Algoritmos Genéticos para la Extracción de Reglas de Predicción Interesantes Aplicadas al Posicionamiento de los Distintos Motores de Búsquedas

• Autores: Sergio M. Gallego, Hector Nigro, Sandra Gonzalez Cisaro
• Localización: Ciencia y tecnología, ISSN 1850-0870, ISSN-e 2344-9217, Nº. 9, 2009
• Idioma: español
• DOI: 10.18682/cyt.v1i1.791
• Enlaces
  • Texto completo
• Resumen
  • español

    El objetivo del trabajo se centra en inferir distintas estrategias de posicionamiento de páginas Web en motores debúsqueda. El problema consiste en explorar la relación entre distintos elementos que componen la página y elposicionamiento final en los motores de búsqueda según el criterio y el dominio de las páginas. El caso de estudiopropone aprender de las variables que determinan el posicionamiento de una página entre las primeras diezposiciones en algunos motores de búsqueda. Utilizamos técnicas de aprendizaje inductivo, concretamente, unalgoritmo genético aplicado a la extracción de reglas de predicción con algoritmos de búsqueda global. Estealgoritmo contiene modificaciones con respecto a los clásicos, población inicial uniforme, discretización USD(Unparametrized Supervised Discretization), el cual maximiza la bondad global de los intervalos que obtiene, ycodificación natural. Experimentamos con datos reales correspondientes al posicionamiento en los motores debúsqueda, en el área de optimización de los mismos.

  • English

    The aim of this work is to infer different strategies for positioning a Web page in search engines. The challenge is to explore the relationship between different elements that make up the page and the final ranking in search engines as criterion and domain of pages. The case of study proposes to learn of the variables that determine the positioning of a page between the first ten positions in some motors search. We use inductive learning techniques, specifically; a genetic algorithm applied to the extraction of prediction rules with global search algorithms. This algorithm contains modifications to the classics, starting uniform population, discretization USD (Unparametrized Supervised Discretization), which maximizes the global kindness of the intervals that it obtains, and natural codification.. We experiment with real data for the positioning in various search engines, in the area of optimizing the same or also known as SEO (Search Engine Optimization).

• Referencias bibliográficas
  • J. S. Aguilar. “Generación de Reglas Jerárquicas de Decisión con Algoritmos Evolutivos en Aprendizaje Supervisado”. Tesis Doctoral, Univ....
  • Aguilar-Ruiz, J. S. & Riquelme, J. C. “Improving the Evolutionary Coding for machina Learning Tasks”. European Conference on Artificial...
  • D. R. Carvalho, A. A. Freitas & N. F. F. Ebecken. “A Critical Review of Rule Surprisingness Measures”. ICDM-Rio-2003.
  • Giradles, R., Aguilar-Ruiz, J., Riquelme, J. y Mateos, D. “Cogito*: Aprendizaje Evolutivo de reglas de Decisión con Codificación Natural”....
  • James Dougherty, Ron Kohavi & Mehran Sahami. “Supervised and Unsupervised Discretization of Continuous Features”. In Armand Prieditis...
  • Freitas, A. A. “On objective measures of rule surprisingness”. Proc. 2nd European Symp. On Principles of Data Mining and Knowledge Discovery...
  • A. Freitas. “On Rule Interestingness Measures”. Knowledge-Based Systems Journal. Federal Center of Technological Education 1999.
  • Freitas, A. A. “A genetic algorithm for generalized rule induction”. In: R. Roy et al. Advances in Soft Computing Engineering Design and Manufacturing....
  • A. Freitas. “Understanding the crucial differences between classification and discovery of association rules”. ACM SIGKDD Explorations. 2(1)...
  • A. Freitas. “Data Mining and Knowledge Discovery with Evolutionary Algorithms”. Springer-Verlag. 2002.
  • Giradles, R., Aguilar-Ruiz, J., Riquelme, J. “Discretización Supervisada No Paramétrica Orientada a la Obtención de Reglas de Decisión”. Departamento...
  • Giradles, R., Aguilar-Ruiz, J., Riquelme, J. “Aprendizaje Evolutivo de Reglas: Mejoras en la Codificación y Evaluación de Individuos”. Departamento...
  • César Hervás-Martínez, Cristóbal Romero, Sebastián Ventura. “Selección de medidas de evaluación de reglas obtenidas mediante programación...
  • Carlos Hurtado L. “Evaluación de Modelos de Clasificación”. Departamento de Ciencias de la Computación, U de Chile.
  • Ali Karci and Ahmet Arslan. “Uniform population in genetic algorithms”. Istanbul University Engineering Faculty. Journal of electrical &...
  • N. Lavrac, P. Flach, B. Zupan. “Rule Evaluation Measures: A Unifying View”. ILP-99, LNAI 1634. SpringerVerlag Berlin Heidelberg. 1999.
  • Liu, B., Hsu, W. & Chen, S. “Using general impressions to analyze discovered classification rules”. Proc. 3rd Int. Conf. on Knowledge...
  • Adam Marczyk. “Algoritmos genéticos y computación evolutiva”. 2004. [19] Edgar Noda, Alex A. Freitas, Akebo Yamakami. “A Distributed-Population...
  • E. Noda, A. Freitas, H.S. Lopes. “Discovering interesting prediction rules with a genetic algorithm”. Proc. Congress on Evolutionary Computation,...
  • P. Berka and I. Bruha. “Empirical comparison of various discretization procedures”. Technical Report LISP95-04, Laboratory of Intelligent...
  • Wesley Romão, Alex A. Freitas y Roberto C. S. Pacheco. “A Genetic Algorithm for Discovering Interesting Fuzzy Prediction. Rules: applications...
  • Soltero Domingo, Francisco José; Bodas Sagi, Diego José. “Clasificadores inductivos para el posicionamiento web”. El profesional de la información,...