AI inom Ämnesinriktad Webcrawling
|
|
- Emil Månsson
- för 7 år sedan
- Visningar:
Transkript
1 AI inom Ämnesinriktad Webcrawling Anders Österholm Kogvet 2 Linköpings Universitet andos561@student.liu.se Abstract En förutsättning för Internets användbarhet är att det går att söka efter information i det på ett smidigt sätt. Problemet för generella sökmotorer som t ex google, altavista, lycos är skalbarheten i systemen. En generell sökmotor måste kunna hantera sökningar inom alla områden och leverera resultat som passar alla sorters användare. På senare år har intresse riktats mot mer ämnesinriktade sökrobotar och sökmotorer som specialiserat sig på att ge information inom en specifik domän. Flera populära sådana finns redan idag. Utmaningen vid byggandet av en ämnesinriktad sökmotor ligger i att automatiskt kunna hitta sidor som är relevanta för ämnet. I det här arbetet presenteras tekniker som implementerats i ämnesinriktade sökrobotar för att de själva ska kunna identifiera relevansen hos sidorna de besöker. 1. Inledning Få människor har undgått att märka att Internet har utvecklats till ett mycket stort nätverk med mycket nyttig och onyttig information. För att hitta information på Internet använder de flesta idag någon sökmotor. Exempel på populära sökmotorer är Google, Altavista och Yahoo. En viktig komponent i en sökmotor är program som kallas sökrobotar. Andra namn på sökrobotar är spindlar (spider), mask (worm) och WebCrawler [1]. Sökrobotarna utför Webcrawling vilket kan förklaras som traversering av Internet. Denna förklaring på begreppet förutsätter att Internet kan ses som en Graf där varje Webbsida är en nod i grafen och länkarna mellan sidor är bågar mellan noder. Konkret innebär traversering att sökroboten autonomt navigerar runt bland sidorna på Internet enligt någon algoritm och skickar sidorna till sökmotorns databas (se fig. 1). Databasen för en generell sökmotor som söker genom hela Internet blir mycket stor i och med att man i teorin önskar lagra hela Internet i den. Googles databas innehåller 3,3 miljarder sidor [ Google sparar dock inte hela sidor i databasen utan de dissekeras och indexeras utifrån innehållet. När en användare via gör en sökning på Internet görs alltså sökningen i Googles egen databas och inte på själva webben. Detta är en nödvändighet för att sökningen ska kunna presentera resultat inom rimlig tid. Syftet med detta arbete är inte att gå in på hur sökmotorn effektivt söker igenom sin databas när en användare gör en förfrågan (sökning) i den. Det här arbetet fokuserar på hur sökrobotarna effektivast traverserar Internet. Verkligheten är sådan att även Google
2 som har den största databasen bara har en bråkdel av hela Internet lagrad. Utvecklingen av Internet har visat att sökmotorerna inte klarar av att utöka sina databaser i samma takt som Internet växer [5]. Fig 1 [2] Modell av en Sökmotor med 2 sökrobotar Därför har många sökmotorer inriktat sig på att istället för att försöka samla in så många sidor som möjligt, försöka samla in så bra sidor som möjligt. Att värdera hur bra en sida är och att samla in så bra sidor som möjligt, är sökrobotarnas viktigaste uppgifter. Det finns en mängd teorier och tekniker kring hur sökrobotarna ska lösa dessa uppgifter och många av dem innefattar användande av någon form av AI. Ett område som vuxit fram på senare år och som det forskats mycket på inom Webcrawling är så kallad ämnesinriktad (Topic-Driven), eller fokuserad, Crawling [4, 5, 6, 11]. Det har skapats flera sökmotorer där användare kan söka efter saker inom specifika domäner som t ex resor [ hemelektronik [ vetenskapliga arbeten [ I det här arbetet studeras algoritmer inom ämnesinriktad Webcrawling eftersom den kräver intelligentare sökrobotar än generell Webcrawling. Slutsatser kan sedan dras om hur bra olika sorters AI kan tillämpas inom ämnesinriktad Webcrawling.
3 2. Det svåra i att bygga en bra Sökrobot Den största gemensamma svårigheten för alla sorters sökmotorer är det faktum att deras sökrobotar inte har möjlighet söka igenom hela Internet inom rimlig tid. I teorin skulle det gå att göra, men då skulle det behövas en stor mängd sökrobotar och mycket kapacitet hos servrarna som ska indexera sidorna. Problemet för en sökmotor med stor databas är också att storleken på databasen är omvänt proportionell mot hur uppdaterad den är. Ju större databasen är desto långsammare går det att uppdatera den. En förutsättning för att användare ska vilja använda sökmotorn är att det går att hitta aktuell information via den. Om en sökmotor skickar ut många sökrobotar på Internet för att snabbt få in information kan detta leda till problem på grund av att sökrobotar tar plats. För många sökrobotar kan leda till överbelastning på nätverket eller delar av det. Man skulle i det extrema fallet med många sökrobotar kunna hamna i en situation där hela Internettrafiken domineras av sökrobotar. Även i mindre skala gäller det att sprida ut sökrobotarna så att alla inte hamnar på samma ställe samtidigt och skapar lokal överbelastning. Ett annat problem som utvecklare av sökrobotar måste tackla är hur ofta samma sida ska besökas av en robot för att hitta uppdateringar av den. Internet är en dynamisk omgivning [3] och undersökningar har visat att det tar ungefär 50 dagar för 50% av innehållet på Internet att ändras [4] För.com domänen tar det bara 11 dagar. På grund av detta blir återbesök på sidor en viktig del i Webcrawling för att sökmotorn ska kunna hålla databasen aktuell. För att prestandan ska vara maximal hos sökmotorn måste antalet sökrobotar balanseras så att flödet av data till sökmotorns databas hålls på en konstant lagom hög nivå. De flesta databaser fungerar så att de har en kö av sidor som robotar har skickat till den. Själva indexeringen, alltså att konvertera sidorna till det format som databasen lagrar dem i och lagringen är tidskrävande. Om Sökrobotarna rapporterar in sidor i för hög takt kommer kön bli så lång att när en sida kommit igenom kön och placerats i databasen har den redan hunnit bli gammal och originalet på nätet har hunnit förändras. Är sökrobotarna för få, kommer kön vara tom och databasen uppdateras inte i optimalt. Det har skrivits en del om att optimera antalet sökrobotar i [12]. Det finns även framtagna Etiska regler [1] för vad en sökrobot får och inte får göra på Internet. Dessa är det noga att man följer om man vill utveckla en sökmotor. Det är tillåtet at använda en robot, om resultaten blir offentliga. Det är alltså inte tillåtet att orsaka belastning på nätverk för enbart personliga syften Det är etiskt korrekt at skriva robotar som bara hämtar sidor som accepterar att bli hämtar. Det är inte etiskt korrekt att skapa Robotar som observerar vilka sidor en användare besöker, och utför handlingar, som att visa reklam.
