Créer un moteur de recherche avec des logiciels libres - Index of

Qu'est-ce qu'un moteur derecherche ?5

Définition« Un moteur de recherche est une applicationpermettant de retrouver des ressources (pagesweb, articles de forums Usenet, images, vidéo,fichiers, etc.) associées à des mots quelconques »(Wikipedia).6

Étapes de fonctionnement• Crawler.•Collecter automatiquement les documents que l'on souhaite chercher sur un réseau local ou surInternet.• Extraire.•Extraire le contenu textuel (texte et métadonnées) des ressources collectées.• Enrichir.•Trouver et ajouter de nouvelles informations sur base du contenu et de la structure du document.• Analyser•Analyser le contenu textuel (en vue de son indexation).• Indexer.•Transformer le contenu textuel en une forme facilitant la recherche par un ordinateur.• Rechercher.•Proposer une interface de recherche pour des utilisateurs (WUI) ou des logiciels (API).• Composer•Associer à un ensemble de sources de résultats complémentaires.7

Crawler• Réseau Internet:• Ouvrir les pages Web issues d'un ensemble de pagesWeb de départ.• Extraire des liens présents dans les pages Web.• Suivre ces liens (découverte automatique d'Internet).• Réseau local:• Suivre l'arborescence de répertoires, faire l'inventairedes fichiers disponibles.• Éventuellement, constituer une copie locale desfichiers à indexer.• Attention aux droits d'accès aux documents (sécurité)!8

Extraire (1/5)• L'indexation se fait sur du texte brut (texte oumétadonnées).• Besoin d'extraire...• le contenu textuel associé au document / à laressource...• et/ou associé à son contexte (ex. : vidéo ou photoinsérée dans un document HTML).9

Extraire (2/5)• Complexité variable.• Très simple pour du texte.• Simple pour du (X)HTML ou du XML (RSS, Atom,FOAF, etc.).• En pratique:– Texte avec des balises (tags).– Plus ou moins bien formé.• Exemple: HTML.10

Extraire (3/5)• Complexité variable (suite).• Besoin d'analyseurs spécialisés pour les formatsbinaires (ex. : photos, vidéos, documentsbureautiques, etc.).• Extraction des métadonnées.– Exemple : tags ID3 dans les fichiers MP3.11

Extraire (4/5)• Complexité variable (suite).• Besoin d'analyseurs spécialisés pour les formats binaires(suite).• Extraction du texte.– Exemple : fichier dans le format ouvert ODT (fichiers XML et autresressources « zippées ».• Plus difficile si formats non documentés.12

Extraire (5/5)• Complexité variable (suite).• Beaucoup plus difficile pour les documents scannés(OCR).(...)13

Enrichir (1/3)• Il est possible d'aller plus loin que la simpleextraction des métadonnées et du texte.• Pour les documents HTML:• Compréhension des microformats.• Exemple: hCard / vCard.14

Enrichir (2/3)• Pour les documents HTML (suite):• Rétroingénierie (extraction structurée -> redonner du sensaux informations formatées en HTML).15

Enrichir (3/3)• Pour les contenus textuels:• Extraction d'entités nommées.• Exemple : reconnaître des noms de personnes,d'organisations, de villes, de pays, des dates, etc.• Autre possibilité : exploiter des logiciels, des basesde données ou des services externes pour enrichirle document.• Exemples: langue du document, catégorisation, etc.16

Analyser (1/2)• Généralement, cette tâche est réalisée parl'indexeur lui-même.• Degré de sophistication variable.• Base: segmentation du texte par tokenization.• Les phrases sont décomposées en éléments simples.• Possibilité (ou non) de configurer des règles defiltrage.• Exemple : suppression des mots trop courts, suppressiondes « stops words », etc.17

Analyser (2/2)• Degré de sophistication variable (suite).• Lemmatisation.• Transformation des mots à indexer en lemme (formecanonique).• Exemple: avoir = ai, as, a, avons, eussions eu, aurions, etc.• But: amélioration du rappel du moteur de recherche(parfois au détriment de la précision).• Nécessite un dictionnaire dans la langue du document àindexer.• Procédé voisin (plus basique) sur base de règles detroncature (stemming).• Exemple: algorithme de Porter.18

Indexer (1/3)• Création d'un index inversé.• Typiquement: structure mettant en correspondancedes mots avec un ensemble de documents.• La recherche d'un ou plusieurs mots permet defacilement retrouver les documents le ou lescontenant.19

