Wachter, B. (2008). Klassifizierung von Web-Dokumenten [Master Thesis, Technische Universität Wien]. reposiTUm. https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-24790
E188 - Institut für Softwaretechnik und Interaktive Systeme
-
Date (published):
2008
-
Number of Pages:
88
-
Keywords:
Klassifizierung; Web; Privatsphäre; Archiv
de
classification; web; privacy; archive
en
Abstract:
Bei der Web-Archivierung werden Web-Dokumente gesammelt und dauerhaft abgelegt. Die entstehen Archive wachsen rasant und enthalten auch sensitive Daten. Um Missbrauch vorzubeugen müssen sensitive Daten identifiziert und gegen unbefugte Zugriffe gesichert werden. Dadurch werden Anwendungsfälle denkbar in welchen auf Basis von sensitiven Daten Auswertungen vorgenommen werden ohne dabei die Daten selbst preis zugeben. Bei der Genre-Analyse werden Web-Dokumente aufgrund ihrer Form sowie des Stils einer Seite unabhängig vom eigentlichen Thema klassifiziert. Zielsetzung dieser Arbeit ist es, diese Methode dahingehend zu erweitern, dass es einem Archivierungssystem von Web-Dokumenten möglich ist, private und öffentliche Elemente von Web-Dokumenten unterscheiden zu können.<br />Bisherige Ansätze in diesem Bereich agieren ausschließlich auf Dokumentenebene. Web-Dokumente enthalten jedoch häufig mehrere unterschiedliche Genres. Diese Arbeit entwickelt einen Ansatz zur Erkennung von zusammengehörenden Textsegmenten, welcher Absätze und gegebenenfalls damit verbundene Genre- Übergänge erkennt. Darauf aufbauend wird ein Ansatz für die Klassifizierung von privaten und öffentlichen Elementen von Web-Dokumenten auf Dokumenten- und Absatzebene vorgestellt.<br />
de
Web archiving is the process of collecting and preserving web documents. The massive archives are rapidly growing and contain sensitive data. To prevent abuse it is important to identify sensitive data and restrict access to it. This also allows use cases where sensitive data are used for analysis without revealing them. The purpose of the genre-analysis is to classify a web-document based on its form and its style, independently of the underlying topic. The aim of this paper is to extend this method for usage within a web archive. This extension will allow distinguishing private from public elements within a web-document. Traditional approaches only allow operating on document-level. But especially web-documents often contain multiple genres within a single document. Therefore an approach is developed which allows the recognition of text segments and genre transitions.<br />Based on this paragraph splitter a classifier for differing private from public elements of a web document is developed. This system may operate on document-level as well as on paragraph-level.
en
Additional information:
Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers Zsfassung in engl. Sprache