Categorización de documentos del Centro Virtual Cervantes

Fernando García

Eddy Rodriguez

Paula Zitinski

Introducción del proyecto

Clasificación de las páginas web del Centro Virtual Cervantes

La clasificación actual - incompleta: Música Enseñanza Artes Literatura Lengua

Alcance

Crear un clasificador que se pueda aplicar a las páginas del CVC

Este clasificador tendrá que cumplir los siguientes requisitos: Entrada desde un fichero de texto Salida a una base de datos Usar, en la medida posible, distintos frameworks La clasificación debe producirse sin (demasiados)

errores Debe terminar en tiempo aceptable

Entorno software

1. Eclipse (Java) Entorno de desarrollo integrado de código

abierto

2. Lucene es un framework de código abierto para

recuperación de información Búsqueda de palabras en documentos Problema – analizador en inglés

Solución – adaptación de la librería a través de un fichero externo (300 palabras)

3. SVN Sistema de control de versiones Compatible con Eclipse

4. Google code Espacio web para el almacenamiento de proyectos

de código abierto Página web:

http://code.google.com/p/proyectoil2010

5. JUnit Librerías de código para hacer pruebas unitarias y

de integración

6. Jericho HTML Parser

Librería de Java para el tratamiento de páginas web

Al final no lo utilizamos – sacaba información irrelevante

Sistema desarrollado

Estructura general del proyecto

Ficheros de entrada: Base – páginas web, ya categorizadas SpanishSmart – lista de palabras ruido Test – páginas web no clasificadas

Salida del programa: Base de datos

Objetos del proyecto (despliegue)

Lista de funcionalidades de la aplicación hasta el momento

Pendiente de desarrollo

Cambiar el modo de introducción de páginas web a categorizar

Implementar la función de similitud Implementar el almacenamiento de resultados Calcular la validez del código (JUnit)

Bibliografía

Código de nuestra página web: http://proyectoil2010.googlecode.com/svn/trunk

http://junit.sourceforge.net http://www.adictosaltrabajo.com http://www.googlecode.com http://lucene.apache.org http://www.ibm.com/developerworks/opens

ource/library/os-ecl-subversion http://jericho.htmlparser.net

¡Ahora, vosotros!