Web Mining
Die Klausurergebnisse sind ab sofort im WebReg-System oder an der Pinnwand vor Raum D202 einsehbar. Die Klausureinsicht findet am 16.9. von 11:00 bis 12:30 Uhr in Raum E202 statt.
LVA 20.0101.1 und 20.0101.2 im Vorlesungsverzeichnis der TU Darmstadt, SS 10. Zur Übungsseite.Übersicht
Das World-Wide Web verschafft jedem Internet-User Zugang zu einer stetig wachsenden Informationsfülle, die ohne entsprechende Unterstützung nicht mehr zu überschauen ist. Web Mining ist eine junge Forschungsrichtung, die versucht, das Problem mit Hilfe von Techniken des Maschinellen Lernens und Data Minings in den Griff zu bekommen. In dieser Vorlesung werden sowohl Grundlagen von Information Retrieval und Text Classification vermittelt, als auch auf die Ausnutzung der Besonderheiten von Web-Dokumenten (d.h., ihre Strukturierung und ihre Vernetzung) eingegangen.
Anrechnung
Diese Vorlesung ist im Diplomstudium Informatik dem Bereich 3 (Anwendungsorientierte Informatik) bzw. im Masterstudium Informatik dem Bereich Data and Knowledge Engineering zugeordnet. Im Bachelorstudium ist sie eine Wahlpflichtveranstaltung. Die Vorlesung ist Pflicht im Masterstudiengang Internet- und Web-basierte Systeme.
Übungen
In den Übungen werden die Studenten praktische Implementierungen einiger der in der Vorlesung behandelten Techniken erstellen bzw. mit existierenden Systemen arbeiten. Die Teilnahme an den Übungen ist optional, es können aber Bonuspunkte für die Klausur erworben werden, allerdings nur bei Bestehen der Klausur.
Allgemeine Informationen zu den Übungen und die Aufgaben finden Sie auf der Übungsseite. Alles Weitere wird in den Veranstaltungen mitgeteilt oder an dieser Stelle bekannt gegeben.
Zeitplan
Übungstermin ist alle 2 Wochen am Dienstag, Vorlesungen können (aufgrund von Feiertagen und anderer Terminkonflikte) sowohl am Donnerstag als auch am Dienstag stattfinden.
Die vorläufige Planung ist folgende:-
Do 15.04. Beginn Vorlesung
- Di 20.04. Vorbesprechung Übung
- Do 22.04. Vorlesung
- Di 27.04. Vorlesung
- Do 29.04. Vorlesung
- Di 04.05. 1. Übung
- Do 06.05. Vorlesung
- Di 11.05. Vorlesung
- Do 13.05. Feiertag
- Di 18.05. 2. Übung
- Do 20.05. Vorlesung
- Di 25.05. Vorlesung
- Do 27.05. Vorlesung
- Di 01.06. 3. Übung
- Do 03.06. Feiertag
- Di 08.06. Vorlesung
- Do 10.06. Vortrag: Christian Stegbauer: Die Organisation Wikipedia - wie und warum kommt es zur Kooperation? (Beginn 13.00, C205)
- Di 15.06. 4. Übung
- Do 17.06. Vorlesung
- Di 22.06. ---
- Do 24.06. ---
- Di 29.06. 5. Übung
- Do 01.07. Vorlesung
- Di 06.07. ---
- Do 08.07. Vorlesung
- Di 13.07. 6. Übung
Forum
Für diese Veranstaltung existiert bei der Fachschaft ein Forum.
Klausur
Die Klausur findet am 21.7.2010 um 12:00 Uhr in Raum A1 in S1/01 (Audimax) statt. Die Bearbeitungszeit beträgt 90 Minuten. Als Hilfsmittel ist ein handbeschriebenes DIN A4 Blatt (Vorder- und Rückseite) erlaubt.Alte Klausuren:
Topics & Slides:
Momentan verlinkt sind die Folien der letzten Veranstaltung, die auch dieses Jahr die Basis der Vorlesung bilden werden. Gegenfalls werden die Folien jedoch im einigen Punkten angepaßt oder ergänzt. Die modifizierten Version werden dann die alten Versionen ersetzen (spätestens nach der jeweiligen Vorlesung).