Indexer (2/3)• Vue (très) simplifiée: = = Index: pos=1 pos=2 pos=3 pos=1 pos=2Requêtes:q = -> q = OR -> , 20

Indexer (3/3)• Modèle de pertinence intégré.• Un classique: modèle TFxIDF.• La fréquence d'apparition de chaque terme dans undocument est pondérée par la fréquence du terme dans lejeu de documents.• Évolutions possibles : classement fonction de lalocalisation, de la structure des liens (cf. GooglePagerank), etc.21

Rechercher (1/2)• Proposer une interface d'interrogation du moteur.• Pour humains (Web User Interface, WUI).• Pour logiciel (Application Programming Interface,API).• Raffinements possibles : catégorisation, clustering,facétisation, etc.22

Rechercher (2/2)• Remarque: Les moteurs de recherchecommerciaux proposent une API (Google, Bing,etc.).• Passage progressif au modèle payant.• Conditions d'utilisation parfois restrictives.• Problèmes de fiabilité (cf. webométrie).• Mais utilité:• pour initier des crawls,• pour disposer de listes d'URLs ciblées (analyse enprofondeur),• pour compléter des résultats de recherche (composition).23

Composer• Plusieurs sources de données peuvent êtrecombinées.• Exemples:• principe du métamoteur,• lien avec des bases de données sémantiques.24

Faut-il utiliser une base de données« fulltext » ou un pur indexeur ?25

Bases de données simples (1/2)• Base de données = tables de données (lignes /colonnes) liées (via des clefs / identifiants).• Typage des données, contraintes d'intégrité.• Language d'interrogation standardisé proche dulanguage humain (SQL).• Large disponibilité d'outils de création.• Par défaut, pas de fonctionnalité « fulltext ».26

Bases de données simples (2/2)• Recherche de texte possible par:• Recherche de sous-chaînes de caractères via "LIKE".• Sous-chaînes != mots.– Filtrage nécessaire avant affichage.• Recherche possible via des expressions régulières.-> pas adapté à de gros volumes de données (>100.000 lignes par table).27

Base de données « fulltext »• Mêmes caractéristiques que pour la base de donnéessimple, mais...• Création automatique d'un index inversé.• Performances variables:• volume de données supporté (nombre d'enregistrements,longueur du texte),• finesse d'analyse du texte (lemmatisation ou non,personnalisation de l'analyse ou non, etc.),• richesse variable du langage d'interrogation,• support variable des langues (si lemmatisation).• Le langage d'interrogation de l'index « fulltext » varied'un SGBG à un autre.28

Pur indexeur• Outil dédié uniquement à la recherche fulltext.• Plus de structure tabulaire, de contraintesd'intégrité, ni de language d'interrogationuniversel.• En général:• conçu pour gérer de gros volumes de texte,• facilement embarquable dans un logiciel,• possibilités de personnalisation du comportement,• syntaxe d'interrogation riche,• notion de champs (sans contrainte).29

Technologies libres• Bases de données « fulltext » :• MySQL (mode « fulltext »), PostgreSQL (Tsearch2),Sphynx Search (extension pour MySQL et PostgreSQL).• Pur indexeur :• Lucene, ports Lucene, Xapian, Whoosh, etc.• Rapide comparatif :• Remarque: couvertures fonctionnelles variables.30

Jusqu'où est-il utile de développersoi-même ?31

Approches possibles• Trois approches possibles :• Utilisation d'outils intégrés.• A utiliser s'ils sont adaptés.• Développement ex nihilo (DIY).• A démarrer si un avantage fonctionnel peut être trouvé.• Développement sur base de composants libres.• A privilégier si pas d'outil intégré disponible.• Suite : présentation non exhaustive de logicielslibres disponibles.32

Existence d'outils intégrés (1/2)• Serveur d'indexation: SolR (lucene.apache.org/solr/).• Comprend: extracteurs (Apache Tika), indexeur(Lucene), API (JSON ou REST).• Métamoteurs:• Carrot² (métamoteur, clustering; carrot2.org).• Seeks (métamoteur, P2P; seeks-project.info).33

