A light-weight processing model for interactive Web information acquisition

Abstract

Die richtige Menge und Kombination der gesuchten Information zum gewünschten Zeitpunkt zu erhalten, ermöglicht zweifelsohne einen deutlichen Vorsprung. Das Web, die größte Datensammlung, ist zu einer unvermeidbaren Quelle der gezielten Akquisition von Daten geworden.<br />Natürlich ist diese Quelle nicht kostenlos und out-of-the-box verfügbar.<br />Benötigt werden Werkzeuge zur Datensuche, -erfassung, -umsetzung und Integration von Dateien unterschiedlicher Dienstleistungsanbieter, die außerdem noch semantisch organisiert und vor allem personalisiert werden müssen. Wenn die Information fortlaufend aktualisiert dargestellt werden soll, müssen alle Prozesse auch wiederholbar sein. Leider sind die relevanten Datenquellen vielfältig und heterogen, und der Charakter der Strukturierung in den Quellen der Web-Information für eine Automatisierung unbrauchbar.<br />Die Problematik der Datenextraktion aus statischen, semi-strukturierten Quellen (z.b. HTML Seiten), ist von der Forschung bereits viel behandelt worden. Diese Arbeit beschäftigt sich vielmehr mit den zusätzlichen, verhaltensbedingten Aspekten der Datenextraktion (Web-Navigation und -Interaktion) sowie auch mit den Aspekten der Informationsakquisition - aufbauend auf Prozess Modellen.<br />Das Haupt- und innovativste Teil der Dissertation spezifisiert ein leichgewichtiges, jedoch äußerst dynamisches und flexibles interaktives Webinformationsakquisitions Prozess-Framework. Wir haben unsere Arbeit auf zwei der Hauptkomponenten des Systems konzentriert: ein Aufgabenkoordinierungs-Workflow und ein Modell für Datenausgabe. Die vorgeschlagenen Modelle wurden erfolgreich in mehreren Anwendungen implementiert. Wir stellen das Innovativste vor: LumberJaczk - ein Prototyp eines vollständigen leichtgewichtigen Systems für "on-top-of-Web" Anwendungen, d.h. clientseitig ausführbare und sehr anpassungsfähige Anwendungen, die das Web als "Back-end" verwenden.<br />Der vorgeschlagene Ansatz bringt mehrere herausfordernde Bereiche zum Vorschein, z.B: dezentralisierte Informationsakquisition, kollaborative semantische Datenbanken.<br />

Having the right amount and combination of the right information, available in the right time is an unquestionable advantage.<br />The Web, being the largest information database, has become an unavoidable source for acquiring the knowledge of these three "rights".<br />However, it is not available for free. It requires non-trivial data search, capture, transformation and combination of data from many unrelated services, their semantic organization, and personalization.<br />Such processes need be automatized and repeatable for maintaining the knowledge up-to-date. Unfortunately, the extent of relevant data sources is immense and heterogeneous and the nature of the structuring of the Web information is not suitable for automatization. The information is encoded in visual structures (e.g. HTML pages), intended for humans.<br />The problem of information extraction from static semi-structured sources has been the focus of the recent research. In our work, we rather aimed the complementary, behavioral aspects of information extraction (Web navigation and interaction) and the aspects of information acquisition processing models.<br />The main contribution is the specification of a light-weight, dynamic and agile interactive Web information acquisition processing framework.<br />We particularly focused on two main components of the system: a task coordination workflow and a model for data outputting. The proposed models have been successfully implemented and applied in applications.<br />We present the most innovative one: LumberJaczk - a light-weight system for on-top-of-Web applications, i.e. client-side, portable and very personalizable applications reusing the Web.<br />The proposed approach reveals several new challenging fields, such as:<br />decentralized information acquisition, collaborative semantic databases.<br />