Riccardo Govoni - Search

Search Corso di formazione d’Eccellenza in Web 2.0, online business e social media marketing Social Media Lab Universita’ IULM Govoni Riccardo - 28/Apr/2009

Intro Di cosa si parla oggi?

Intro • Il Web, la ricerca quantitativa e l’informazione strutturata • Fonti dati e disponibilita’ • Data & Text mining • Case studies ed esempi

Web An internet ﬁrewall, as seen from www.warriorsofthe.net

Breve storia del web • Da 3 terminali a 1.1B utenti • Arpanet e il TCP/IP • Cern e WWW • HTTP ed il modello page-by-page • HTML ed i linguaggi di markup • La crescita esponenziale, i motori di ricerca

HTML • Linguaggio di markup piu’ popolare per contenuti web • prima apparizione nel 1991, formalizzato nel 1993 • E’ de-facto il mattone base del world-wide- web... • ma l’ultima revisione (HTML 4.01) risale al 1999 !

HTML • Pro: • Semplicita’ • Portabilita’ • Contro: • Applicabilita’ limitata nella sua concezione originale • Commistione di presentazione e contenuto

L’esplosione del web

HTML • Perfetto per contenuti testuali • Pessimo per lo scambio dati • Un layer di presentazione di troppo successo Text Data Human Machine

HTML (cont.)

HTML (cont.) <td>1</td> <td> <span class=quot;ﬂagiconquot;> <a href=quot;/wiki/File:Flag_of_Utah.svgquot; class=quot;imagequot; title=quot;Flag of Utah.svgquot;> <img alt=quot;quot; src=quot;http://.../22px-Flag_of_Utah.svg.pngquot; width=quot;22quot; height=quot;15quot; border=quot;0quot; class=quot;thumbborderquot; /> </a> </span> <a href=quot;/wiki/Utahquot; title=quot;Utahquot;>Utah</a> </td> <td>2.50</td>

Altri standard • Cascading Style Sheet (CSS) • Javascript • Flash • eXtensible Markup Language (XML) • Really Simple Syndication (RSS)

Ricerca Quantitativa Dato, Misura, Ripetibilita’, Statistica, Esperimento 2-var normal gaussian distribution

Ricerca Quantitativa

Ricerca Qualitativa

Obiettivo • dati, dati, dati • Hard numbers, quantita' veriﬁcabili, datasets, serie storiche. • Esistono sul web? Esistono in formati aperti a successive analisi?

Come trovarli? • Ehi, ma il web e’ (quasi) tutto testo! • Identiﬁchiamo le fonti dati disponibili • Preferiamo l’utilizzo di informazioni strutturate

Searching... Dal testo ai dati

Alcuni esempi • Google Insights for Search • Google Ad Planner

Insights for Search http://www.google.com/insights/search/

Esempi • Seasonality • Brand recognition • Marketing response • Demographics • Sales Trends

Demographics: Obesity

Demographics: Obesity • Google insights for search for obesity - weight loss • http://calorielab.com/news/wp-images/post-images/ fattest-states-2007.gif • http://www.google.com/insights/search/#cat=&q=Weight %20Loss&geo=US&date=&clp=&cmpt=geo

Demographics: Swine Flu

Demographics: Swine Flu • Google insights for search for swine flu • http://en.wikipedia.org/wiki/ 2009_swine_flu_outbreak_in_the_United_States • http://www.google.com/insights/search/#q=swine %20flu&geo=US&date=today%207-d&cmpt=geo

Google Ad Planner

[Un]structured information Why structure matters Never tell a typographer that text is “just text”

Perche’ e’ importante? • Importanza dell’informazione strutturata per l’analisi quantitativa • Gestire l’information overload • Facilitano l’elaborazione automatica • Ripetibilita’ del processo di analisi • Migliore interpretazione del dato: meno soggettivo, piu’ oggettivo.

