Analiza linkova

Pronalaženje informacija na WWW-u je jedan od najizazovnijih zadataka. U početku je rad na pronalaženju informacija bio koncentrisan na sadržaj hiperteksta, i malo je pažnje bilo posvećeno hipervezama (hiperlinkovima) koji povezuju različite dokumente.
Tema kojom ćemo se baviti, analiza linkova, popularna je u oblastima kao što su društvene mreže, bezbednost računara... Ona je deo Web mining-a, čija literatura tradicionalno definiše link(vezu) kao usmereni hiperlink za povezivanje jedne Web strane na drugu. Sa pojavom  tehnologija kao što su semantički bogati programski jezici za označavanje i skript jezici (npr Java Script), predstavljanje informacija o podacima na Web-u se izuzetno promenila, što je rezultiralo u daljem proučavanju Web mining-a za ovu vrstu podataka koja je bogata informacijama.
U ovom radu ćemo opisati i neki od najvažnijih modela i algoritama koje primenjuje analiza linkova, kao i aplikacije(primene) koje proističu iz istraživanja u ovoj oblasti.
U narednim stavkama ćemo prvo nesto reći o oblastima kojima analiza linkova pripada - Data Mining-u i Web mining-u, koji je deo Data mining-a.

Data Mining

Data mining je proces „rovarenja” po sirovim informacijama uz pomoć kompjutera i vađenja njihovog značenja. Zahvaljujući data mining-u, možemo da predvidimo trend tržišta ili ponašanje konzumenata i na taj način obezbedimo uspeh firme ili proizvoda. To se postiže analizom podataka iz raznih perspektiva i pronalaženjem veza i odnosa između naizgled nepovezanih informacija.
Povezanost, tačnije analogija sa rudarstvom je očigledna. U potrazi za plemenitom rudom koja je sakrivena negde duboko u planini, neophodno je duboko kopati, izbaciti velike količine zemlje i kamena (jalovine), a kada se jednom naiđe na žilu, neophodno je pratiti je celom dužinom.
Zbog svega gore navedenog, proces Data mining-a neraskidivo je vezan za računare.

Web mining

Web mining, ili rudarenje Web-a, je deo rudarenja podataka(gore opisanog Data mining-a) specijalizovan za otkrivanje podataka na internetu, posebno na WWW-u. Web mining je oblast koja najviše obećava, jer je internet moćan izvora informacija.
Web mining je izvlačenje interesantnih i korisnih šablona i implicitnih informacija iz aktivnosti kao što smo rekli vezanih za WWW (World Wide Web). Glavni zadatak koji obavlja Web mining je dobavljanje Web dokumenata, selekcija i obrada informacija sa interneta, pronalaženje i analiza šablona na sajtovima ili između sajtova.
Ogromne baze podataka bogate su podacima, ali i siromašne informacijama koje su skrivene u sačuvanim podacima. Web mining je integracija informacija prikupljenih od strane tradicionalnih metoda i tehnika Data mining-a, sa informacijama prikupljenim na WWW-u. Služi za razumevanje ponašanja kupaca, ocenjivanja efikasnosti neke Web stranice i pri određivanju uspešnosti neke marketinške kampanje.

Web mining može biti kategorizovan u tri oblasti

• Mining web sadržaja (Content mining),
• Mining web structure (Structure mining), i
• Mining korišćenja web-a (Usage mining).

Od gore navedenih, nama je najbitnija oblast mining-a Web structure, s obzirom da se ona bavi analizom linkova.

Postoje i problemi kod rudarenja Web-a. Sama tehnologija Web mining-a ne uzrokuje nikakve probleme, ali korišćenje te tehnologije na ličnim podacima može da načini štetu. Najveći takav problem bi bio narušavanje privatnosti. Privatnost se narušava kada se informacije o nekom pojedincu dobijaju i koriste bez njegovog znanja i dopuštenja. Još jedan takav problem je da kompanije koje prikupljaju podatke za neku određenu svrhu, mogu te podatke koristiti za nešto sasvim drugačije. Te kompanije su odgovorne za sva izdavanja tih podataka, i ako se primete nekakve nepravilnosti sledi im sudska tužba, ali nema zakona koji ih sprečava da trguju tim podacima. Kako popularnost WWW-a i dalje raste, postoji rastuća potreba za razvijanjem novih alata i tehnika koje će poboljšati njegovu celokupnu korisnost.