Existence d'outils intégrés (2/2)• Moteur de recherche intégré:• Nutch (nutch.apache.org).• Comprend: crawleur, extracteurs, indexeur, WUI et API.• Basé sur SolR.• Fonctionnel avec Internet ou Intranet.• Moteur de recherche complet décentralisé (P2P):• YaCy (yacy.net).• Comprend: crawleur, extracteurs, indexeur, WUI et API(OpenSearch).34

Plusieurs de langages deprogrammation adaptés au Web• Plusieurs languages de programmation libresadaptés au Web.• Exemples: Python, Perl, Java, Ruby, PHP, etc.• Possibilité de développements sur mesure...• Basé sur des bibliothèques réutilisables– Exemple : gestion des threads, ouverture d'URLs, analyse detextes, analyse HTML, etc.• Attention au syndrome NIH...35

Existence de composants spécialisés• Crawler:• Wget.• Extraire :• Lecture de flux RSS ou Atom:• Feedparser (Java, Python), Simplepie (PHP), etc.• Extraction de texte et de métadonnées :(1/3)• Apache Tika / POI (Java), utilitaires (xls2csv, catdoc, pdfinfo,etc.), iFilters (propriétaire, disponible sous Windows), etc.• Extraction d'articles (contenu utile) :• Boilerpipe (Java).• OCR:• GOCR, OCRAD, Tesseract, etc.36

Existence de composants spécialisés• Analyser :• Stemming:• Snowball (Java).• Rétroingénierie de pages Web:• TAL:• DEiXTo, Web Harvest, etc.• OpenNLP (Java), NLTK (Python), etc.• Détection de langue:• Language-detection (Java), NLTK (Python),Text_LanguageDetect (PHP), etc.• Extraction d'entités (nommées ou pas):• OpenNLP (Java), UIMA (Java), Stanbol, etc.(2/3)37

• Indexer :Existence de composants spécialisés• Indexation (SGBD):• MySQL, PostgreSQL, etc.• Indexation (indexeur):• Lucene (Java), Whoosh (Python), Zend Search (PHP), etc.• Rechercher :• Classification:• Mahout (Java), NLTK (Python), Reverend (Python), etc.• Composer :• Métamoteur : Carrot².• Divers :• Bases de données:• DBPedia (Wikipedia), Geonames (base de données géographique), etc.(3/3)• Remarque : existence de très nombreux petits projets spécialisés et parfoistrès utiles.38

Et pourquoi pas du logicielpropriétaire ?• Existence de technologies propriétaires reconnues pour l'indexation.• Exemples : Dtsearch, Oracle TEXT, etc.• Point fort : très large couverture fonctionnelle, performances de haut niveau.• Point faible : prix, « lock-in » technique.• Le monde Java est alimenté par des projets de recherche (publics ouprivés) en traitement de l'information.• Exemples (logiciels libres) : UIMA, Stanbol, Nepomuk, etc.• Existence d'alternatives en Python (parfois) et, dans une moindre mesure, enMicrosoft .Net (C#, ASPX, etc.).• Existence d'outils gratuits (mais non libres).• Exemples : TreeTagger, Sentiwordnet, etc.39

Exemples pratiques : création demoteurs de recherche spécialisés40

Exemple 1 : moteur de recherchede podcasts• Objectif :• Sur base d'une liste de podcasts (fichiers RSS)...• Indexer le contenu des flux RSS...• En distinguant...• Les descriptifs de chaque fichier RSS et...• Les descriptions de chaque ressource multimédiaréférencée...• Et permettre des recherches par mots-clefs.41

Outils réutilisés• Lecture RSS : Feedparser (Python).• Indexation : MySQL (fulltext).• Fonctionnement simple (extension du SQL) :• Création de la table avec index :– CREATE TABLE news ( id INT UNSIGNEDAUTO_INCREMENT NOT NULL PRIMARY KEY, titleVARCHAR(256), content TEXT, FULLTEXT (title,content) )• Recherche par mot-clef :– SELECT id, title, content, MATCH(title,content) AGAINST ('linux') AS scoreFROM news WHERE MATCH (title,title) AGAINST('linux') ORDER BY score42

Résultat• Exemples de résultat de recherche :43

Exemple 2 : moteur de recherchede flux RSS• Objectif : découvrir, indexer et rechercher desflux RSS.44