Text RSS Data Provisioning CSV Microformat Semantic Web API

Microformats Embedding structured info under the hood An example of microchip art. Milhouse on a Sil154CT64 chip

Cosa sono? “Designed for humans ﬁrst and machines second, microformats are a set of simple, open data formats built upon existing and widely adopted standards.” http://microformats.org/

Cosa sono? • Un sistema totalmente compatibile con gli standard esistenti (HTML, XHTML) per arricchire i contenuti web con metadati semantici • Un tentativo per risolvere la commistione tra presentazione e contenuto dell’ HTML. • Ad esempio: contact details, coordinate geograﬁche, eventi di calendario.

Microformat:geo Informazioni geograﬁche: http://microformats.org/wiki/geo per l’utente N 37° 24.491 W 122° 08.313 per la macchina <div class=quot;geoquot;> <abbr class=quot;latitudequot; title=quot;37.408183quot;>N 37° 24.491</abbr> <abbr class=quot;longitudequot; title=quot;-122.13855quot;>W 122° 08.313</abbr> </div>

Microformat:xfn Informazioni sociali: http://en.wikipedia.org/wiki/XHTML_Friends_Network per l’utente Riccardo Govoni per la macchina <a href=quot;http://www.battlehorse.net/quot; rel=quot;colleaguequot;> Riccardo Govoni </a>

Search Engines • Yahoo Search Monkey http://developer.yahoo.net/blog/archives/2008/12/monkey_ﬁnds_microformats_and_rdf.html • Google Social Graph APIs http://code.google.com/apis/socialgraph/ http://microformats.org/wiki/search-engines

Semantic Web <item rdf:about=quot;http://dbpedia.org/resource/Catquot;>Cat</item> Artwork of the W3C Semantic Web logo

Semantic Web “Semantic technologies include software standards and methodologies that are aimed at providing more explicit meaning for the information that's at our disposal” http://www.semantic-conference.com/primer.html • E’ un set di principi, standard e tecnologie volta a superare la limitazione del web odierno nel discernere presentazione da contenuto. • E’ una forma di fruizione dell’universo di informazioni presenti sul web orientata all’elaborazione da parte di una macchina.

Cos’e’ una lista? E uno stato?

Cos’e’ una lista? <td>1</td> <td> <span class=quot;ﬂagiconquot;> <a href=quot;/wiki/File:Flag_of_Utah.svgquot; class=quot;imagequot; title=quot;Flag of Utah.svgquot;> <img alt=quot;quot; src=quot;http://.../22px-Flag_of_Utah.svg.pngquot; width=quot;22quot; height=quot;15quot; border=quot;0quot; class=quot;thumbborderquot; /> </a> </span> <a href=quot;/wiki/Utahquot; title=quot;Utahquot;>Utah</a> </td> <td>2.50</td>

Le tecnologie in gioco

OWL • Ontologia: una rappresentazione formale di un set di concetti all’interno di un dominio deﬁnito e delle relazioni che li collegano • OWL (Web Ontology Language): Linguaggio per la deﬁnizione di ontologie.

RDF • RDF (Resource Description Framework): un’insieme di speciﬁche per la descrizione e modellazione di ‘risorse’ in forma di triple “Soggetto - Predicato - Oggetto” • SPARQL: linguaggio di ricerca per risorse descritte tramite RDF.

RDF: esempio <RDF:RDF xmlns:RDF=quot;http://www.w3.org/1999/02/22-rdf-syntax-ns#quot; xmlns:ANIMALS=quot;http://www.some-fictitious-zoo.com/rdf#quot;> <RDF:Seq about=quot;http://www.some-fictitious-zoo.com/all-animalsquot;> <RDF:li> <RDF:Description about=quot;http://www.some-fictitious-zoo.com/mammals/lionquot;> <ANIMALS:name>Lion</ANIMALS:name> <ANIMALS:species>Panthera leo</ANIMALS:species> <ANIMALS:class>Mammal</ANIMALS:class> </RDF:Description> </RDF:li> <RDF:li> <RDF:Description about=quot;http://www.some-fictitious-zoo.com/arachnids/tarantulaquot;> <ANIMALS:name>Tarantula</ANIMALS:name> <ANIMALS:species>Avicularia avicularia</ANIMALS:species> <ANIMALS:class>Arachnid</ANIMALS:class> </RDF:Description> </RDF:li> <RDF:li> <RDF:Description about=quot;http://www.some-fictitious-zoo.com/mammals/hippopotamusquot;> <ANIMALS:name>Hippopotamus</ANIMALS:name> <ANIMALS:species>Hippopotamus amphibius</ANIMALS:species> <ANIMALS:class>Mammal</ANIMALS:class> </RDF:Description> </RDF:li> </RDF:Seq> </RDF:RDF>