4 3. Ämnesinriktad Webcrawling Utvecklare har börjat inse att en generell sökmotor som ska indexera hela webben får problem med skalbarheten, det blir svårare och svårare att klara av att svara på alla typer av sökningar från olika människor på ett bra sätt. Därför är det inte konstigt att det har riktats ett stort intresse mot ämnesinriktad sökning. Som nämndes i inledningen finns det idag sökmotorer som är Domänspecifika och gör sökningar inom endast en domän. Domänspecifika sökmotorer har stor nytta av att använda ämnesinriktade Sökrobotar som endast söker efter sidor inom deras område. Detta löser problemet med skalbarheten i och med att sökmotorerna riktar sig till en viss typ av användare och alltid arbetar i samma kontext. En domänspecifik sökmotor kan också hålla sin databas mer uppdaterad i och med att den är mindre och sökrobotarna kan traversera Internet snabbare utan att behöva utforska alla webbsidor [5]. Utmaningen i att göra en ämnesspecifik Sökrobot ligger i att den måste analysera innehållet på varje sida för att avgöra hur relevant den är för ämnet. 3.1 Arkitekturen i en ämnesinriktad sökrobot Figur 2 visar hur en arkitektur för hur en ämnesinriktad sökrobot med omgivning kan se ut. Modellen är skapad av S. Chakrabarti, M. Berg and B Dom [6]. Läsaren hänvisas till deras arbete för en mer detaljerad genomgång. Den ämnesinriktade sökroboten består av en klassificerare (classifier) som gör bedömningar av sidor som blivit besökta för att avgöra om det är värt att expandera sidans länkar, en destillerare (distiller) som går igenom besökta sidor och bedömer vilken prioritet de ska få i sökmotorn. Själva sökroboten (Crawler) har en mängd programtrådar (Worker threads) som representerar varje enskild sökrobot. Watchdog hämtar hem sidorna från länkarna som ligger i frontier. Fig. 2 [6] Blockdiagram av en ämnes-inriktad crawler som visar hur Sökroboten (Crawler), klassifieraren och destilleraren är integrerade.
5 3.2 AI-tekniker för att göra effektiva ämnesinriktade sökrobotar Utmaningen för en ämnesinriktad sökrobot ligger i att den måste kunna identifiera hur relevant en sida är för det aktuella ämnet samt att hitta de relevanta sidorna utan att gå omvägar genom Internet. Det är här som AI visar sig användbart. De algoritmer för att styra sökrobotarna som tas upp i detta arbete är Bredden först [4 7], Best First [4, 3], Page Rank[4, 8, 9], Shark Search [4] och Info-Spiders [4, 11] Bredden-först Crawling En bra måttstock för att avgöra hur bra Crawlingalgoritm man har gjort är att jämföra den med en bredden-först sökning. Bredden-först är ett mycket överskådligt sätt att traversera på utan hemligheter. Metoden började användas för WebCrawling redan Najork, Wiener [7] har med experiment på 351 miljoner sidor visat att Bredden-först sökning är betydligt kostnadseffektivare än Page Rank vad avser datorkraft även om Page Rank hittar bättre sidor. Nedan följer en implementation av bredden-först i pseudokod. Fig 3 [4]: Pseudokod för en bredden-först sökrobot Förklaring av algoritmen: Sökroboten fungerar så att den samlar in ett antal länkar från varje sida den besöker och lägger dem i en kö med enqueue(). Länkarna i kön kallas kandidater eller frontier (se fig 3). Sökroboten besöker varje sida dit länkarna i frontier pekar och hämtar dem till sökmotorns databas med fetch()funktionen tills den hämtat så många länkar som maxvärdet MAX_PAGES tillåter. Under traverseringen får frontier inte bli större än MAX_BUFFER som är ett mått på hur mycket minne sökroboten har rätt att använda. Lägger man inte in MAX_BUFFER så kommer sökroboten att konsumera för mycket minne. Notera att när MAX_BUFFER är full utforskas bara en länk från varje sida.
6 Fig 3 [5]: Illustration av begreppet frontier. Den streckade linjen utgör gränsen mellan besökta sidor och sidor i frontier. Dessa kallas även kandidater Best-first Crawling Best-first är ett generellt namn på sökalgoritmer där noden som ska expanderas väljs utifrån en evalueringsfunktion [3]. En best-first algoritm anpassad för en sökrobot kan se ut enligt följande: Fig4 [4] Best-first search Förklaring av algoritmen: Idén med best-first är att givet en frontier med länkar så väljs den bästa länken, enligt något kriterium, ut först och besöks av sökroboten. Kriteriet i denna algoritm är den lexikala överensstämmelsen mellan ämnets nyckelord och innehållet sidan dit länken pekar. Funktionen sim() beräknar lexikala överensstämmelsen genom att beräkna cosinus-överensstämmelsen (cosine similarity)
7 mellan ämnet och innehållet på sidan. cosinus-överensstämmelsen beräknas med följande formel: där q är ämnet, p är den hämtade sidan och f kd är frekvensen av förekomster av k i d. De sidor med minst överensstämmelse tas bort för att göra plats åt andra i MAX_BUFFER Page Rank PageRank skapades av Brin och Page [8] och är den metod som Google s sökmotor bygger på idag. Den var ursprungligen avsedd som modell för surfbeteenden hos Internetanvändare. PageRank fungerar i grunden så att varje sida tilldelas ett värde av sökmotorn. Detta värde representerar sannolikheten för att en surfare som slumpvis följer länkar mellan olika sidor befinner sig på en viss sida vid en viss tidpunkt. PageRank definieras enligt följande [8] Låt A vara en webbsida. T1 Tn är antalet sidor som länkar till A. Värdet d uttrycker sannolikheten för att en surfare med ett slumpvist surfande tröttnar på sidan och går vidare till en annan sida. d brukar ha värdet C(A) definieras som antalet länkar som går ut från sidan A och B u är de sidor som länkar till u. PageRank för en sida ges av följande ekvation. PR(A) = (1-d) + d (PR(T1)/C(T1) + + PR(Tn)/C(Tn)) Följande figur illustrerar ett exempel på hur Page Rank fungerar. Fig 5 [9]. En något förenklad modell av PageRank som illustrerar den fundamentala principen. Rutorna är Webbsidor och de röda pilarna är länkar. Siffrorna är Rankingvärden som överförs mellan sidorna.