Outils• Indexation via Zend Search (voir exemple 3).• Développement spécifique: crawler.• Développement Python utilisant « urllib », « string »,« sgmlparser » et « threading ».• Crawler (Python) spécialisé dans la découverte de flux RSS.• Principe: sur base d'une liste d'URL (amorce),• le crawler (multi-thread) ouvre les pages d'accueil,• identifie les flux RSS et Atom (et les ajoute à une liste),• extrait les noms de domaine des liens sortants,• et ajoute ces noms de domaine aux URLs à visiter.• But: explorer peu de pages HTML mais trouver un maximumde flux de syndication en un minimum de temps et avec unminimum de bande passante.45

Résultat• Collecte aisée de plusieurs dizaines de milliers deflux RSS et Atom, en français, anglais, néerlandaiset espagnol.• Recherche avancée : par mots-clefs, par pays, parlangue, restriction possible aux podcasts.46

Exemple 3: moteur de recherche• Point de départ: données de l'annuaireLogiciellibre.com.• Objectif :d'entreprises• A partir d'une base de données d'adressesd'entreprises actives dans le logiciel libre...• Créer un index Web spécialisé...• Pour identifier les entreprises actives sur certainestechnologies et étudier leur environnement.47

Outils réutilisés• Crawl: Wget.• Indexation: Zend Search.• Extraction d'entités: Boilerplate, OpenNLP.• Visualisation: WUI et DOT.48

Wget (1/2)• Utilitaire GNU en ligne de commande, compatibleLinux ou Cygwin, permettant de récupérer desfichiers en utilisant HTTP, HTTPS et FTP.• Commande de base :• wget www.cetic.be• Stocke localement la page située à l'adresse« www.cetic.be ».• Commande pour un crawl :• wget -r -l2 -P www -R jpg,gif,png 'http://www.cetic.be'• Crawl récursif de profondeur 2 pour le site« http://www.cetic.be » et résultats du crawl dans le répertoire« www » (+ rejet des photos).49

Wget (2/2)• Multiples options :• -r (crawl récursif)• Par défaut : respect de la convention « norobots »• -l (profondeur de récursion)• -P (répertoire cible pour le stockage)• -A et -R (filtrage des URLs par pattern)• --user-agent (« user agent » imposé)• ...• Plus d'infos : http://www.gnu.org/software/wget/manual/ .• Alternative : curl (puissant mais... pas de crawlrécursif).50

Lucene (1/2)• Outil d'indexation supporté par la fondation Apache(lucene.apache.org).• Ecosystème étendu :• Utilisé dans Alfresco, Jahia, Liferay,...• Extension au cloud (ex. : CouchDB-lucene).• Beaucoup d'outils tiers : Luke (lecture d'un index),Solr (serveur de recherche ; sans crawler), Nutch(moteur de recherche avec crawler), Carrot2(interface de recherche compatible OpenSearch etSolr),...• Cf. http://wiki.apache.org/lucene-java/PoweredBy .51

Lucene (2/2)• Le format d'index est devenu une sorte destandard.• Nombreux portages : Lucene.Net (. Net), PyLucene(Python), CLucene (C++) Plucene (Perl), ZendSearch (PHP),...• Différents types de portages : par traductionlittérale (compatibilité d'API d'abord), partraduction optimisée pour le langage cible(performances d'abord) et par binding (Python).• Points à surveiller : couverture fonctionnelle,version de l'index,...52

Zend Search (1/4)• Portage de Lucene en PHP.• API spécifique.• Support de la version d'index 2.3 (depuis ZendFramework 1.6).• Support de l'UTF-8 en interne.• Intégré au framework Zend mais utilisableséparément (taille sur disque : 734,3 ko).• Taille d'index théorique maximum = 2GB (système 32bits).• Facilement hébergeable (installable sur unhébergement mutualisé type OVH ou Lost Oasis).53

Zend Search (2/4)• Plusieurs types de champs supportés :« Keyword », « UnIndexed », « Binary », « Text »et « UnStored ».54

Zend Search (3/4)• Syntaxe supportée lors des recherches :• Opérateurs booléens (« OR » ou « || », « AND » ou « && »,« NOT » ou « ! », « + », « - »),• indicateur de champs (« title: »),• jokers (« ? » ou « * »),• recherche par intervalle (dates ou chaines),• recherche floue (« ~ »),• recherches de proximité (« ~ »),• facteur de boost (« ^ »).• Possibilité de trier par champs.• Cf. http://framework.zend.com/manual/fr/zend.search.lucene.searching.html ethttp://framework.zend.com/manual/fr/zend.search.lucene.query-language.html .55

