dados de sites estáticos. A avaliação preliminar mostra que esse processo pode recolher notícias valiosas com uma redução significativa no tempo e no esforço exigidos do editor do boletim informativo.Monitoring the media with the purpose of compiling news about a certain topic, a process named clipping, demands for more and more resources as the amount of online information grows. Using machine learning solutions to assist the editors of thematic newsletters might be a very efficient way to support automatic clipping on the web. This document presents solutions for the automatic harvesting of web pages from seed websites of interest to gather potentially interesting news for the newsletter of the European Association of ERASMUS Coordinators. The harvesting process returns unstructured data that is pre-processed so it can be explored by machine learning techniques. In particular, we will use text classifiers to label fresh news on a taxonomy representing the topic of interest. The web crawler doing the news harvesting is also collecting statistics about the quality of the news extracted from each seed website so the model can automatically adapt its crawling frequency to avoid wasting resources retrieving data from static websites. The preliminary evaluation shows this process might collect valuable news with a significant reduction in the time and effort required from the newsletter editor.Almeida, Ricardo Gabriel Soares Fernandes deRepositório Científico do Instituto Politécnico do PortoOliveira, José Maria Paiva Jesus2021-02-08T15:45:19Z20202020-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.22/16921TID:202550419porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-03-13T13:05:12Zoai:recipp.ipp.pt:10400.22/16921Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T17:36:34.196102Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Autoclipping Autoclipping: Automatic gathering of news for a specific topic taxonomy |
title |
Autoclipping |
spellingShingle |
Autoclipping Oliveira, José Maria Paiva Jesus Web Crawling Text Mining Aprendizagem supervisionada Classificação |
title_short |
Autoclipping |
title_full |
Autoclipping |
title_fullStr |
Autoclipping |
title_full_unstemmed |
Autoclipping |
title_sort |
Autoclipping |
author |
Oliveira, José Maria Paiva Jesus |
author_facet |
Oliveira, José Maria Paiva Jesus |
author_role |
author |
dc.contributor.none.fl_str_mv |
Almeida, Ricardo Gabriel Soares Fernandes de Repositório Científico do Instituto Politécnico do Porto |
dc.contributor.author.fl_str_mv |
Oliveira, José Maria Paiva Jesus |
dc.subject.por.fl_str_mv |
Web Crawling Text Mining Aprendizagem supervisionada Classificação |
topic |
Web Crawling Text Mining Aprendizagem supervisionada Classificação |
description |
A monitorização dos media com o objetivo de compilar notícias sobre determinado assunto, processo denominado de clipping, procura cada vez mais recursos à medida que aumenta a quantidade de informação online. Usar soluções de aprendizagem automática para auxiliar os editores de boletins temáticos pode ser uma maneira muito eficiente de oferecer suporte ao recorte automático na web. Este documento apresenta soluções para a recolha automática de páginas web de seed websites de interesse para recolher notícias potencialmente interessantes para o boletim da European Association of ERASMUS Coordinators. O processo de recolha retorna dados não estruturados que são pré-processados para que possam ser explorados por técnicas de aprendizagem automática. Em particular, usaremos classificadores de texto para rotular notícias recentes sobre uma taxonomia que representa o tópico de interesse. O web crawling que faz a recolha de notícias também recolhe estatísticas sobre a qualidade das notícias extraídas de cada seed websites para que o modelo possa adaptar automaticamente a sua frequência de rastreamento para evitar o desperdício de recursos ao extrair dados de sites estáticos. A avaliação preliminar mostra que esse processo pode recolher notícias valiosas com uma redução significativa no tempo e no esforço exigidos do editor do boletim informativo. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020 2020-01-01T00:00:00Z 2021-02-08T15:45:19Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10400.22/16921 TID:202550419 |
url |
http://hdl.handle.net/10400.22/16921 |
identifier_str_mv |
TID:202550419 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799131456629374976 |