 2. Analiza linkova

 2.1 Analiza linkova u Web Mining-u

U analizi linkova, mi smo pre svega zainteresovani za oblast Web structure mining (Mining web strukture).
Web structure mining, jedna od tri kategorije Web mining-a koje smo spomenuli, je alat koji se koristi za identifikaciju odnosa između Web stranice povezane informacijom ili direktnim linkom. Ova struktura podataka se otkriva odredbom šemi Web struktura kroz tehnike baze podataka za Web stranice. Ova konekcija omogućava pretraživaču da povuče podatke, koji se odnose na upit za pretragu, direktno na Web stranicu koja linkuje sa Web lokacije na kojoj sadržaj počiva.
Analiza linkova može biti obogaćena uklapanjem u podatke iz svih kategorija Web mining-a. Neki primeri kako analiza linkova može da se koristi sa i bez dodatnih Web mining podataka:
• Dodeljivanje ovlašćenja kolekciji Web strana. U kombinaciji sa sadržajem Web podataka, vlast može biti podeljena u skladu sa sadržajem teme.
• Razumevanje Web graf strukture kroz ispitivanje raznih graf obrazaca, kao što su „cocitations“, „coreferences“, bipartitni grafovi(graf čiji se čvorovi mogu podeliti u dva nesrazmerna seta U i V, tako da svaka ivica povezuje temena u U jednom u V, to jest, U i V su dva nezavisna seta), itd.
• Poboljšanje efikasnosti crawling-a (proces za indeksiranje kolekcije Web stranica) tako što se raspoređuju stranice koje treba da budu „crawled” pre drugih, kako glasi prema različitim link analizama generisanih metrika.
• Kad je kombinovan sa Web usage mining-om, analiza linkova može da se koristi za predviđanje korisnik – trenutno(user browsing) ponašanje i poboljšanje preporuka sistema.

 2.2 Web kao graf

Pošto obrađujemo temu, kako i sam naziv kaže, koja se bavi analizom linkova neophodno je da se malo bolje upoznamo sa pojmom na kojem se linkovi i sreću - WWW – World Wide Web.
WWW se može prikazati kao hijerarhija Web objekata koja se može videti na slici. WWW se posmatra kao skup Web lokacija, a Web sajt kao skup Web stranica sa lukovima i sadržajnim elementima. Fokusiraćemo se na Web sajt koji je modelovan kao usmeren graf sa Web čvorovima i Web lukovima, gde Web čvorovi odgovaraju HTML datotekama sa sadržajem stranice, a Web lukovi odgovaraju hiperlinkovima koje interaguju sa Web stranicama.

Šema World Wide Web-a

Na slici možemo da primetimo da pravougaonik predstavlja entitet, a linija vezu. Trostruka linija označava odnos jedan-prema više. Linija na dnu predstavlja generalizaciju ili specijalizaciju.
WWW možemo formalno da posmatramo kao diagraf sa (sekvenca od dva karaktera, koji se pojavljuju u izvornom kodu) Web čvorovima i lukovima. Pristup Web-u kao grafu može biti polazna tačka za generisanje strukture World Wide Web-a koja se može koristiti za sajtove Web dizajnera, pretraživače, Web crawler-e...

 2.3 Terminologija Web strukture

 U osnovi, Web može biti, kao što smo gore pomenuli, modelovan kao usmereni graf koji sadrži skup čvorova koji su povezani sa usmerenim ivicama. U narednim redovima daćemo kratak pregled terminologije koja se koristi za modeliranje Web grafova:
• Web Grafikon(Graf) je usmereni graf koji predstavlja Web.
• Čvor - Svaka Web stranica je čvorište Web grafa.
• Link - svaki hiperlink na Web-u je usmerena ivica Web grafa.
• „Indegree“ - „indegree“ od čvora p je broj različitih linkova koji ukazuju na p.
• „Outdegree“ - „outdegree“ od čvora p je broj različitih linkova poreklom iz p koji ukazuje na druge čvorove.
• Direktna putanja - niz linkova koji počinju od strane p koji može da stigne do stranice q(veza može da se prostire samo u jednom pravcu, odnosno od svog izvora do njegove destinacije).
• Najkraća putanja - Od svih puteva između čvorova p i q, koji sadrži najmanji broj linkova u sebi.
• Prečnik - maksimum svih najkraćih puteva izmedju para čvorova p i q za sve parove čvorova p i q u Web grafu.
• Prosečna konektovana udaljenost - Prosečna dužina najkraće staze od čvora p na čvor q za sve parove čvorova p i q.

