Text Classification and Indexing in IP Networks

Abstract

Internet on elektronisen postin perusrakenne ja ollut tärkeä tiedonlähde akateemisille käyttäjille jo pitkään. Siitä on tullut merkittävä tietolähde kaupallisille yrityksille niiden pyrkiessä pitämään yhteyttä asiakkaisiinsa ja seuraamaan kilpailijoitansa. WWW:n kasvu sekä määrällisesti että sen moninaisuus on luonut kasvavan kysynnän kehittyneille tiedonhallintapalveluille. Tällaisia palveluja ovet ryhmittely ja luokittelu, tiedon löytäminen ja suodattaminen sekä lähteiden käytön personointi ja seuranta. Vaikka WWW:stä saatavan tieteellisen ja kaupallisesti arvokkaan tiedon määrä on huomattavasti kasvanut viime vuosina sen etsiminen ja löytyminen on edelleen tavanomaisen Internet hakukoneen varassa. Tietojen hakuun kohdistuvien kasvavien ja muuttuvien tarpeiden tyydyttämisestä on tullut monimutkainen tehtävä Internet hakukoneille. Luokittelu ja indeksointi ovat merkittävä osa luotettavan ja täsmällisen tiedon etsimisessä ja löytämisessä. Tämä diplomityö esittelee luokittelussa ja indeksoinnissa käytettävät yleisimmät menetelmät ja niitä käyttäviä sovelluksia ja projekteja, joissa tiedon hakuun liittyvät ongelmat on pyritty ratkaisemaan.

Internet is an infrastructure for electronic mail and has been an important tool for academic users. It has increasingly become a vital information resource for commercial enterprises to keep in touch with their customers and competitors. The increase in volume and diversity of WWW creates an increasing demand from its users of sophisticated information and knowledge management services. Such services include things like cataloguing and classification, resource discovery and filtering, personalization of access and monitoring of new and changing resources. Though the number of professional and commercially valuable information resources available on the WWW has grown considerably over the last years, they still rely on general-purpose Internet search engines. Satisfying the varied requirements of users for searching and retrieving documents have become a complex task to Internet search engines. Classification and indexing is an important part of the problem of accurate searching and retrieving. This thesis will introduce the basic methods of classification and indexing and some of the latest applications and projects in where the idea has been to solve that problem.