Clasificación de páginas web en dominio específico

Abstract

El presente trabajo obtiene una representación novedosa y que proporciona un alto rendimiento en la clasificación automática de páginas Web en dominios específicos. Para ello el estudio se centra en obtener una representación formal de la intencionalidad del autor por transmitir información acerca de la página que crea y que se plasma en la meta-información de la misma, en la estructura de enlaces (Links), y en la Url. Se ha construido una colección de pruebas específica del dominio del teatro y la aproximación presentada ha obtenido unas tasas de rendimiento, medidas tanto por el estadístico F como por el intervalo de error cometido, superiores a los métodos existentes en el estado del arte.

This paper obtains a novel representation that provides high performance in the automatic classification of web pages in specific domains. For this the study is focused on obtaining a formal representation of the author's intent to convey information about the web pages that he creates and that is reflected in the meta-information of the same page, in the structure of links, and in the URL. A dataset has been built in the specific domain of theater and the approach presented has obtained a performance raiting, measured both by statistical F and by the interval committed error, higher than existing methods in the state of the art.