4 Creare contenuti per il web - Andrea Giachetti

Funzionamento e gestione dei siti web 57
3.9 Gestione e ricerca dell'informazione sul web, il web
semantico
Abbiamo visto che il web odierno si caratterizza per l'enorme mole di dati archiviati sotto
forma di file (pagine) e di tabelle di database sui vari server accessibili, in modo più o meno
filtrato, dagli utenti. E' evidente che la vastità di tale struttura rappresenta un'enorme
potenzialità, ma anche un serio problema. Oggi in rete possiamo trovare quasi tutte le
informazioni di nostro interesse, ma spesso non siamo in grado di raggiungerle.
Come si fa a recuperare l'informazione che ci serve? Come fare a definire cosa è rilevante e
cosa non lo è? E' possibile catalogare e strutturare l'informazione del web in modo efficace?
Abbiamo visto che molti siti gestiscono i loro archivi di dati utilizzano le cosiddette basi di dati
relazionali: in tal caso è relativamente semplice fare in modo che si possano trovare i dati utili
all'interno del sito strutturando in modo corretto il database e usando i linguaggi di
interrogazione degli stessi per recuperare i dati.
Questo ovviamente non è possibile quando vogliamo recuperare informazioni dall'intera rete,
cioè da siti indipendenti ognuno con le sue pagine ed eventualmente con le proprie basi di dati.
I motori di ricerca, come abbiamo visto, cercano una soluzione mediante tecniche di
information retrieval (disciplina che si occupa, appunto, del reperimento automatico di
informazione da collezioni e archivi digitali). Essi basano la ricerca su parole chiave cercando
nella collezione dei documenti quelli ritenuti più pertinenti a tali parole.
Per fare questo devono creare degli indici del web, realizzati mediante software (detti crawler
o spider o robot) che navigano automaticamente tra le pagine raccogliendone i contenuti, che
vengono poi analizzati da altri software che ne estrapolano una rappresentazione compatta. In
pratica essi elaborano il testo, estraendo le radici delle parole non triviali (escludendo cioè le
cosiddette stop words come articoli e congiunzioni). Attraverso successive analisi su
posizionamento, ruolo e frequenza delle parole cercano poi di stabilire la rilevanza di esse per
indicizzare il documento.
Per generare la risposta alle richieste verranno cercate le pagine indicizzate che hanno la
maggiore “rilevanza” rispetto alle parole chiave inserite. Questa rilevanza è calcolata mediante
opportuni algoritmi che sono un po' il segreto del successo del motore stesso: in qualche modo
il successo di Google è stato dovuto all'efficacia dei suoi algoritmi (il cosiddetto PageRank).
Tre gli altri “motori” usati sul web possiamo citare AltaVista, utilizzato da Yahoo e “Bing” di
Microsoft, che ha soppiantato il precedente “Live Search”.
Il limite di questo metodi di ricerca di informazioni consiste nel fatto che la rilevanza viene
calcolata a partire semplicemente dal contenuto testuale dei documenti e dal numero e
contenuto dei riferimenti ai documenti trovati su altre pagine (Google attribuisce maggiore
rilevanza alle pagine maggiormente citate pesate dall'importanza della pagina citante). Non c'è
quindi nessuna comprensione del “significato” del documento stesso per l'utente. Inoltre non c'è
accesso alle informazioni nei database dei server, per cui gran parte dell'informazione contenuta
in rete non viene utilizzata.
Per i più diffusi motori di ricerca, poi, il risultato finale è una semplice lista di pagine e non
un'informazione elaborata che cerchi effettivamente di rispondere alla domanda posta
dall'utente o estrapoli la parte informativa dalle varie fonti facendone un sunto. Quest'ultimo