8 PageRank har sitt ursprung i de citationssystem som finns inom vetenskapliga kretsar. Olika forskningspublikationer har olika mycket status beroende på bl a vem som har skrivit dem. När en högstatusartikel citerar en annan artikel innebär det att denna andra artikel rimligtvis också har hög status. Om däremot en dålig artikel citerar en artikel med hög status så får varken den bättre artikeln eller den sämre någon mer status. Detta resonemang kan överföras till Internet där sidorna kan ses som artiklar och citationer kan ses som länkar. T ex får inte Nisses nybörjarhemsida så mycket rang av att länka till yahoo.com. Om däremot yahoo.com skulle länka till Nisses nybörjarhemsida så skulle den få mycket hög rang. Ett problem med PageRank är att rankingen för sidorna i databasen egentligen måste räknas om för varje ny sida som läggs till i och med att sidorna hänger ihop. Om en sidas rang ändras så kommer sidorna som länkar till den få ny rang och även sidorna som länkar till dessa osv. Av praktiska skäl brukar inte PageRank räknas om för varje ny sida, utan det görs med jämna intervall. Ett annat problem med PageRank är hur det initialt ska avgöras vad som har hög ranking. Där behövs analys av innehåll för att bestämma några bra sidor att utgå ifrån. Med tillräckligt många iterationer över databasen där värdena räknas om behövs inga initiala värden sättas, men den metoden är mycket mer tidsödande. En beskrivning i pseudokod av en ämnes-inriktad Sökrobot som använder PageRank följer nedan: Fig 6 [4] Pseudokod för PageRank-algoritmen
9 Förklaring av algoritmen i fig 6: Med jämna intervall måste Page-Rankvärden räknas om för sidorna med recompute_scores_pr. Notera att enqueue() tar sidan (doc) som argument. Detta görs för at PageRank förutom sidorna i frontier även måste ha en datastruktur för de sidor som besökts för att kunna räkna ut PageRank värdet för sidorna. merge() räknar ut PageRank värdet för en sida genom att slå ihop den ranking som fås av sim()och den som fås av föräldrarna till sidan Shark Search Fig 8 [4] Pseudokod för Shark Search-algoritmen Shark Search är en mer aggressiv variant av Fish Search [1]. Principen för dessa sökalgoritmer är att Internet kan delas in i områden och att förekomsten av ett ämne är större i vissa områden av Internet än i andra. Därför lönar sig bättre att söka mer noggrant i dessa bra områden och att avbryta en sökning i ett område där förekomsten är låg. Det som skiljer Shark Search från Fish Search är främst två saker. Det första är att Shark Search använder kontinuerliga värden för att mäta relevans istället för binära som Fish-search använder. Det andra är att Shark Search har mer omfattande
10 metoder för att uppskatta hur relevanta länkar i frontier är genom att använda sig av den text som står i länken på sidan (den som man ska klicka på för att länkas), texten runt länken samt den ärvda relevansen från föräldrarna till sidan. Förklaring av algoritmen i fig 8: Värdet r är en vikt på hur påverkan av relevanspoängen för sidan ska fördelas mellan den som ges av neighborhood_score() och den som ges av inherited_score() när relevanspoängen beräknas. Värdet d anger hur djupt Sökroboten tillåts att fortsätta söka. Om inga bra sidor hittas kommer d gå mot 0 och då avbryta sökningen i den grenen. I ett bra område kommer d att behålla sitt värde Info-Spiders Info-Spiders har tagits med i detta arbete för att algoritmen är intressant ur AI-synpunkt. Den använder sig av reinforcement learning [10], neurala nät och evolutionära algoritmer för att sökroboten ska lära sig vilka länkar som är värda att besöka. Info-Spiders sökrobotar arbetar parallellt oberoende av varandra och bygger sina egna Neurala nät. Varje sökrobot har en lista med nyckelord och ett neuralt nätverk som används för att förutsäga relevansen hos outforskade länkar. Varje in-nod till nätverket får antalet förekomster av ett nyckelord i den omgivande texten till länken. på sidan som indata. Dessa indata är viktade så att ju närmare länken ett ord står desto mer bidrar det till värdet. I det nät som testades i [4] användes inga mellanlager i det neurala nätet. Detta innebär att nätet bara kan lära sig linjära separationer i indata. I detta arbete sker ingen fördjupning i vilka konsekvenser det får för inlärningen. Utdata från det neurala nätet sker genom endast en nod. Värdet som fås är en kvalitetsuppskattning av länken som var indata. Fig 9 [11] Info-Spider sökrobotens tillvägagångssätt för att uppskatta kvaliteten för länkarna från sidan den befinner sig på. För varje länk på sidan räknas antalet förekomster av varje nyckelord (term) ut och som bilden visar har ord som på sidan har kortare avstånd till länken fördel av att viktas högre.
11 Den generella algoritmen för InfoSpiders ser ut enligt följande: Fig 9 [4] Pseudokod för Info-Spiders-algoritmen Förklaring till algoritmen: insert() funktionen utför utplacering av sökrobotarna på startsidor som tagits fram. Varje sökrobot får ett slumpvist beteende och en viss energimängd. sim() funktionen i denna algoritm genererar en energimängd som beror av hur mycket sidan agenten är på överensstämmer med ämnet. Energin läggs sedan till agentens
12 befintliga energi. learn_to_predict() är själva inlärningsfunktionen i algoritmen. Här tillämpas reinforcement-learning med höjning/sänkning av energinivån som belöning/straff. För varje länk som går ut från sidan görs en uppskattning av hur bra den sidan kan vara med hjälp av vad agenten har lärt sig. Boltzman() funktionen avgör om agenten ska dö. Detta gör den om relevansen på sidan är så låg att agentens energi blir 0. Slutligen avgörs om agenten ska reproducera sig sig. Om agenten har mycket energi kan betyder det förmodligen att den hittar bra länkar. Då körs split() för att skapa en agent till. Fördelen med detta är att det finns fler agenter i ett område på Internet där sidorna är relevanta. Den nya agenten kommer att vara en muterad version av den gamla. Detta för att med hjälp av mångfalden genererad av evolution kunna göra bättre uppskattningar i relevansen hos outforskade länkar. 3.3 Prestanda hos Algoritmerna I det här arbetet har inga tester av de olika algoritmerna gjorts och därför finns inga data från körningar att presentera. Tester har dock utförts i [1, 2, 7, 10], intresserade hänvisas dit. Vad som kan sägas är att prestandan hos en sökrobot är beroende av hur man testar den. I [4] gjordes en jämförelse mellan bl a de sökalgoritmer som presenterats här. Ett intressant resultat därifrån är att PageRank inte klarade sig i konkurrensen med de andra algoritmerna trots att Google som är den mest populära generella sökmotorn använder just PageRank. Bredden först var som väntat den algoritm som klarade sig sämst. Prestandamässigt är dock bredden-först den teknik som kräver minst datorkraft per utforskad sida. Som generell Webcrawlingalgoritm är Bredden-först konkurrenskraftig. Best-first med lexikal överensstämmelse som bedömningskriterium är en konkurrenskraftig Sökrobotalgoritm för ämnesinriktad sökning visar testerna i [4]. Den klarade sig i dessa tester något bättre än Shark Search. Info-Spiders är den intressantaste algoritmen i detta arbete i och med att den använder sig av maskininlärning. Den klarade sig inte bättre än de bästa av de andra sökalgoritmerna i tester [4] vilket visar att maskininlärning idag inte ger någon fördel inom området Ämnesinriktad WebCrawling. Orsaken till att det är svårt att få maskininlärning att lyckas är att Sökrobotarna bara har tillgång till begränsad lokal information [4]. Flera av de ämnesspecifika sökmotorerna som finns på Internet idag använder sökrobotar för att assistera människor i arbetet [ Det kan tolkas som att ämnesspecifika robotar inte klarar av att arbeta helt autonomt, men att de ändå kan utföra viss sökning som gör nytta i en ämnesspecifik sökmotor. Det är svårt att få aktuell information på området i och med att de kommersiella företagen inte gärna lämnar ut uppgifter om hur deras sökrobotar arbetar.