RDF: esempio • http://creativecommons.org/licenses/by/3.0/

FOAF • FOAF (Friend of a Friend): E’ un’ ontologia rivolta alla descrizione di persone e reti sociali.

FOAF example <rdf:RDF xmlns:rdf=quot;http://www.w3.org/1999/02/22-rdf-syntax-ns#quot; xmlns:rdfs=quot;http://www.w3.org/2000/01/rdf-schema#quot; xmlns:foaf=quot;http://xmlns.com/foaf/0.1/quot;> <foaf:Person> <foaf:name>Sam Ruby</foaf:name> <foaf:firstName>Sam</foaf:firstName> <foaf:surname>Ruby</foaf:surname> <foaf:nick>rubys</foaf:nick> <foaf:mbox_sha1sum>703471c6f39094d88665d24ce72c42fdc5f20585</foaf:mbox_sha1sum> <foaf:homepage rdf:resource=quot;http://www.intertwingly.net/quot;/> <foaf:depiction rdf:resource=quot;http://www.intertwingly.net/images/SamR_small.jpgquot;/> <foaf:workplaceHomepage rdf:resource=quot;http://www.ibm.com/quot;/> <foaf:schoolHomepage rdf:resource=quot;http://www.cnu.edu/quot;/>  <foaf:knows> <foaf:Person rdf:ID=quot;djquot;> <foaf:givenName>DJ</foaf:givenName> <foaf:surname>Adams</foaf:surname> <foaf:mbox rdf:resource=quot;mailto:dj.adams@pobox.comquot;/> <rdfs:seeAlso rdf:resource=quot;http://www.pipetree.com/~dj/foaf.rdfquot;/> </foaf:Person> </foaf:knows> ...

Case: Open Calais http://www.opencalais.com/ http://viewer.opencalais.com/ • Calais, un progetto Thomson Reuters, e’ un servizio online per la conversione di testo non strutturato in strutture semantiche, utilizzando tecniche di Natural language Processing e Machine Learning. • Esempio: Gnosis • Alternative: KIM - OntoText

Gnosis

API Application Programming Interface Tektronix 556 dual beam spectrum analyzer

API • Il modo migliore per avere accesso a dati strutturati. • Permettono all’utente (programmatore) l’accesso al dato saltando il layer di presentazione (HTML). • Sono ubiquitarie: ricerca, e- commerce, news, ﬁnance, reti sociali, photo, mapping, mobile, travel, music, ovunque. • Sono componibili (Mashups).

API • Sono rivolte a “programmatori”, ma ... • Riducono la barriera di accesso all’informazione per chiunque • Rendono possibile l’accesso a sistemi che il singolo non sarebbe in grado di ottenere. • Sono espressione dell’idea di “open communication” come forma di auto- gestione del web. • Sono un esempio digitale di mutua simbiosi.

Twitter API { quot;trendsquot;:{ quot;2009-04-27 22:10:19quot;:[ { quot;queryquot;:quot;quot;Swine Fluquot; OR Fluquot;, quot;namequot;:quot;Swine Fluquot; }, { quot;queryquot;:quot;#swinefluquot;, quot;namequot;:quot;#swinefluquot; }, { quot;queryquot;:quot;Mexicoquot;, quot;namequot;:quot;Mexicoquot; }, { quot;queryquot;:quot;#musicmondayquot;, quot;namequot;:quot;#musicmondayquot; }, { quot;queryquot;:quot;#savechuckquot;, quot;namequot;:quot;#savechuckquot; } http://search.twitter.com/trends/current.json ] }, quot;as_ofquot;:1240870219 }

