WWW

The World Wide Web is a very large distributed digital information space. From its origins in 1991 as an organization-wide collaborative environment at CERN for sharing research documents in nuclear physics, the Web has grown to encompass diverse information resources: personal home pages; online digital libraries; virtual museums; product and service catalogs; government information for public dissemination; research publications; and Gopher, FTP, Usenet news, and mail servers. Some estimates suggest that the Web currently includes about 150 million pages and that this number doubles every four months. for representing document content.

Es bien sabido que los motores de búsqueda y los índices han surgido como herramienta para ayudar a encontrar información en el enorme y rápidamente creciente volumen de páginas web: su origen se inscribe en el contexto académico, al igual que ocurrió con la propia Red, para pasar posteriormente al escenario comercial.

Conceptualmente, la Recuperación de Información (RI) es una operación en la que se interpreta una necesidad de información de un usuario y se seleccionan los documentos más relevantes capaces de solucionarla, es decir, consiste en buscar documentos que exhiban un mayor parecido a la pregunta formulada. En el contexto de la WWW, se puede definir el objetivo de la recuperación como la identificación de una o más referencias de páginas web que resulten relevantes para satisfacer una necesidad de información. Se entiende por página web el fichero o conjunto de ficheros informáticos que constituyen un documento HTML (HyperText Markup Language) identificable a través de la red con una URL (Uniform Resource Locator) propia característica. La entidad final buscada puede variar mucho: direcciones, datos estadísticos, archivos de imágenes, referencias bibliográficas, documentos de texto completo, etc.
El crecimiento explosivo de la WWW, unido a la diversidad de información que contiene, su heterogénea procedencia, la diferente formación de los autores de documentos y la anarquía de su organización, dificultan enormemente el hallazgo de información útil para un usuario determinado, más aún cuando es el propio usuario, generalmente con escaso conocimiento en técnicas de RI, quien efectúa sus propias búsquedas. La proliferación de herramientas para buscar información en la Web se ha hecho notar considerablemente en estos últimos años: se estima que en la actualidad existen más de 2000 motores de búsqueda diferentes en la Web, mientras que en 1995 había tan solo una docena. Cada uno de ellos tiene sus propias características, utilidades e interfaces de usuario.
El propósito de este informe es poner de manifiesto las dificultades que entraña la RI en la WWW, analizar su problemática, exponer diferentes soluciones, ver cómo hacen uso de ellas algunas herramientas de búsqueda e indicar hacia donde tienden las investigaciones en esta área.

En esta ponencia se presentan las características de la WWW desde una perspectiva documental y se estudian los diferentes tipos de herramientas que podemos utilizar para buscar información.

Se describe y analiza el acceso y la recuperación de información en la World Wide Web. En primer lugar, se estudia el funcionamiento de los motores de búsqueda y los metabuscadores. En segundo lugar, se presenta un estado de situación de la recuperación de información web a través de tríada sistema-documento-usuario. Y por último, se evalúa el desempeño de motores de búsqueda y metabuscadores en dos preexperimentos. El primero, analiza, emulando la conducta del usuario, la ordenación por relevancia de los primeros diez y veinte resultados de cinco motores de búsqueda de mayor cobertura en respuesta a expresiones de búsqueda no estructuras. Y el segundo, calcula las medidas tradicionales de precisión y exhaustividad, determina la proporción de URLs solapados y similitud entre cinco buscadores y tres metabuscadores usando para su interrogación palabras poco frecuentes.

In this paper, we present Google, a prototype of a large-scale search engine which makes heavy use of the structure present in hypertext. Google is designed to crawl and index the Web efficiently and produce much more satisfying search results than existing systems. The prototype with a full text and hyperlink database of at least 24 million pages is available at http://google.stanford.edu/
To engineer a search engine is a challenging task. Search engines index tens to hundreds of millions of web pages involving a comparable number of distinct terms. They answer tens of millions of queries every day. Despite the importance of large-scale search engines on the web, very little academic research has been done on them. Furthermore, due to rapid advance in technology and web proliferation, creating a web search engine today is very different from three years ago. This paper provides an in-depth description of our large-scale web search engine -- the first such detailed public description we know of to date.
Apart from the problems of scaling traditional search techniques to data of this magnitude, there are new technical challenges involved with using the additional information present in hypertext to produce better search results. This paper addresses this question of how to build a practical large-scale system which can exploit the additional information present in hypertext. Also we look at the problem of how to effectively deal with uncontrolled hypertext collections where anyone can publish anything they want.

In this decade the information retrieval research community has started new relevant efforts to improve previously available evaluation techniques and methods and to address new ones. Evaluation techniques are critical to rese arch in all areas of science and engineering, so they are for the information retrieval area. The evaluation of information retrieval systems can take different approaches, face different issues, and propose or use different methods, as it has been addressed by Harter and Hert in [1]. The two orthogonal themes they propose to consider are the ``Different IR Theoretical Perspectives'' and the ``Diversification and Hybridisation of IR Systems''. These two themes are compreh ensive of many aspects and efforts that most of IR researchers believe are important for conducting future IR evaluation efforts. This framework was proposed to the thirty-three people who attended the workshop. Fourteen people were from United States, thirteen from Europe, three, two, and one people respectively were from Korea, Japan and Australia.

The World-Wide Web (W3) initiative is a practical project to bring a global information universe into existence using available technology. This article describes the aims, data model, and protocols needed to implement the “web”, and compares them with various contemporary systems