Zend Search (4/4)• Possibilité de personnaliser l'analyse des documents :• Utilisation d'un analyseur par défaut(Zend_Search_Lucene_Analysis_Analyzer_Common_Text_CaseInsensitive).• Possibilité de choisir un analyseur (compatible UTF-8,compatible avec les nombres,...).• Possibilité de configurer des filtres (« lowercase »,« stop words », « short words »).• Possibilité de créer son propre analyseur.• Cf. http://framework.zend.com/manual/fr/zend.search.lucene.extending.html .• Possibilité de chargement direct de documents :formats HTML, MS Word / Powerpoint / Excel,...56

Encodage UTF-8 sous PHP (1/2)• PHP 5 (et

Encodage UTF-8 sous PHP (2/2)• Dans PHP :• La logique est différente de celle de Python, qui propose untype « string » et un type « Unicode ». PHP est très faiblementtypé et travaille uniquement avec des chaines.• La conversion entre ISO et UTF-8 se fait à l'aide des fonctions« utf8_encode() » et « utf8_decode() ». Les autres conversionsse font via « iconv ».• La manipulation des chaines en UTF-8 se fait à l'aide de labibliothèque « mbstring ».• La détermination de l'encodage des caractères en entréen'est pas triviale (headers HTTP parfois erronés,métadonnées HTML parfois absentes ou erronées, outils dedétection pas toujours fiables,...).58

Indexation sous Zend Search (1/2)• Création d'un index et insertion :$index = Zend_Search_Lucene::create('/data/my-index');$doc = new Zend_Search_Lucene_Document();$doc->addField(Zend_Search_Lucene_Field::Text('title', $docTitle));$doc->addField(Zend_Search_Lucene_Field::UnIndexed('url', $docUrl));$doc->addField(Zend_Search_Lucene_Field::UnStored('content',$docContent));$index->addDocument($doc);$index->commit() ;• Optimisation de l'index :$index->optimize();59

Indexation sous Zend Search (2/2)• Ouverture d'un index et recherche :$index = Zend_Search_Lucene::open('/data/my-index') ;$query = Zend_Search_Lucene_Search_QueryParser::parse($input);$hits = $index->find($query);foreach ($hits as $hit) {echo $hit->score;echo $hit->title;echo $hit->url;}• Paramètres : opérateur par défaut, encodage desdonnées,...60

Divers• Attention : wget affecte conventionnellement le nom « index.html » àl'adresse « / ».• Analyse des documents HTML :• native (cf. « Zend_Search_Lucene_Document_Html »),• manuelle non structurée (extraction des métadonnées -title, description,...-par expressions régulières et nettoyage du via « strip_tags ») ou...• manuelle structurée (extraction structurée par expression régulière ou Xpath).• Lucene ne gère pas les contraintes d'intégrité.• Les doublons ne peuvent donc pas être évités via un champ « UNIQUE ».• Or, hash utile sur l'URL, voire sur le contenu (duplicate content).• Solutions possibles : test sur un champ unique dans l'index ou test sur based'une table externe (ex. : hash dans SQLite).61

Mode de fonctionnement (1/3)• Étape 1 : constituer une base de données d'URLs (basé surlogiciellibre.com).• Étape 2 :• Détecter les éventuelles redirections, sites morts, etc(automatisable sous PHP avec « get_headers »).• Générer les requêtes wget correspondantes.• Lancer le crawl avec « wget ».• Étape 3 : lancer l'indexation des pages collectées par« wget ».• Utilité : identifier les prestataires actifs sur une ou plusieurstechnologies particulières.62

Mode de fonctionnement (2/3)63

Mode de fonctionnement (3/3)• Performances :Active index: index-fr:Create index:From 30-06-2011 13:39:16 to 30-06-2011 13:44:28.Size of the index: 4299 document(s) and 35,5Mo.Time: 258,957s. (60,237ms./doc.).Optimization time: 49,154s.Tests:Search (test): 25 result(s) (max.: 25) in 10,130ms. for 'python'.Search (test): 69 result(s) (max.: 250) in 4,425ms. for 'python'.Search (test): 25 result(s) (max.: 25) in 11,798ms. for 'python AND plone'.Search (test): 27 result(s) (max.: 250) in 7,111ms. for 'python AND NOT plone'.Search (test): 102 result(s) (max.: 250) in 8,569ms. for 'python OR plone^4'.64