13 4. Slutsats Att bygga ämnesinriktade Sökrobotar är ett sätt att lösa skalbarhetsproblemet på Internet. Bland dagens ämnesinriktade sökrobotar är de algoritmer som är baserade på Best Firstalgoritmer de som fungerar bäst. Att PageRank inte fungerar så bra för ämnesinriktad webcrawling beror inte på att den algoritmen är dålig. Snarare är det nog så att den inte kommer till sin rätta i ämnesinriktade sökningar. Metoden fungerar bäst i generella sökmotorer. PageRank är ett lysande sätt att rangordna sidor på i och med att det är analogt med hur människor rangordnar saker. Att använda Neurala nätverk och reinforcement learning för att lära robotarna att förutse var vilka länkar som går till bra sidor är intressant idé. Får man det att fungera kommer det gå att skapa betydligt effektivare sökrobotar. Men att skapa en effektiv helt autonom sökrobot med maskininlärning verkar inte vara praktiskt möjligt i dagsläget. Problemet är främst att robotarna har lite data att arbeta och träna med i och med att de bara agerar i en lokal miljö och har inte kunskap om mer än det fåtal sidor den arbetar på. Det behövs mer forskning på hur informationen på Internet är strukturerad för att kunna ge robotarna bättre verktyg att arbeta med. Att dagens ämnesspecifika sökmotorer använder sökrobotar för att assistera människor vid inhämtande av information tyder på att det finns nytta med dem, men i och med att de inte klarar sig autonomt behövs bättre metoder och algoritmer för att skapa helt autonoma ämnesinriktade sökrobotar. Referenser [1] O. Heinonen, Kimmo Hätönen, Mika Klemettinen WWW Robots and Search Engines 1996 [2] J. Talim, Z. Liu, Ph. Nain and E. G. Coffamn, Jr Controlling the robots of web Search Engines In Proc. ACM Sigmetrics 2001 [3] S. Russel and P Norvig Artificial Intelligence A Modern Approach, Prentice hall, 1995 [4] F Menczer, G Pant and P Srinivasan Topic-Driven Crawlers: Machine Learning Issues 2002 [5] CC Aggarwal, F Al-Garawi and PS Yu Intelligent Crawling on the World wide Web with Arbitrary Predicates In Proc. 10 th Intl. World wide web Conference, pages [6] S. Chakrabarti, M. Berg and B Dom Focused crawling:a new approach to topicspecific Web resource discovery Elsevier Science B.V. 1999
14 [7] M. Najork and J. L. Wiener Breadth-First Search Yields High-Quality Pages 2001 [8] S. Brin L. Page The anatomy of a large-scale hypertextual Web search engine in Proceedings of WWW7, Apr [9] S. Brin, L. Page, R.Motwani and T. Winograd The PageRank citation ranking: Bringing order to the Web Tech. Rep Stanford digital Libraries Working Paper, [10] J. Rennie and A. K. McCallum Using Reinforcement Learning to Spider the Web Efficiently proceedings of ICML-99 Workshop, Machine Learning in Text Data Analysis 1999 [11] F. Menczer and R. K. Belew Adaptive Retrieval Agents: Internalizing Local context and scaling up the web 1999 [12] J. Talim, Z. Liu P. Nain, E. G. Coffman, Jr Optimizing the Number of Robots of Web Search Engines Telecommunication Systems Journal Vol. 17, Nos 1-2 pp , May-June
Web Crawlers. TDTS09, Datornät och internetprotokoll. Denis Golubovic Fredrik Salin Linköpings universitet Linköping 2011-02-23
Web Crawlers TDTS09, Datornät och internetprotokoll Denis Golubovic Fredrik Salin Linköpings universitet Linköping 2011-02-23 Omslagsbild: Spider robot Google 3d model Källa: turbosquid.com Sammanfattning
Läs merSlutrapport Vertikala Sökmotorer Uppdrag från.se:s Internetfond Våren 2008
Slutrapport Vertikala Sökmotorer Uppdrag från.se:s Internetfond Våren 2008 Anders Ardö Elektro- och informationsteknik Lunds Universitet Box 118, 221 00 Lund June 18, 2009 1 Inledning Digitala bibliotek
Läs merOptimering av webbsidor
1ME323 Webbteknik 3 Lektion 7 Optimering av webbsidor Rune Körnefors Medieteknik 1 2019 Rune Körnefors rune.kornefors@lnu.se Agenda Optimering SEO (Search Engine Optimization) Sökmotor: index, sökrobot
Läs merSEO Sökmotoroptimering
SEO Sökmotoroptimering Aaron Axelsson Presentation Head of SEO på Brath sedan 3 år Tidigare flera byråer i Sverige Head of SEO inom gambling Började som pokerskribent 2007 SEO sedan 2010 Sökmotoroptimering
Läs merGoogles sidrankning - linjär algebra värt en förmögenhet
Googles sidrankning - linjär algebra värt en förmögenhet Outline 1 Sökmotorer 2 Grafteori Linjär algebra 3 Målet Utifrån användarens sökord lista de mest relevanta webbsidorna. Dessutom i en ordning som
Läs merhttp://www.sm.luth.se/~andreas/info/howtosearch/index.html
& ' ( ( ) * +, ', -. / ' 0! 1 " 2 # 3 / /! 1 $ 4, % 5 # 3, http://www.sm.luth.se/~andreas/info/howtosearch/index.html Andreas Tips och trix till sökningar i Cyberrymnden Här försöker jag att gå igenom
Läs merSökmotoroptimering. Per Svanström SMM. Online Communication Manager. Web Intelligence. /persvanstrom /in/persvanstrom /profiles/per.
Sökmotoroptimering SEO SEM Per Svanström Online Communication Manager SMM Web Intelligence /persvanstrom /in/persvanstrom /profiles/per.svanstrom www.knowit.se Copyright 2011 294 miljarder epost skickas
Läs merhttp://www.youtube.com/watch?v=jpenfwiqdx8
http://www.youtube.com/watch?v=jpenfwiqdx8 1 Sökmotoroptimering SEO En introduktion för webbredaktörer 2 Agenda Var är vi på väg? Hur fungerar sökmotorer? Hur går det till när jag söker? Hur hänger det
Läs merInternets historia Tillämpningar
1 Internets historia Redan i slutet på 1960-talet utvecklade amerikanska försvaret, det program som ligger till grund för Internet. Syftet var att skapa ett decentraliserat kommunikationssystem som skulle
Läs merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
Läs mer2D1418, Språkteknologi NADA, Kungliga Tekniska Högskolan 2004-10-17 SÖKMOTOROPTIMERING. Av Erik Lindgren 810110-8218 soft@kth.se
2D1418, Språkteknologi NADA, Kungliga Tekniska Högskolan 2004-10-17 SÖKMOTOROPTIMERING Av Erik Lindgren 810110-8218 soft@kth.se SAMMANFATTNING Föreliggande uppsats behandlar ämnet sökmotoroptimering.
