Minería de datos con web-crawler

La minería de datos con web-crawler tiene dos perspectivas fundamentales, 1) La extracción directa de recursos, que Implica utilizar los métodos de extracción directa de datos, información y recursos del web-crawler. Por ejemplo la extracción de canales de sindicación, imágenes, documentos ofimáticos a partir de un análisis web de una semilla especificada. 2) La extracción de contenidos y recursos filtrados, que Implica un control documental del web-crawler, ya que se necesita generar filtros especializados que definan las palabras o frases exactas, los términos optativos, la negación de términos y los términos o frases con ambigüedad o ruido para la consecución de los recursos demandados, véase tabla 7 y 8.

Denominación del campo de filtrado		Descripción
Sección	Designation section	Definición de la sección o área de conocimiento sometida al filtrado para minería de datos.
Descripción de contenidos	Defining the contents of the section	Descripción analítica del objeto de la sección  y sus contenidos.
Nombre del filtro	Filter name	Denominación del filtro para la sección definida.
Términos o frases exactas	All precise terms or phrases	Definición de las palabras y frases exactas que obligadamente deben estar presentes en los contenidos de las páginas web analizadas por el web-crawler.
Cualquier término	Any term	Relación de términos que optativamente podrán formar parte de los contenidos de las páginas web analizadas por el web-crawler.
Ninguno de los términos o frases	None of these words or phrases	Negación de términos que no deberán estar presentes en los contenidos de las páginas web analizadas. Si se detectan en la página web ésta es descartada.
Términos o frases que generan ruido	Noisy terms or phrases	Identificación y reseña de los términos y frases que pueden producir ruido, ambigüedad, o problemas de clasificación.

Tabla 7. Configuración de filtros para minería de datos

$filename="section_polimorfismos-geneticos"; $query_title="Polimorfismos genéticos del cáncer de mama"; $query_description="Todos los estudios sobre polimorfismos genéticos del cáncer de mama publicados en fuentes de información especializadas del ámbito científico y académico"; $query_filter1="+\"genetic\" +\"polymorphism\" +\"breast cancer\""; $query_filter2="+\"genetica\" +\"polimorfismo\" +\"cancer mama\""; $query_filter3="+\"genetisch\" +\"polymorphismus\" +\"brustkrebs\""; $query_filter4="+\"genetique\" +\"polymorphisme\" +\"cancer sein\""; $query_filter5="+\"genetico\" +\"polimorfismo\" +\"cancro seno\"";

Tabla 8. Ejemplo de configuración de filtro para minería de datos