 3. Modeli znanja u analizi linkova

Istraživanja analize linkova, i to većina njih, počinju sa osnovnog modela na kojem se primenjuju različite mere. Ovi modeli se ili odnose na osnovnu jedinicu informacije ili na Web osobinu koja je primarna u aplikaciji.

3.1 Graph Structure Models – Graf modela struktura

U ovom odeljku ćemo razgovarati o osnovnim obrascima grafova koji predstavljaju različite osnovne koncepte i služe kao informacione jedinice dok rudare Web-om. Ovi obrasci mogu biti klasificirani u zavisnosti od toga da li je jedan čvor uključen, više čvorova, ili čitav niz čvorova koji učestvuju u obrazcu i sačinjavaju graf. Sledeći šabloni čine osnovu za najveći deo istraživanja u analizi linkova: jedan(single), i više(multiple) čvor modeli.

3.1.1 Single-Node Models – Single čvor modeli

 Single - Node Models su strukture grafa koje se sastoje od jednog čvora i linkova koji upućuju na njih ili van njih.

(a) čista autoritativna stranica,
(b) čista Hub stranica,
(c) tipična web stranica koja ima i hub rezultat i autoritet rezultat povezan sa njom.

Neke stranice su korisnije za nastavak prelistavanja od drugih jer obezbeđuju dobro organizovan skup izlaznih veza ka drugim stranicama koje pokrivaju datu temu. Te stranice se nekad zovu koncentratori (hub).
S druge strane, stranice koje imaju mnogo dolaznih veza nazivaju se autoriteti (authorities) jer postavljanje veze ka nekoj stranici je način priznavanja vrednosti te stranice.
Dobar hub je onaj koji ukazuje na mnoge dobre autoritete, dok je dobra autoratativna stranica ona na koju ukazuju mnogo dobri koncentratori(hub-ovi). Pojmove hub-a i authority prvi je uveo priznati profesor računarstva Jon Kleinberg.

3.1.2 Multiple - Node Models – Višestruki čvor modeli

 Multiple – Node Models se bave sa graf strukturom koja sadrži skup čvorova i linkova koji je povezuju. U nastavku ćemo opisati neke od ovih modela i koncepte na koji se odražavaju:

a) Direct reference - direktna referenca predstavlja koncept gde čvor A ukazuje direktno na susedni čvor B, B je direktno referenciran od strane A, što znaci da A i B mogu da imaju zajedničke teme i da mogu biti povezane.
b) Indirect reference - Indirektna referenca se odnosi na koncept gde čvor A ukazuje na B ili je direktno referenciran od strane B, a čvor B ukazuje na čvor C ili je direktno referenciran od strane C. U tom slučaju može se reći da je A indirektno referenciran od strane čvora C, što može da znači da čvorovi A i C mogu biti povezani, tačnije da mogu biti u nekoj relaciji.
c) Mutual Reference - Kada direktno dva čvora A i B ukazuju jedan na drugi, tada se kaže da su ta dva čvora međusovno referencirana. Ovo takođe ukazuje na snažnu relevantnost između dve stranice.
d) Co-Citation - Kada čvor A ukazuje na dva čvora B i C, tada se kaže da čvor A ko-navodi(cociting) čvorove B i C. Na Web-u, ovakva kocitacija može da ukazuje na sličnost između strana B i C.
e) Co-Reference - Kada dva čvora B i C ukazuju na čvor A, tada se kaže da je čvor A ko-referenciran od strane čvorova B i C. Na Web-u, ovakva kocitacija ukazuje na sličnost između strana B i C.

3.2 Markov Models - Markov model

U Markovom modelu, u lancu od m stanja sistema, evolucija sistema u budućnosti zavisi samo od trenutnog stanja sistema i prošlih m-1 stanja sistema.
Prvog reda Markovi modeli su korišćeni za modeliranje ponašanja običnog korisnika na Web-u. PageRank i randomized(nasumični) HITS(o kojima će biti reči kasnije) koriste nasumično proces hoda zasnovan na Markovom modelu. Korisnik nasumice bira ili skok na novu stranicu ili prati link. Taj link predstavlja out-link u slučaju PageRank, a u slučaju „nasumičnog“ HITS-a, in-link ili out-link. Takođje je neophodno pomenuti da putem Markovog modela se vrši modeliranje Web surfera, koji u suštini podrazumeva poprečne linkove, što se značajno koristi u analizi linkova.