New York Times APIs http://developer.nytimes.com/docs

NYT elastic lists Text http://moritz.stefaner.eu/projects/elastic-lists/NYT/

Mashups Blending the web together

Mashups • Applicazioni web che combinano dati provenienti da piu’ fonti in una singola funzionalita’ integrata. • Si basano quasi sempre sulle API rese disponibili dai singoli servizi • Offrono a non sviluppatori l’accesso a informazioni strutturate “pre-digerite” • Yahoo pipes (e.g.: Social Media Tracker) • Programmable Web

Yahoo Pipes http://pipes.yahoo.com/pjdonnellywork/5bd39564344cffbc9c9fabbeecec1576

Programmable Web • La risorsa di riferimento, dove aggiornarsi su API e Mashups disponibili

Programmable Web • http://www.liveplasma.com/ • http://dev.benedictoneill.com/bbc/ • http://imagine-it.org/amazong/arbore.php? XMLFileName=0738204315.xml • http://imagine-it.org/amazong/ vissimweb.htm

At the end, it’s all text... Introduzione al Text processing e Text mining Book of Kells, Trinity College, Dublino

Data mining • Il problema dell’information overload • Data mining “is the process of extracting hidden patterns from data” • Il Data mining si divide in 2 rami: Discovery e Prediction • Il Data mining riguarda 4 classi di problemi: Classiﬁcation, Clustering, Regression, Pattern Inference

Text mining, Information Retrieval • ramo del Data Mining, focalizzato all’estrazione di dati a partire da corpora testuali. • Sottogruppi: text clustering, normalization, entity recognition, summarization, computational linguistics, natural language processing

Zipf distribution Originally, Zipf's law stated that, “in a corpus of natural language utterances, the frequency of any word is roughly inversely proportional to its rank in the frequency table”. http://www.ohohlfeld.com/zipf.html

tf-idf • Le basi della ricerca testuale: • All’interno di un corpo di testo, come distinguere i termini che danno un contributo signiﬁcativo ad un documento, rispetto ai connettivi? • Valorizzare i termini che appaiono spesso in un documento • Penalizzare i termini che appaiono spesso nell’intero corpus

tf-idf • tf-idf : Term Frequency / Inverse Document Freq. • Term weighting: aij = f(Lij,Gi,Nj) = Lij Gi Nj • Classic tf-idf: http://irthoughts.wordpress.com/2008/07/07/understanding-tﬁdf/

Clustering • Identiﬁcare una struttura in un’insieme di dati non noti a priori. • Organizzare oggetti in gruppi i cui mmbri sono simili secondo una certa metrica. http://home.dei.polimi.it/matteucc/ Clustering/tutorial_html/index.html

Graph Theory • the study of graphs: mathematical structures used to model pairwise relations between objects from a certain collection. • A quot;graphquot; in this context refers to a collection of vertices or 'nodes' and a collection of edges that connect pairs of vertices. A graph may be undirected, meaning that there is no distinction between the two vertices associated with each edge, or its edges may be directed from one vertex to another.

Graph Theory

Graph Theory e Clustering • Entrambe le teorie si basano sul concetto di metrica. Perche’ non sfruttarlo? • Esempio: identiﬁcare gruppi all’interno di un network sociale.

Esempio: processing battlehorse.net

Machine learning • Riguarda il disegno e lo sviluppo di algoritmi che permettono ad un computer di migliorare le proprie capacita’ nel tempo, sulla base dei dati a disposizione. • Include numerose discipline usate quotidianamente per gestire l’enorme mole di dati disponibile sul web.

Case study: Enron • Enron ando’ in bancarotta il 2 Dicembre 2001, a seguito di scandali e illegalita’ ﬁnanziarie. • Per effetto delle indagini, un corpus di 200.000(*) email riguardanti 150 persone e’ diventato di dominio pubblico: il dataset Enron.