Läs merAlgoritmer: Från kaos till ordning? Bild från Pixabay
Algoritmer: Från kaos till ordning? Bild från Pixabay Centralt innehåll i SO, årskurs 7-9 Lektionen kommer beröra följande centrala innehåll: Olika slags medier, deras uppbyggnad och innehåll, till exempel
Läs merGRATIS SEO, SÖK- OPTIMERING? JA, DETTA KAN DU GÖRA SJÄLV!
GRATIS SEO, SÖK- OPTIMERING? JA, DETTA KAN DU GÖRA SJÄLV! GRATIS SEO, SÖKOPTIMERING? JA, DETTA KAN DU GÖRA SJÄLV! INNEHÅLL Introduktion 3 Varför det är nödvändigt att tänka på SEO 4 SEO-tips för planering
Läs merProjekt Intelligent Indexering
Projekt Intelligent Indexering Uppdragsgivare: Harald Kjellin, Institutionen för Data och Systemvetenskap, KTH Deltagare i projektgruppen: Biörklund, Mathias webside ansvarig Erneholm, Mattias vice projektledare
Läs merPeter Hellström. PH-Digital Marketing peter.hellstrom@digitalmarketing.fi www.digitalmarketing.fi
Peter Hellström PH-Digital Marketing peter.hellstrom@digitalmarketing.fi www.digitalmarketing.fi Internet, trender och Google sökmotor Sökmotoroptimering = SEO, Search Engine Optimization Sökmotormarknadsföring
Läs merPersonifierad Netflix
Linköpings universitet Personifierad Netflix Lisa Rönnqvist 2016-08-24 Sammanfattning INNEHÅLLSFÖRTECKNING 1. Inledning... 1 1.1 Bakgrund... 1 1.2 Syfte... 2 2. Netflix... Fel! Bokmärket är inte definierat.
Läs merAtt utnyttja semantiska länkstrukturer vid sökning i hyperlänkade dokumentmängder
Att utnyttja semantiska länkstrukturer vid sökning i hyperlänkade dokumentmängder Adam Blomberg d98-abl@d.kth.se Abstract Genom att analysera inte enbart individuella dokument och dess textinnehåll utan
Läs merArbeta med Selected Works en lathund
Arbeta med Selected Works en lathund Att redigera din egen Selected Works-sida Ta fram din sida och logga in via My Account längts ner på sidan. Klicka på Edit My Site för att redigera sidan. Gå nu vidare
Läs merInlämningsuppgift : Finn. 2D1418 Språkteknologi. Christoffer Sabel E-post: csabel@kth.se 1
Inlämningsuppgift : Finn 2D1418 Språkteknologi Christoffer Sabel E-post: csabel@kth.se 1 1. Inledning...3 2. Teori...3 2.1 Termdokumentmatrisen...3 2.2 Finn...4 3. Implementation...4 3.1 Databasen...4
Läs merHitta en artikel som använt samma teoretiker i samma sammanhang som du. Viktor Öman, bibliotekarie viktor.oman@mdh.se
Hitta en artikel som använt samma teoretiker i samma sammanhang som du Viktor Öman, bibliotekarie viktor.oman@mdh.se Stora Tänkare i tillämpad form Alla ämnen har sina Stora Tänkare, men inom vissa är
Läs merWEBB365.SE. Hur skriver man sökmotoroptimerade texter
Hur skriver man sökmotoroptimerade texter Introduktion Det finns mycket man kan göra för att lyckas på nätet och att skriva sökmotoroptimerade texter är definitivt en av de viktigare. I korta ordalag kan
Läs merAbstrakta datatyper. Primitiva vektorer. Deklarera en vektor
Abstrakta datatyper 1 Primitiva vektorer Vektorer kan skapas av primitiva datatyper, objektreferenser eller andra vektorer. Vektorer indexeras liksom i C från 0. För att referera en vektor används hakparenteser.
Läs merChecklista. 10 saker du behöver ha på plats för SEO 2019
Checklista 10 saker du behöver ha på plats för SEO 2019 2/9 Rom byggdes inte på en dag, och det gör heller inte din hemsidas synlighet i sökmotorer. För detta krävs det sökmotoroptimering (Search Engine
Läs merSöka, värdera, referera
KTH ROYAL INSTITUTE OF TECHNOLOGY Söka, värdera, referera Ika Jorum, jorum@kth.se Definiera Vad behöver jag veta? Kommunicera Citera och argumentera korrekt Hitta Var och hur kan jag hitta information?
Läs merDatastrukturer, algoritmer och programkonstruktion (DVA104, VT 2015) Föreläsning 6
Datastrukturer, algoritmer och programkonstruktion (DVA104, VT 2015) Föreläsning 6? DAGENS AGENDA Komplexitet Ordobegreppet Komplexitetsklasser Loopar Datastrukturer Några nyttiga regler OBS! Idag jobbar
Läs merMåldriven, informationscentrerad webbdesign
Måldriven, informationscentrerad webbdesign Linus Forsell Digitala Distributionsformer vid Högskolan Väst, Trollhättan, Sverige linus.forsell@student.hv.se 1 Abstrakt I den här essän kommer måldriven och
Läs merFöreläsning Datastrukturer (DAT037)
Föreläsning Datastrukturer (DAT037) Nils Anders Danielsson 2015-11-20 Idag Grafer: Terminologi. Datastrukturer. Topologisk sortering. Kortaste vägen. Bredden först-sökning. Dijkstras algoritm. (Vi får
Läs merWebbplats analys cite4me.org
Webbplats analys cite4me.org Genereras på Maj 03 2019 15:50 PM Ställningen är 36/100 SEO Innehåll Titel Reference Maker and Citation Machine - Generator: Amazing Tool for Effortless Referencing Längd :
Läs merTentamen i Algoritmer & Datastrukturer i Java
Tentamen i Algoritmer & Datastrukturer i Java Hjälpmedel: Skrivhjälpmedel, miniräknare. Ort / Datum: Halmstad / 2008-05-27 Skrivtid: 4 timmar Kontakt person: Nicolina Månsson, tel. 035-167487 Poäng / Betyg:
Läs merI CINAHL hittar du referenser till artiklar inom omvårdnad och hälsa. Även en del böcker och avhandlingar finns med.
CINAHL Vad innehåller CINAHL? I CINAHL hittar du referenser till artiklar inom omvårdnad och hälsa. Även en del böcker och avhandlingar finns med. Fritextsökning Fritextsökning innebär att du söker i alla
Läs merTwitter från ett informetriskt perspektiv
Twitter från ett informetriskt perspektiv Metod, etik, praktik David Gunnarsson Lorentzen Following tweets around En informetrisk studie av metod Utgångspunkt: Twitter som demokratiskt verktyg lösning
Läs merDetta dokument innehåller anvisningar för upprättande av en sökplan i kursen TDDD39 Perspektiv på informationsteknologi.