4. Algoritmi za analizu linkova

 U ovom odeljku govorićemo o nekim popularnim i često korišćenim tehnikama za analizu u okviru Web domena. Algoritmi za obradu linkova mogu se svrstati na one koji se odnose na jednu stranu, ili na one koji se odnose na više strana. Predstavićemo neke od algoritama koji se odnose na jednu stranu, koji se najčešće koriste i koji su najuticajniji za analizu linkova.

4.1 HITS algoritam – Hyperlink-Induced Topic Search

Algoritam za otkrivanje autoriteta i koncentratora je - HITS algoritam – Hyperlink-Induced Topic Search a njegov autor profesor računarstva Jon Kleinberg.
HITS algoritam je algoritam za analizu linkova koji rangira Web stranice. To je bila preteča PageRank-a.
Šema dodeljujе dve ocene za svaku stranicu: njen autoritet, koji procenjuje vrednost sadržaja stranice, i njenu ,,hub” vrednost, koja procenjuje vrednost svojih linkova ka drugim stranicama. 
Osnova za HITS algoritam je koncept upravo navedenih čvorišta(koncentratora – hub) i vlasti(authority). Glavni cilj algoritma je da pronađe hub-ove i autoritete za web stranice vezane za određenu temu, koja se koristi za identifikaciju stranica najrelevantnijih za tu temu. Neka je A matrica susedstva takva da, ako postoji bar jedan hiperlink sa strane i na
strana j, onda Ai,j = 1, inače Ai,j = 0.

Vektori a* i h* odgovaraju glavnim „eigen“( vektor koji je skaliran linearnom transformacijom, ali nije pomeren) vektorima AT A i A AT. HITS algoritam je manje stabilan od Google – vog PageRank-a, koji predlaže dva nova algoritma koji su modifikacija HITS algoritma, i imaju bolje stabilnosti.
Prvi algoritam, koji se zove Randomized HITS, uvodi pristrasnost faktora na osnovu vremenskog koraka (neparan ili paran), da bi odredio hub i authority vrednnosti, tj, rezultate. Može se posmatrati kao slučajni surfer koji baca novčić sa nagibom Î. Ovaj nagib je verovatnoća da će u bilo kom trenutku surfer skočiti na novu stranicu, koja je slučajno izabrana. Sa verovatnoćom 1-Î, surfer će pratiti spoljašnji link ako je neparan vremenski korak i pratiće unutrašnji link ako je paran vremenski korak. Autoritativna težina stranice je šansa da surfer poseti stranicu na neparnom vremenskom koraku t.
Drugi algoritam se zove Subspace HITS. Kod njega se authority i hub vrednosti određuju podprostorom koji obuhvataju „eigen“ vektori umesto pojedinačnih „eigen“ vektora. Nagibni faktor podprostora generisan od strane „eigen“ vektora obezbeđuje više stabilnosti poremećajima od originalnog HITS algoritma.
HITS je uspešan za upite u vezi tema koje su dobro zastupljene na Web-u u smislu povezivanja gustine. Često, kada se upit odnosi na više fokusiranu temu, HITS vraća rezultate za opštiju temu.

4.2 PageRank algoritam

PageRank je koncept dizajniran od strane Sergeja Brina i Lorenca Pejdža - osnivača Google-a, sa ciljem određivanja relativne jačine neke pojedinačne stranice na internetu u odnosu na sve ostale. PageRank se izračunava na osnovu strukture linkova na internetu.
PageRank algoritam se zasniva na teoriji slučajnog hoda – random walk(matematička formalizacija puta koji se sastoji od uzimanja slučajnih uzastopnih koraka) po Markovom modelu. Algoritam obuhvata iterativno računanje PageRank mera, za dati skup stranica. Ovo se takođe može izračunati korišćenjem matrica izračunavanja slične HITS algoritmu. Razlika leži u unosu u matricu. Matrica u PageRank algoritmu se sastoji od verovatnoće prelaza. (i, j) vrednost elementa u matrici predstavlja verovatnoću da će link od stranice i na stranicu j biti izabran. Dakle, za početne vrednosti elementa (i, j) = 0, ne postoji veza sa strane i na stranu j.

Vektor PR predstavlja globalni ranking svih N internet stranica u Web grafu.