Les petits plus...• Deux exemples :• Visualisation des relations des entreprises(écosystème).• Création de nuages de tags.65

• Exemple d'application :Visualisation des relations(écosystème)• Visualiser les relations entre entreprises,et entre lesentreprises et leur environnement (communautés,organismes publics, etc.)• Comment faire ?66

Processus• Sur base des liens hypertextes entre les sites.• Comptabilisation des relations de page à page.• Utilisation du format DOT pour représenter legraphe de relations.• Utilisation du logiciel en ligne de commande Dot.• Remarque : existence d'outils plus évolués: Gephi(gephi.org), Tulip (tulip.labri.fr), etc.67

Résultat68

Création d'un nuage de tags• Exemple d'application:• Pour chaque site Internet repris dans l'index:• Avoir une vue des personnes importantes (employés,références, etc.).• Avoir une vue globale de l'entreprise (partenaires,technologies, normes, localisations, etc.).• Comment faire ?69

Processus• Base: copie locale des sites obtenue par wget.• Pour chaque page HTML d'un site Web:1. Extraction du contenu textuel utile avecBoilerplate.2. Analyse du contenu textuel avec OpenNLP.●●Extraction des noms de personnes.Étiquetage grammatical.●Extraction des noms propres (personnes, entreprises,technologies, normes, etc.).3. Tri (filtrage : fréquence, « patterns »).4. Création des nuages de tags.70

Résultat71

Principales difficultés• Principalement liées à OpenNLP• Fiabilité globalement correcte mais...• Sensibilité vis-à-vis du texte donné en entrée.– Exemple : Andy Gibbs 1 FelipeContreras 1 Frederik Pasch 1 Heiko Zuerker 1 JavierViguera 1 Luca Ceresoli 1 MarceloRoberto Jimenez 1 Marcus Osdoba 1 Matt Johnson 1 Paul Burton 1 Paul Jones 1 – Importance de la conversion HTML -> texte.• Nombre limité de fichiers d'entrainement.– Exemple: étiquetage grammatical (disponible en anglais, néerlandais ouespagnol, mais pas en français).• Le filtrage sur base de la fréquence d'apparition limite laprésence de tags peu pertinents.72

Conclusion73

Conclusion (1/2)• Large variété d'outils libres disponibles:• logiciels intégrés,• Composants réutilisables,• bibliothèques de base.• Capacité des outils libres à répondre à des besoinsvariés mais...• Concepts de base à maîtriser.• Intégration (souvent) moindre comparé à deséquivalents propriétaires (ex.: Oracle Text).74

Conclusion (2/2)• Sujets peu ou prou abordés :• Problématique de passage à l'échelle.• Temps des crawls (et leur ciblage).• Temps d'analyse des contenus.• Gestion des grands volumes de données (> million dedocuments).• Technologies Cloud (ex.: bases NoSQL, Hadoop, etc.).• Développement de moteurs de recherchesémantiques.• Cf. Fauconnier et Roumier (2011).75

Merci!Merci pour votre attention.Des questions ?76

Ressources et liens utiles• Robert Viseur (2012). « De l'annuaire de sites à la recherchesociale: 15 ans d'évolution! ». Etudiant Polytech d'un jour(UMONS). URL : http://www.robertviseur.be/news-20120225.php .• Robert Viseur (2011). « Développement d'un moteur de rechercheavec Zend Search ». RMLL 2011. URL : http://www.robertviseur.be/news-20110721.php .• Jean-Philippe Fauconnier et Joseph Roumier (2011). SemanticSearch Engine Dedicated to Music & Musicians. Music Linked DataWorkshop, London, May 12, 2011. URL : http://shrl.be/000092 .• Robert Viseur (2010). « Introduction to libre « fulltext »technology ». RMLL 2010. URL : http://www.robertviseur.be/news-20100710.php .• Erik Hatcher et Otis Gospodnetić (2004). « Lucene in Action ».Manning Publications Co.• Soumen Chakrabarti (2003). « Mining the Web - DiscoveringKnowledge from Hypertext Data ». Morgan Kaufmann.77

ContactDr Ir Robert ViseurEmail (@CETIC) :Email (@UMONS) :robert.viseur@cetic.berobert.viseur@umons.ac.beTéléphone : 0032 (0) 479 66 08 76Internet :www.robertviseur.beCette présentation est diffusée sous licence « CC-BY-ND ».78