Sökplan TDDD39 Perspektiv på informationsteknologi Detta dokument innehåller anvisningar för upprättande av en sökplan i kursen TDDD39 Perspektiv på informationsteknologi. Anvisningar Sökplanen påbörjas
Läs mer729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 3 Marco Kuhlmann Förra gången: Perceptroninlärning Beslutsregel predicerat y-värde Exempel: AND Välj parametrar θ 0, θ 1, θ 2 sådana att perceptronen
Läs merTDDC30. Objektorienterad programmering i Java, datastrukturer och algoritmer. Föreläsning 8 Erik Nilsson, Institutionen för Datavetenskap, LiU
TDDC30 Objektorienterad programmering i Java, datastrukturer och algoritmer. Föreläsning 8 Erik Nilsson, Institutionen för Datavetenskap, LiU På denna föreläsning: Träd Traversering Insättning, borttagning
Läs merVad behövs för att skapa en tillståndsrymd?
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merSovra i materialet. Vad är viktigt? Vad kan tas bort? Korta ner långa texter.
Sid 1 (6) Skriva för webb Att skriva för webben handlar om att skriva kort och enkelt för att fånga läsaren. Relevant innehåll Fundera över vad läsaren vill veta. Skriv för målgruppen. Sovra i materialet.
Läs merSökmotorer På Internet Google
Sökmotorer På Internet Google Tomas Franzen, Fredrik Fröjd, Johannes Hassmund, Ylva Hecktor, Gabriel Jägenstedt, Christopher Karlsson Linköpings universitet Ht 2006 Sammanfattning Vi har i denna rapport
Läs merDatastrukturer och algoritmer. Föreläsning 4 Test, Stack och Kö
Datastrukturer och algoritmer Föreläsning 4 Test, Stack och Kö 1 Innehåll Test Datatyperna Stack och kö Specifikation och Gränssnitt Konstruktion Tillämpning 2 Testa VIKTIGT! Test går att göra under många
Läs merSökmotormarknadsföring
Sökmotormarknadsföring Kenth Johansson kejo@tomegroup.se Bakgrund Sökmotorer Sökmotoroptimering Hitta rätt nyckelord Hur får jag fler klick på min sida i sökresultatet? Genomgång av några verktyg Sökmotorannonsering
Läs merSo ka artiklar och annan litteratur
1 So ka artiklar och annan litteratur UB:s startsida är en bra startpunkt när du ska söka litteratur vare sig du letar efter böcker eller artiklar. Sökrutan är nästan det första du lägger märke till. Bakom
Läs merAI-Tekniker. För domänspecifika problemområden i StarCraft 2. Mattias Tiger Fredrik Präntare
AI-Tekniker För domänspecifika problemområden i StarCraft 2 Mattias Tiger Fredrik Präntare Introduktion och motivering Ni ska inför er individuella uppgift definiera ett problem och välja ut en eller flera
Läs merTentamen Datastrukturer D DAT 036/INN960
Tentamen Datastrukturer D DAT 036/INN960 18 december 2009 Tid: 8.30-12.30 Ansvarig: Peter Dybjer, tel 7721035 eller 405836 Max poäng på tentamen: 60. Betygsgränser, CTH: 3 = 24 p, 4 = 36 p, 5 = 48 p, GU:
Läs merÖka prestanda i Shared-Cache multi-core processorer
Öka prestanda i Shared-Cache multi-core processorer 1. Abstract Många processorer har nuförtiden flera kärnor. Det är även vanligt att dessa kärnor delar på högsta nivås cachen för att förbättra prestandan.
Läs merTommy Färnqvist, IDA, Linköpings universitet
Föreläsning 8 Sortering och urval TDDC70/91: DALG Utskriftsversion av föreläsning i Datastrukturer och algoritmer 1 oktober 2013 Tommy Färnqvist, IDA, Linköpings universitet 8.1 Innehåll Innehåll 1 Sortering
Läs merFöreläsning Datastrukturer (DAT036)
Föreläsning Datastrukturer (DAT036) Nils Anders Danielsson 2013-11-13 Idag Grafer: Terminologi. Datastrukturer. Topologisk sortering. Kortaste vägen. Bredden först-sökning. Dijkstras algoritm. (Vi får
Läs mer3) Routern kontrollerar nu om destinationen återfinns i Routingtabellen av för att se om det finns en väg (route) till denna remote ost.
Routingprocessen Vid kommunikation mellan datorer måste de känna till var och hur de skall skicka paketen, om de datorer som ska kommunicera ligger på samma IP-nät är det ju inget problem. Men är det så
Läs merFöreläsning Datastrukturer (DAT036)
Föreläsning Datastrukturer (DAT036) Nils Anders Danielsson 2013-11-27 Idag Balanserade sökträd Splayträd Skipplistor AVL-träd AVL-träd Sökträd Invariant (för varje nod): Vänster och höger delträd har samma
Läs merInformationssökning - att söka och finna vetenskapliga artiklar! Linköpings Universitetsbibliotek
Informationssökning - att söka och finna vetenskapliga artiklar! Mikael.Rosell@liu.se 013-282248 Linköpings Universitetsbibliotek 2 FEM saker ni SKA ta med er härifrån! Välja ut och använda relevanta databaser
Läs merTentamen Datastrukturer D DAT 036/INN960
Tentamen Datastrukturer D DAT 036/INN960 18 december 2009 Tid: 8.30-12.30 Ansvarig: Peter Dybjer, tel 7721035 eller 405836 Max poäng på tentamen: 60. Betygsgränser, CTH: 3 = 24 p, 4 = 36 p, 5 = 48 p, GU:
Läs merWEBBLÄTTLÄST SLUTRAPPORT
Arne Jönsson 2012-07-23 WEBBLÄTTLÄST SLUTRAPPORT 1. Inledning Inom projektet WebbLättLäst har vi utvecklat teknik för att automatiskt rangordna svenska webbsidor efter hur läsbara de är. Detta gör att
Läs merGrundläggande EndNote
Grundläggande EndNote Stephen Naron, februari, 2011 Uppdatering och översättning till svenska: Taeda Tomić, 2012, 2014 Korrekturläsning: Martina Andersson Löfqvist, september 2012 1. Lite information om
Läs merDet svenska sökbeteendet 2012
Det svenska sökbeteendet 2012 Webbenkät i 11 år Ca 4 300 respondenter Ca 50 frågor Största undersökningen i sitt slag i Sverige Vi kan bryta ut statistiken per ort, kön, ålder, utbildning etc. Vi tar vårt
Läs merPubMed (Medline) Fritextsökning
PubMed (Medline) PubMed är den största medicinska databasen och innehåller idag omkring 19 miljoner referenser till tidskriftsartiklar i ca 5 000 internationella tidskrifter. I vissa fall får man fram
Läs merHandledare: Mikael Goldmann
2012-02- 23 Jacob Rydh Robert Hedin Sudoku Solver Projektspecifikation Handledare: Mikael Goldmann Introduktion Vi ska studera och utforma olika algoritmer för att lösa Sudoku puzzel. Vi kommer testa olika
Läs merTeoretisk del. Facit Tentamen TDDC (6)
Facit Tentamen TDDC30 2014-08-29 1 (6) Teoretisk del 1. (6p) "Snabba frågor" Alla svar motiveras väl. a) Vad är skillnaden mellan synligheterna public, private och protected? (1p) Svar:public: Nåbar för
Läs merIntroduktion till språkteknologi
Introduktion till språkteknologi OH-serie 9: informationshantering http://stp.lingfil.uu.se/~matsd/uv/uv08/ist/ Informationshantering Hjälpa en användare att söka efter dokument eller information i dokumentsamlingar.