Kako u suštini funkcioniše algoritam? Pretpostavimo da se naš univerzum sastoji od četiri stranice: A, B, C i D. Na početku pretpostavimo da su sve stranice podjednako važne, pa im se dodeljuje PR (PageRank) = 0.25 (Sve stranice zajedno imaće uvek vrednost 1).
Ako sve stranice (dakle, B, C i D) pokazuju samo stranicu A, onda će sve tri stranice doprineti rangu stranica A sa svojih 0.25. Biće, dakle,
PR(A) = PR(B)+PR(C)+PR(D) = 0.75
Ako stranica C pokazuje samo stranicu A, stranica B pokazuje C i A, a stranica D pokazuje sve tri stranice, onda se vrednost doprinosa veze deli na sve veze koje izlaze sa te stranice. Biće, dakle,  
PR(A) = PR(B)/2+PR(C)/1+PR(D)/3 = 0.125 + 0.25 + 0.083
Drugim rečima, PageRank koji ostvaruje jedna spoljašnja veza je jednak vrednosti PageRank-a same te stranice kada se podeli sa normalizovanim brojem spoljašnjih veza te stranice L( ) (pretpostavlja se da se veze ka nekom određenom URL računaju samo jednom po dokumentu):
PR(A) = PR(B)/L(B)+PR(C)/L(C)+PR(D)/L(D)
Ili, u opštem slučaju:

tj. PageRank vrednost za stranicu u zavisi od vrednosti koju ima PageRank za sve stranice v iz skupa Bu (ovaj skup sadrži sve stranice koje pokazuju ka u) podeljen sa brojem L(v) veza koje polaze iz stranice v.

5. Primena(aplikacije) analize linkova

Analiza linkova se koristi u širokom spektru aplikacija. Ovo uključuje određivanje kvaliteta Web stranica vezanih za određenu temu, zatim klasifikacija Web strana u skladu sa temama, i druge funkcije kao što su Web puzanje(crawling), pronalaženje Web zajednica, izgradnja prilagođenih Web sajtova, personalizacija itd.

5.1 Web Page Ranking

Za Web Page Ranking se može reći da je najpoznatija aplikacija analize linkova. Da bi koristili ovu aplikaciju, tehnike kao što su PageRank ili HITS se primenjuju na web graf do raspodele verovatnoća preko svih Web stranica. Verovatnoća svake Web stranice odgovara svojem PageRank-u. Za vreme pretrage, Web stranice koje sadrže termine upita se vraćaju u opadajućem redosledu ovih verovatnoća.

5.2 Web Page Categorization

 Cilj kategorizacija Web stranica je da se klasifikuju dokumenti Web-a u određeni broj unapred definisanih kategorija.
Web Page Categorization određuje kategoriju ili klasu kojoj Web stranica pripada, od unapred određenog skupa kategorija ili klasa. Pirolli definiše skup od 8 kategorija za čvorove koji predstavljaju Web stranice i identifikuje 7 različitih funkcija na osnovu kojih se Web stranice mogu svrstati u ovih 8 kategorija. Chakrabarti koristi “relaxation labeling technique”(metodologija tretmana slike). Njen cilj je da poveže oznaku piksela date slike ili čvorova datog grafa) da modelira klase uslovnih raspodela verovatnoća za dodeljivanje kategorija posmatrajući susedne dokumente koji su povezani sa datim dokumentom. Attardi predlaže automatski metod klasifikacije Web strana na osnovu linka i konteksta. Ideja je da će link stranice, na koju ukazuje druga stranica, imati težinu konteksta, jer izaziva nekoga da pročita datu stranu sa stranice na koju se referencira.

5.3 Semantički web i socijalne mreže

Termin "semantički web" se odnosi na viziju W3C-a(The World Wide Web Consortium) od Web povezanih podataka. Tehnologije semantičkog web-a omogućavaju ljudima da stvore magacine podataka na Web-u i da pišu pravila za rukovanje podacima. Povezani podaci su ovlašćeni od tehnologije, kao što su RDF, SPARKL...
Podsticanjem uključivanja semantičkih sadržaja na Web stranicama, semantički web ima za cilj pretvaranje trenutno Web nestrukturisanog dokumenata u "web podatak". Ona se nadovezuje na Resource Description W3C Framework (RDF).
Semantički Web je tako]e i omogućavanje tehnologije za snimanje znanja modela socijalnih mreža. Oni se zajedno dopunjuju da pruže veoma korisnu alatku za upravljanje socijalnim informacijama i interakcijama između ljudi.
Hope vodi diskusiju o mehanizmu za integraciju podataka iz različitih izvora na Web-u, koristeći Web rudarstvo(mining) da izvuče informacije sa socijalne mreže.