- Introduction (last update: 23.04.10)
- Web Mining Overview
- The Web, HTTP, HTML, DOM, XPath
- Data Mining Overview
- Structured, Semi-Structured and Unstructured Data
- Sample Web Mining Tasks
- Information
Retrieval on the Web (last update: 29.04.10)
- search engines & web crawlers
- document indexing
- the vector space model
- inverted index
- performance measures (recall & precision)
- relevance feedback
- estimating the size of the web
- Text Mining
- text
classification (last update: 20.05.10)
- document representation
- induction of classifiers (k-NN, Naive Bayes, SVMs, Rule Learners)
- Overfitting Avoidance
- Evaluation of Classifiers
- Multi-Label Classification
- feature
engineering (last update: 24.05.10)
- stop words
- feature subset selection
- n-grams
- stemming
- phrases
- latent semantic indexing
- semi-
and unsupervised
learning (last update: 27.05.10)
- clustering (k-means, bottom-up agglomerative)
- semi-supervised learning (active learning, self-training, co-training)
- text
classification (last update: 20.05.10)
- Structure
mining (last update: 16.6.2010)
- the Web as a graph
- hyperlink-based relevance ranking (hubs and authorities, page rank)
- hypertext classification (Naive Method, HyperClass, hyperlink ensembles)
- Information
Extraction &
Wrapper Induction (last update: 8.7.10)
- conventional information extraction (AutoSlog)
- structured text (LR-Wrappers)
- semi-structured text (SoftMealy, WHISK, SRV, RAPIER)
- Web Usage Mining (last update: 30.06.10)
- recommender systems
- memory-based collaborative filtering
- model-based collaborative filtering
- web log mining
- recommender systems
Text Books
Ein Großteil
des Materials, das in der Vorlesung behandelt wird (und viel mehr),
wird in diesem Buch abgedeckt:
|
|
Einige Teile der Vorlesung werden sich auch an diesem Buch orientieren:
|
Additional Readings
Zusätzliche Informationen finden sich in folgenden Resourcen:
- General Overviews:
- Soumen Chakrabarti, Data Mining for Hypertext: A Tutorial Survey. ACM SIGKDD explorations 1(2):1-11, January 2000.
- Johannes Fürnkranz, Web Mining, Draft book chapter, 2004.
- Graph Properties of the Web:
- A. Broder, F. Maghoul, R. Kumar, P. Raghavan, S. Rajagopalan, R. Stata, A. Tomkins, and J. Wiener. Graph structure in the Web. Computer Networks, 33(1-6):309--320, 2000. Special Issue Proceedings 9th International World Wide Web Conference (WWW9)
- Search Engines:
- Text Mining:
- Fabrizio Sebastiani, Machine learning in automated text categorization. ACM Computing Surveys, 34(1):1-47, 2002.
- Feature Engineering
- Yiming Yang, Jan O. Pedersen: A Comparative Study on Feature Selection in Text Categorization. Proceedings of the International Conference on Machine Learning (ICML-97), pp. 412-420, 1997.
- Hypertext Categorization
- Soumen Chakrabarti, Byron E. Dom, and Piotr Indyk. Enhanced Hypertext Categorization using Hyperlinks. In Proceedings of ACM SIGMOD-98, 1998.
- Johannes Fürnkranz: Hyperlink Ensembles: A Case Study in Hypertext Classification. Information Fusion 3(4):299-312, December 2002, Special Issue on Fusion of Multiple Classifiers.
- Information Extraction:
- Line Eikvil, Information Extraction from World Wide Web - A Survey. Technical Report 945, Norwegian Computing Center, July 1999.
- Web Usage Mining:
- J. Srivastava, R. Cooley, M.Deshpande, P.Tan, Web usage mining: discovery and applications of web usage patterns from web data. ACM SIGKDD explorations 1(2):12-23, January 2000.
- Recommender Systems:
- John S. Breese and David Heckerman and Carl Kadie, Empirical Analysis of Predictive Algorithms for Collaborative Filtering, Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence (UAI-98), pp. 43-52, 1998.
- Software:
- Rainbow (text classification system)
Kontakt
Johannes Fürnkranz, Eneldo Loza Mencía