Analýza webu pomocí vyhledávače Google metodou MBA Dobývání znalostí 2008 Vladislav Kozák, Jan Ondruš

Problém  Pomocí vyhledávače Google ( zjišťovat frekvenci hledaných výrazů a jejich dvojicwww.google.com  Dále metodou analýzy nákupního košíku vyhodnotit získané frekvence a získat pravidla, která mají vystihovat, která slova se vyskytují součastně  Zvoleny malé domény (množiny slov) Velikosti 5-12 slov Např. čeští politici, internetové zkratky

Zisk dat  Vyhledávač při vyhledávání zobrazí přibližný počet nalezených výskytů výrazu  Tento počet jsme zjistili pro každé slovo z domény a také pro každou z dvojic různých slov Předpokládáme, že přibližně odpovídá počtu výskytů výrazu nebo dané dvojice na internetu  Ze získaných čísel jsme utvořili symetrickou matici čísel, kterou jsme dále analyzovali

Zisk dat

 Prováděn automaticky pomocí skriptu, který vygeneroval odpovídající URL adresy, nechal je automaticky stáhnout (s použitím utility curl)  Ve zdrojovém kódu výsledků vyhledávání pak vyhledal příslušné číslo, které zařadil na příslušnou pozici ve výsledné matici  Navíc bylo zjištěno číslo – odhad celkového počtu stránek pokrývajících celou doménu Vyhledáním A OR B OR C OR … (hledá se výraz A nebo B nebo C atd. pro všechny prvky v doméně)

Domény 1.Časté internetové zkratky (12) – AKA, ASAP, BTW, … 2.Vybraní čeští politici (7) - Topolánek, Paroubek, Kalousek, … 3.Barvy (11) - zelená, červená, modrá, … 4.Vybraná křestní jména (5) - Honza, Karel, Milan, … 5.Malá čísla (21) – 0, 1, 2, … 6.Sporty (7) - fotbal, hokej, tenis, … 7.Programovací jazyky a jejich chyby (10) - java, c++, php, … 8.Jezdci F1 (6) - Raikkonen, Hamilton, Hakkinen, … 9.Zvířata (7) - kočka, kůň, pes, … 10.Značky notebooků (5) - asus, acer, hp, … 11.Američtí prezidenti (5) - Clinton, Bush, Kennedy, …

MBA analýza  Na vytvoření MBA jsme použili funkci „mba“, která dostane jako parametr 1.Matici četností pro doménu 2.Součet všech transakcí  Jako výstup vrací matici n x 5 (kde n je počet prvků domény) ve tvaru: "IF","THEN","podpora","spolehlivost","zlepšení", kde:  IF,THEN jsou čísla prvků v doméně (odpovídají pravidlům)  podpora, spolehlivost je v procentech  Modifikací této funkce je funkce „mba2“, která dostane ještě 3 další parametry p,s,z, které určují minimální podporu, spolehlivost a zlepšení a vrátí pouze příslušná pravidla

MBA analýza  Poznámky Při vyhledávání pomocí Googlu, může nastat, že při hledání X vrátí méně odkazů než při hledání X a Y – to vedlo na spolehlivost více než 100% Takové řádky jsme ignorovali  Obecně byli nalezena pravidla s malými podporami  U některých domén nebyla nalezena pravidla se zlepšením >= 1 nalezená pravidla byla zřejmě nepoužitelná

Výsledky (domény 1-2)

Výsledky (domény 3-4)

Výsledky (domény 5-7)

Výsledky (domény 8-9)

Výsledky (domény 10-11)

Závěr  Dotazy  Komentáře  Připomínky  …