L’analisi quantitativa • Utilizziamo i legami mittente-destinatario per creare graﬁ di relazioni, da cui estrarre informazioni sociali in base ai volumi di scambio: chi parla con chi? chi agisce da accentratore?

Enron: riferimenti • http://www.cs.cmu.edu/~enron/ • http://jheer.org/enron/ • http://www.cs.umass.edu/~ronb/enron_dataset.html

BayesFor Un caso di studio su Web crawling e Media monitoring www.bayesfor.eu

BayesFor.eu • Un’associazione che si propone di promuovere e realizzare ricerche, studi o sperimentazioni in materia di analisi dei dati e utilizzo di tecniche statistiche • Ha l’obiettivo di fare spidering di fonti sul web con lo scopo di estrarre informazioni, come ad esempio: • Correlazione tra concetti semantici nel tempo • Associazioni tra concetti semantici e publisher • Media bias e relazioni tra informazioni e notizie • Interrelazione tra news, media e mercati ﬁnanziari

Come funziona? • Lista di fonti (siti di quotidiani italiani ed esteri, agenzie di stampa, feed rss, etc...) • Lista di topics di interesse, incrementata dinamicamente in base alla popolarita’ • Un motore di crawling web • Un archivio dati con memoria storica dei contenuti analizzati ﬁno ad oggi • Strumenti di analisi statistica e numerica

Volumi • ca. 200 fonti : portali, news websites, feeds • 40000 termini lessicali tracciati giornalmente • 20M di termini identiﬁcati negli ultimi 5 mesi • ~ 50Mb di dati giornalieri : come 60 libri di 300 pagine l’uno • ~ 25Gb di dati accumulati da ﬁne 2007, come una biblioteca di 40.000 volumi

Il processo di estrazione Estrazione automatica dei contenuti delle pagine web di Crawling interesse. Archival Archiviazione storica per giorno e per fonte Rimozione della formattazione indesiderata. Pulizia del Cleaning codice HTML e della punteggiatura. Filtering Separazione delle stop-word per ogni lingua analizzata Stemming Identiﬁcazione delle radici lessicali e raggruppamento Pesatura dei termini in base a posizione e prominenza Weighting all’interno delle pagine web Indexing Analysis Indicizzazione, ricerca e analisi statistica

Graph theory & News events

Case: Primarie PD True Value Predicted Candidato True Value Predicted Veltroni 75.81% 68.95% Bindi 12.88% 15.47% Letta 11.07% 15.47% Bonazzi A., Brunori P., Govoni R., Lampronti G.I., and Zandi M. Italy 2008 Polls, Web Visibility and Election Results, EDem2008 E-Democracy Conference proceedings, Danube University Krems

Zandi, Grippa, Bazarnick, Brunori, Frongia, Govoni, Bonazzi, Poster: Media Behavior During 2008 Electoral Campaign: a Web Content Analyis, SUNBELT Annual Conference, San Diego USA

Case: 2008 US Presidential Campaign

Web Datasets Dove stanno i dati sul web? Quali datasets sono disponibili? Oracle headquarters, California

Datasets? • Wikipedia Dump: http://download.wikimedia.org/ • il caso Enron: http://www.cs.cmu.edu/~enron/ • Grouplens: http://www.grouplens.org/taxonomy/term/14 • swivel.com , many-eyes.com • http://www.gapminder.org/ • http://www.ted.com/index.php/talks/ hans_rosling_shows_the_best_stats_you_ve_ever_seen.html

J. Minard map of Napoleon’s Russia campaign. ca 1861. Data Visualization Un’immagine vale piu’ di mille parole

Data Visualization • Processing: • http://www.processing.org • http://www.openprocessing.org • Google Visualization APIs • http://code.google.com/apis/visualization/

Thanks

http://www.socialmedialab.net	59
http://www.battlehorse.net	30
http://www.slideshare.net	3
http://localhost:3000	1

Riccardo Govoni - Search

by Social Media Lab on Apr 29, 2009

Accessibility

Categories

Tags

Upload Details

Usage Rights

4 Embeds 93

Statistics

Riccardo Govoni - Search — Presentation Transcript