Läs merWEBBKLUSTRING SLUTRAPPORT
Arne Jönsson 2014-01-09 WEBBKLUSTRING SLUTRAPPORT 1. Inledning Inom projektet har vi utvecklat teknik som gör det möjligt att identifiera webbsidors innehåll och därefter klustra (gruppera) dem så att
Läs merTalsystem Teori. Vad är talsystem? Av Johan Johansson
Talsystem Teori Av Johan Johansson Vad är talsystem? Talsystem är det sätt som vi använder oss av när vi läser, räknar och skriver ner tal. Exempelvis hade romarna ett talsystem som var baserat på de romerska
Läs merBiblioteken, Futurum 2017
Biblioteken, Futurum 2017 Om PubMed PubMed innehåller mer än 27 miljoner referenser till tidskriftsartiklar inom biomedicin, omvårdnad, odontologi m.m. PubMed är fritt tillgänglig men om du använder länken
Läs mer2D Potentialen i en nervcell definieras normalt som skillnaden i spänning mellan dess axon och dendrit.
2D1432 Artificiella Neuronnät och andra lärande system Lösningsförslag till Tentamen 2003-03-06 Inga hjälpmedel. Uppgift 1 Vilka av följande påståenden är sanna? Korrigera de som är fel. 1. Potentialen
Läs merDatorer och kunskap - Den semantiska webben Robert Herber
Datorer och kunskap - Den semantiska webben Robert Herber rhr08001@student.mdh.se Vetenskapsmetodik, CDT212 Mälardalens Högskola 2010-03-05 1 Sammanfattning Denna rapport behandlar nästa steg i Internets
Läs merTentamen Datastrukturer D DAT 035/INN960
Tentamen Datastrukturer D DAT 035/INN960 22 december 2006 Tid: 8.30-12.30 Ansvarig: Peter Dybjer, tel 7721035 eller 405836 Max poäng på tentamen: 60. (Bonuspoäng från övningarna tillkommer.) Betygsgränser,
Läs merOptimera din sajt för sökmotorer
Optimera din sajt för sökmotorer Göran Johannesson 15 juni 2006 www.programsupport.se Innehåll Hur en sökmotor fungerar... 1 Förberedda sökindex ger snabba svar... 1 De vanligaste sökmotorerna... 2 Google...
Läs merKälluppgifter i fysik FAFA55
Källuppgifter i fysik FAFA55 Varför är vi här? Kursmål: korrekta källuppgifter på universitetsnivå Projekt under LP 1 - Att hitta information - Korrekta källuppgifter i fysikformat Gäller även labbrapport
Läs merKort om World Wide Web (webben)
KAPITEL 1 Grunder I det här kapitlet ska jag gå igenom allmänt om vad Internet är och vad som krävs för att skapa en hemsida. Plus lite annat smått och gott som är bra att känna till innan vi kör igång.
Läs merHKGBB0, Artificiell intelligens
HKGBB0, Artificiell intelligens Kortfattade lösningsförslag till tentan 3 november 2005 Arne Jönsson 1. Vad karaktäriserar dagens AI-forskning jämfört med den AI-forskning som bedrevs perioden 1960-1985.
Läs merÄmnesområden. Examensarbete inom datavetenskap (1DV41E) Martin Fredriksson
Ämnesområden Examensarbete inom datavetenskap (1DV41E) Martin Fredriksson martin.fredriksson@lnu.se 1 Ämnesområden ÖVERSIKT 2 Översikt Dagens föreläsning Fokus Innehåll Relevans Presentation Ämnesområden
Läs merSyns ni på sökmotorerna?
Syns ni på sökmotorerna? Internet är en av de snabbast växande reklamkanalerna just nu och allt fler företag riktar nu en allt större del av sin marknadsföring mot detta medie. Detta innebär att konkurrensen
Läs merFÖA110 Informationssökningsövningar facit
FÖA110 Informationssökningsövningar facit Övningar i boksökning 1. Sök någon av böckerna i din kurslitteraturlista i bibliotekets katalog. Tips: Sök på ISBN-numret eller sök på något eller några ord t.ex.
Läs merVad är Internet? Innehåll: Inledning Vad är Internet? Om du kan Internetadressen Söka på Internet Länklistor Övningar Repetition
Vad är Internet? Innehåll: Inledning 1 Vad är Internet? 2 Om du kan Internetadressen 3 Söka på Internet 6 Länklistor 9 Övningar 10 Repetition 11 Kortfattad repetition 9 6 Inledning Välkommen till Nyfiken
Läs merAnvända Internet. med hjälp av Internet Explorer. Nybörjarguide
Använda Internet med hjälp av Internet Explorer Nybörjarguide Av Carl Ewnert 1 Innehåll: 1. Introduktion 3 2. Utseendet 4 3. Verktygsfältet 4 4. Börja Surfa. 5 5. Att söka på Internet 5 6. Spara en sida
Läs merBra hemsidor, trender och Google sökmotor
Bra hemsidor, trender och Google sökmotor Sökmotoroptimering = SEO, Search Engine Optimization Sökmotormarknadsföring = SEM, Search Engine Marketing Internet användare 06/2012 ca.2,4 miljarder Internetanvändare
Läs merManual HSB Webb brf 2004 03 23
TERMINOLOGI I Polopoly används ett antal grundläggande begrepp för publicering och hantering av information, eller innehåll som det också benämns. Nedan följer en kort genomgång av denna grundläggande
Läs mer17. DEN OSYNLIGA FRIA WEBBEN EXEMPEL
Del 2 RESURSERNA 13. Kartan, kompassen och verkligheten... 58 14. Den färska webben exempel... 63 15. Den försvunna webben exempel... 69 16. Den fria synliga webben exempel... 72 17. Den osynliga fria
Läs merBakgrund och motivation. Definition av algoritmer Beskrivningssätt Algoritmanalys. Algoritmer. Lars Larsson VT 2007. Lars Larsson Algoritmer 1
Algoritmer Lars Larsson VT 2007 Lars Larsson Algoritmer 1 1 2 3 4 5 Lars Larsson Algoritmer 2 Ni som går denna kurs är framtidens projektledare inom mjukvaruutveckling. Som ledare måste ni göra svåra beslut
Läs merBiblioteksresurser. Vt 2014 Tanja Donner
Biblioteksresurser Vt 2014 Tanja Donner Text Ämnesguide Vårdvetenskap Söka hemifrån När ni klickar på länken till någon av våra databaser när ni inte är på högskolan kommer denna ruta att komma fram. Logga
Läs merDatastrukturer och algoritmer. Föreläsning 15 Inför tentamen
Datastrukturer och algoritmer Föreläsning 15 Inför tentamen 1 Innehåll Kursvärdering Vi behöver granskare! Repetition Genomgång av gammal tenta 2 Första föreläsningen: målsättningar Alla ska höja sig ett
Läs merSö ka litteratur i ERIC
1 Sö ka litteratur i ERIC Det finns två ingångar om man vill söka i databasen ERIC: Via webben gratis version från the Education Resources Information Center: Denna version kan vara bra att känna till
Läs merSeminarium 13 Innehåll
