Prototipo Web Semántico Extractor de Conocimiento

IDE del prototipo

Renán Vallejos Guerrero — Wed, 04 Mar 2009 21:43:38 +0000

IDE EW (extractor web)

Introducción

La interfaz del prototipo se esta desarrollando con un apego a la usabilidad del software para que cualquier usuario sea este profano o no pueda hacer uso de la herramienta. Precisamente pensando en esto se esta desarrollando un Wizard (asistente) el mismo que guiará a través del proceso de extracción en 5 o 6 pasos sencillos, por supuesto que los mismos son inherentes a la capacidad del prototipo por lo que se consideró indicar paso a paso el proceso de extracción. Como un complemento se ha desarrollado un explorador web propio del prototipo para facilitar el proceso de extracción.

Navegador web

El navegador web se presenta como una herramienta adicional incluida en el prototipo su objetivo principal es que el usuario tenga la posibilidad de que mientras navega en el propio navegador web del prototipo también pueda realizar extracción de conocimiento sin cambiarse de aplicación y conforme se lo necesite.

Wizard (Asistente de extracción)

El wizard se ha desarrollado pensando en darle facilidad al usuario para que pueda realizar el proceso de extracción de conocimiento de una manera integrada y guiada. Esto se destaca de vital importancia dado que como es un prototipo trata de demostrar el proceso de extracción para que el mismo sea comprendido de una mejor manera, caso contrario si fuese un producto final solo se deberían obtener resultados finales del proceso directamente.

Dentro de la extructura de flujo del IDE el wizard tiene en sus nodos de operación un extractor de texto del html, un etiquetador texto / categoria de palabra (módulo sintáctico), un módulo semántico, un generador de xml, rdf y owl.

Extractor de texto

La función de este extractor tiene como objetivo extraer del código html las palabras y dejarlas en texto plano y simple sin ninguna etiqueta, es decir, completamente limpio.

Etiquetador texto/categoría

La función primordial de este es darle la facilidad al usuario de poder entrenar al prototipo en su parte sintáctico, la misma información que se guarda en la base de datos.

Filtrado de Tags HTML usando REGEX

Renán Vallejos Guerrero — Tue, 03 Mar 2009 23:29:21 +0000

Una de las opciones para poder realizar el filtrado del texto de la etiquetas html, sería utilizar la librería del .Net llamada regex, pero su efectividad no ha sido comprobada en archivos de texto simple en la interfaz de usuario del prototipo.

RDF vs XML

Renán Vallejos Guerrero — Thu, 26 Feb 2009 22:09:23 +0000

En el desarrollo del prototipo se comtemplaba tener una salida con un documento XML pero la realidad es que el lenguaje XML no tendría la capacidad para poder representar recursos con sus respectivas relaciones y dependencias, por lo que se ha considerado que RDF debe ser el lenguaje de resultado final del proceso siempre y cuando se consiga la estructura base XML.

Interfaz integrada

Renán Vallejos Guerrero — Thu, 26 Feb 2009 00:00:55 +0000

Al principio del desarrollo del prototipo se pensaba realizar una sola interfaz que sería la del tagger (etiquetador) pero conforme se avanzó en las investigaciones y de software que realizaba una función similiar pero menos completa que la aspirada a realizar por el prototipo extractor, se consideró muy útil que la extracción y procesamiento de la información se la realice desde un explorador web, el mismo que fué desarrollado como interfaz principal de interacción con el usuario.

Con este explorador al mismo tiempo que se navega se puede ir extrayendo el texto del HTML, tagging, generación de ontologías y archivos como XML.

Como dato adicional el explorador fué desarrollado igualmente en plataforma C# .Net.

Ardua búsqueda

Renán Vallejos Guerrero — Mon, 23 Feb 2009 19:13:48 +0000

La cantidad de información con la que se contaba hace un año acerca de la web semántica solo era de ámbito general, relativa y repetitiva incluso en Internet, lo que motivó a buscarla en otros idiomas fué así que se encontró importantes investigaciones llevadas a cabo en la University of Southampton de Inglaterra específicamente en el ECS EPRINTS Repository aquí se pudo encontrar varios proyectos en desarrollo en basándose en investigaciones de la nueva plataforma necesaria para alcanzar la web semántica, incluso ya existen proyectos desarrollados como: mSpace, Artequakt project entre otros.

Antecedentes

Renán Vallejos Guerrero — Thu, 19 Feb 2009 22:54:45 +0000

El PROTOTIPO WEB SEMÁNTICO EXTRACTO DE CONOCIMIENTO DE PAGINAS WEB DE HIPERTEXTO que se desarrolla para una empresa de desarrollo de software local forma parte del requisito Plan de Proyecto de Grado para obtener el título de Ingeniería en Sistemas en la PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR SEDE IBARRA.

Después de una charla llevada a cabo por el Ing. Fernando Garrido catedrático de la universidad nació el interes por la nueva generación del procesamiento de información en Internet por varios motivos entre ellos:

La posibilidad de que las máquinas discernimiento web
Incrementar el conocimiento en este tipo de procesamiento de información para dejar un antecedente investigativo para futuras generaciones