1 / 8

DBpedia – redirects and titles

DBpedia – redirects and titles. Jozef Arpáš. Opis prob lému. Cieľom úlohy je vytvoriť zoznam názvov stránok,  na ktoré odkazujú aj iné stránky( redirecty – opísané nižšie). Ku každej takejto stránke DBpedie , bude priradený zoznam všetkých názvov stránok, ktoré na ňu odkazujú

trung
Download Presentation

DBpedia – redirects and titles

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. DBpedia – redirects and titles Jozef Arpáš

  2. Opisproblému • Cieľom úlohy je vytvoriť zoznam názvov stránok,  na ktoré odkazujú aj iné stránky(redirecty – opísané nižšie). Ku každej takejto stránke DBpedie, bude priradený zoznam všetkých názvov stránok, ktoré na ňu odkazujú • Motivácia – analýza redirectov

  3. Podobné riešenie • Skoro podobné  • http://www.nuxeo.com/blog/development/2011/01/mining-wikipedia-with-hadoop-and-pig-for-natural-language-processing/ • Extrakcia o entitách Dbpedie, pomocou PIGu

  4. Postup práce • Platforma ApachePIG(http://pig.apache.org/) • Util.jar • FixLabelObject • FormatOutput

  5. Opis riešenia • Na začiatku oba zdrojové datasety(odkazy na nich budú uvedené nižšie) načítame pomocou príkazu LOAD. • Odstránime z nich predikáty, nakoľko tie pri riešení úlohy nie sú podstatné pretože pre všetky triplety sú v každom datasete rovnaké.  Na úpravu názvov stránok využijeme súbor s názvom util.jar, konkrétne triedu FixLabelObject. • Redirectom priradíme ich názvy, pomocou príkazu JOIN. • Zoskupíme výsledok predošlého kroku, podľa URI stránok, na ktoré redirecty odkazujú. • Dotiahneme názvy aj pre tieto, stránky na ktoré iné odkazujú, opäť pomocou príkazu JOIN. • Výsledok predošlého kroku, upravíme spôsobom, že z každého riadku odstránime viac nepotrebné URI. • Názvy upravíme do finálnej podoby opäť pomocou súboru util.jar, pomocou triedy FormatOutput. Formát výstupu: <názov stránky> \t <názov redirect1> \t <názov redirect2> 

  6. Riešenie - skript

  7. Výsledky • AbbotAbboT • AbacusAbacuS • Andorra AndorrA • AmoeboidAmeboidstageAmoeboidTaxa • AnatoliaAsiaMinor • AynRandAynRand • AstronomerAstronomers and Astrophysicists • A. A. Milne A.A. Milne • AfghanistanAfghanistan (1911 Encyclopedia) • Auto racingAutoRacing • AntisemitismAnti-semiticAnti-semitism • AcademyAwardAcademyAwards • A. E. vanVogt A.E. vanVogt • Anna KournikovaAnnaKournikova • AustrianGermanAustriaLanguage • AxiomofchoiceAxiomOfChoice • Anarcho-capitalismAnarchoCapitalismAnarchoCapitalistsAnarcho-capitalists

  8. Vyhodnotenie Anarcho-capitalismAnarchoCapitalismAnarchoCapitalistsAnarcho-capitalists

More Related