Integracija izvora podataka za socijalne mreže

Na slici se uočava često sretani problem za integraciju podataka sa različitih izvora. Linkovi koji nedostaju između Resource Description
Framevork-a (RDF) dokumenata ne obezbeđuju efikasan način za sumiranje
i razumevanje društvenih(socijalnih) modela. Kod semantičkog web-a ključni izazov je integracija pouzdanih mreža i znanja o autoritetima tema.

Zaključak

U ovom radu, dali smo kratak uvod u ono što analiza linkova znači i njen obim u odnosu na Web mining. Različite primene ove vrste analize
u okviru Web domena doveo je do brzog interesa u ovoj oblasti. Ovo je dovelo do razvoja značajnih količina literature, izveštavanje o novim tehnikama za analizu linkova kao i iskustvo u njihovom korišćenju.
Odeljci o modelima znanja i algoritmima pomogli su nam u klasifikaciji istraživanja u oblasti analize linkova. Za svaki odeljak smo naveli stavke koje spadaju u kategoriju istraživanja kojim se bavimo. Takođe smo dali opis analize linkova u Web mining-u i naveli terminologiju koja se koristi u Web strukturi. Na kraju smo predstavili metodologiju za primenu analize linkova u aplikacijama, koja se može koristiti za dalje istraživanje u ovoj oblasti.

Literatura

[1] Chapter 5. Link Analysis in Web Mining: Techniques and Applications, edited by: Phillip C.-Y. Sheu, Heather Yu, C. V. Ramamoorthy, Arvind K. Joshi, Lotfi A. Zadeh http://onlinelibrary.wiley.com/doi/10.1002/9780470588222.ch5/summary [2] Hyperlink Analysis: Techniques and Applications (2002), by Prasanna Desikan, Jaideep Srivastava, Vipin Kumar, Pang-Ning Tanhttp://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.101.6190
[3] Svet kompjutera – Iskopavanje podataka http://www.sk.rs/2005/05/skpr01.html
[4] Wikipedia – Dubinsko pretraživanje podataka
http://hr.wikipedia.org/wiki/Dubinsko_pretra%C5%BEivanje_interneta
[5] Web Structure Mining – Data Mining
http://www.web-datamining.net/structure/
[6] Web Structure Mining: An Introduction, by Miguel Gomes da Costa Júnior Zhiguo Gong,Department of Computer and information Science, Faculty of Science and Technology,University of Macau
http://www.ceng.metu.edu.tr/~nihan/ceng553/StudentPapers/01635156.pdf
[7] Hierarchical Web Structure Mining, Wookey LEE, †Faculty of Computer Science, Sungkyul University
http://www.ieice.org/~de/DEWS/DEWS2006/doc/2A-v1.pdf
[8] Wikipedia – Graph theory http://en.wikipedia.org/wiki/Graph_theory
[9] Wikipedia - Markov model http://en.wikipedia.org/wiki/Markov_model
[10] Link Analysis Ranking: Algorithms, Theory,and Experiments by Allan Borodin, Gareth O. Roberts, Jeffrey S. Rosenthal, Panayiotis Tsaparas
http://www.cs.brown.edu/courses/csci2531/papers/toit.pdf
[11] Link Analysis Algorithms For Web Mining, Tamanna Bhatia, Dept. of Computer Science, Desh Bhagat Engineering College, Mandi Gobindgarh, Punjab, India http://www.ijcst.com/vol22/2/tamanna.pdf[12] Hyperlink-Induced Topic Search (HITS)
[13] PageRank i Keyword Authority - Dva Najbitnija Faktora SEO http://web-dizajn.blogspot.com/2008/05/pagerank-i-keyword-authority-dva.html
[14] Web Page Ranking Based on Text Content of Linked Pages
http://www.ijcte.org/papers/115-G601.pdf[15] Automatic Web page categorization by link and context analysis by G Attardi, A Gullì, F Sebastiani http://www.mendeley.com/research/automatic-web-page-categorization-link-context-analysis/#
[16] Napredne metode u pronalaženju informacija, Cvetana Krstev
 [17] Integrating the Document Object Model with Hyperlinks
for Enhanced Topic Distillation and Information Extraction, Soumen Chakrabarti,Indian Institute of Technology Bombay
http://www10.org/cdrom/papers/pdf/p489.pdf
[18] Semantic Web http://www.w3.org/standards/semanticweb/
[19] Semantic Web – Main Page http://semanticweb.org/wiki/Main_Page

 preuzmi seminarski rad u wordu » » » 

Besplatni Seminarski Radovi