Seminarium 13 Innehåll Prioritetsköer och heapar Prioritetsköer ADTn Klassen PriorityQueue i java.util Implementering med lista Heapar ADTn För implementering av prioritetskö För sortering Efter seminariet
Läs merElektronisk patientjournal
Elektronisk patientjournal Hippokrates Typer Tidsorienterad, problemorienterad samt källorienterad Varför? Stödja vården, legala skäl, forskning, utbildning. Data måste vara otvetydiga, strukturerade,
Läs merSociala medier och Flickr som marknadsföring Essä i kursen Digitala Distributionsformer Högskolan Väst Av: Nicklas Johansson
Sociala medier och Flickr som marknadsföring Essä i kursen Digitala Distributionsformer Högskolan Väst Av: Nicklas Johansson Innehåll Sammanfattning..s.1 Inledning.s.2 Beskrivning.s.2,3 Diskussion...s.4,5
Läs merInnehåll. Källkritik och vetenskaplighet. Introduktion till UB
Introduktion till UB Saker du behöver veta om UB:s webb, Söktjänsten och vår katalog Album samt Artikelsök. Helen Hed Bibliotekarie, Umeå universitetsbibliotek, ht 2015 Innehåll Källkritik Vetenskapliga
Läs merSöka artiklar i CSA-databaser Handledning
På Malmö högskola har vi flera databaser via CSA, bl.a. Sociological Abstracts, Social Services Abstracts, ERIC och PsychInfo, det betyder att gränssnittet för dessa databaser ser likadana ut. Om du har
Läs merOntologier. Cassandra Svensson 2014-01-09
Ontologier Cassandra Svensson 2014-01-09 Sammanfattning Jag har läst Annika Flycht-Ericssons avhandling Design and Use of Ontoligies in information-providing Dialogue Systems. Med Annikas text som utgångspunkt
Läs merUpprepade mönster (fortsättning från del 1)
Modul: Algebra Del 2: Resonemangsförmåga Upprepade mönster (fortsättning från del 1) Anna-Lena Ekdahl och Robert Gunnarsson, Högskolan i Jönköping Ett viktigt syfte med att arbeta med upprepade mönster
Läs merInformatik C, VT 2014 Informationssökning och referenshantering. Therese Nilsson therese.nilsson@ub.umu.se 0660-292519
Informatik C, VT 2014 Informationssökning och referenshantering therese.nilsson@ub.umu.se 0660-292519 Umeå UB Datorer och nät, utskrifter, kopiering Studieplatser Böcker, avhandlingar, uppslagsverk E-resurser
Läs merADT Prioritetskö. Föreläsning 13 Innehåll. Prioritetskö vs FIFO-kö. Prioritetskö Exempel på användning. Prioritetsköer och heapar
Föreläsning 1 Innehåll ADT Prioritetskö Prioritetsköer och heapar Prioritetsköer och heapar ADT prioritetskö Klassen PriorityQueue i java.util ar Implementering av prioritetskö med heap Sortering med hjälp
Läs merLathund till PEP. AND: begränsar sökningen, båda sökorden måste förekomma i samma referens, t.ex. infantile AND sexuality
Lathund till PEP Databasen PEP (Psychoanalytic Electronic Publishing) innehåller 59 tidskrifter och 96 klassiska böcker inom psykoanalys. Dessutom innehåller PEP fulltext och redaktörskommentarer till
Läs merMall för en kortare rapport/uppsats
Mall för en kortare rapport/uppsats Detta dokument beskriver vad som ska ingå i en kortare vetenskaplig rapport. Du kommer att skriva rapporter på denna form i ett antal kurser under din utbildning, t.ex.
Läs merMagnus Nielsen, IDA, Linköpings universitet
Föreläsning 7 Introduktion till sortering TDDC91,TDDE22,725G97: DALG Utskriftsversion av föreläsning i Datastrukturer och algoritmer 24 september 2018 Magnus Nielsen, IDA, Linköpings universitet 7.1 1
Läs merSEO & SEM ESSENTIALS 2015-10-13
SEO & SEM ESSENTIALS 2015-10-13 Beatrice Lindholm SEO Consultant Katarina Sonnenberg SEM Consultant AGENDA SEO Introduktion till SEO 5 viktiga saker som Google förstår/gillar Länkar SEM Vad är Google AdWords?
Läs merUndersök och diskutera sökalgoritmer. Se video
Se video Lektionen handlar om att undersöka vad en algoritm är samt att testa algoritmer genom att kritiskt titta på sökningar som görs via olika söktjänster. Till läraren 1. Beskriv en algoritm 2. Läs
Läs merMarknadsföring på internet
Grunderna till Marknadsföring på internet Projektet Mångsidiga landsbygdsföretag Svenska lantbrukssällskapens förbund 1 Mångsidiga landsbygdsföretag Grunderna till Marknadsföring på internet Svenska lantbrukssällskapens
Läs merFöreläsning 7 Datastrukturer (DAT037)
Föreläsning 7 Datastrukturer (DAT037) Fredrik Lindblad 1 2016-11-21 1 Slides skapade av Nils Anders Danielsson har använts som utgångspunkt. Se http://www.cse.chalmers.se/edu/year/2015/course/dat037 Förra
Läs merFöreläsning Datastrukturer (DAT037)
Föreläsning Datastrukturer (DAT037) Nils Anders Danielsson 2015-11-23 Idag Mer om grafer: Minsta uppspännande träd (för oriktade grafer). Djupet först-sökning. Minsta uppspännande träd Träd (utan rot)
Läs merImport från databaser till Mendeley
2015-05-11 Linköpings universitetsbibliotek Import från databaser till Mendeley Instruktioner för att importera referenser till Mendeley från flera av databaserna som tillhandahålls av Linköpings universitet.
Läs merSammanfattning av informationssökning VT19
729G19 Tillämpad kognitionsvetenskap Sammanfattning av informationssökning VT19 För godkänt projekt på kursen 729G19 skall man haft ett handledningstillfälle i informationssökning och sammanfattning av
Läs merDatakursen PRO Veberöd våren 2011 internet
Datakursen PRO Veberöd våren 2011 internet 3 Internet Detta kapitel presenteras det världsomspännande datanätet Internet. Här beskrivs bakgrunden till Internet och Internets uppkomst. Dessutom presenteras
Läs merNELL - Never-Ending Language Learner
NELL - Never-Ending Language Learner, Innehåll 1. Inledning... 3 2. Termer... 4 3. Allmänt om NELL-projektet... 4 3.1 Uppgift... 4 3.2 Initialisering... 4 4. Hur fungerar NELL?... 5 4.1 Uppbyggnad... 5
Läs merSökanalys för intranät
Sökanalys för intranät 2014-12-03 Henrik Gelius OSLO STOCKHOLM Agenda Henrik Gelius, sökkonsult www.comperiosearch.com Idag tittar vi på detta: 1. Affärsnytta - sök på intranät 2. Sökanalys & nyckeltal
Läs mer