DEIM Forum 2016 H6-5 Web Index 223 8522 3-14-1 E-mail: nanadama@db.ics.keio.ac.jp, toyama@ics.keio.ac.jp Web Index(WIX) (keyword) Web URL(target) (WIX ) Web ( ) Web URL Web WIX RSS WIX Web Index, Web, RSS, XML 1. Web. Web Web Web, Web, Web Web IndeX( WIX ) [1, 2] URL XML WIX WIX WIX Web ( ) Web URL Web Web Web Web Web Web WIX Web Web URL WIX Web Web Web RSS WIX WIX WIX 2 3 WIX 4 5 6 2. WIX URL URL Wikipedia Wikipedia URL Wikipedia WIX Web URL WIX Web URL Ameba Web Web WIX [3 5] Web
Web WIX WIX WIX Web Web Web WIX WIX WIX Web 3. Web Index 3. 1 Web Index (WIX), Web. Web, WIX, Web ( WIX ), URL. 3. 2 WIX 1 entry wid eid keyword target 1 1 http://ja.wikipedia.org/wiki/ 1 2 http//ja.wikipedia.org/wiki/ 2 3 http://ameblo.jp/tanaka-masahiro 3 6 http://www.carp.co.jp/team14/member/p18.html, WIX, WIX. 3. 3. 2 WIX WIX, WIX,. WIX, entry,. entry, WIX id (wid), id (eid), keyword URL target. entry 1. 3. 3. 3 Find Find, WIX entry. WIX Aho-Corasick [6] 3. 4 2 WIX (Google Chrome Extension) 1 WIX WIX Web, Web.. WIX, FireFox add-on Google Chrome Extension. 2 Chrome WIX XML URL, WIX 1. 1., keyword, URL target. header, WIX,,. 3. 3 3. 3. 1 WIX 3 Web WIX, WIX,., WIX Extension. 3 Web WIX
WIX target URL 4. 4 Web 4. WIX 4. 1 WIX WIX WIX WIX URL WIX Web RSS RSS XML [7] RSS 2.0 Web 2 2 RSS <title> <link> URL <pubdate> RSS Web Web Web Web CSS RSS Web Web Web PHP HTML Web RSS 2 3 WIX (1) (2) RSS RSS (3) RSS 5 5 4. 2 Wikipedia 200 4. 3 RSS RSS RSS URL RSS RSS RSS RSS RSS RSS RSS RSS RSS RSS
3 entry wid eid keyword target title 4 1 http://www.nikkei.com/article/xxxxxx... 4 2 http://news.tennis365.net/news/xxxxxx 4 3 http://www.nikkansports.com/xxxxxx... 4 4 http://headlines.yahoo.co.jp/xxxxxx... RSS RSS 4. 4 WIX RSS RSS WIX RSS RSS RSS Web URL RSS RSS WIX RSS RSS WIX URL Web 1 WIX URL 3 WIX WIX 6 WIX 3 WIX WIX DB Find 6 5. 5. 1 Yahoo!JAPAN RSS 443 RSS 2015 12 28 20 30 20 48 9,879 RSS 2 RSS RSS Web Web HTML Java Jsoup Yahoo!JAPAN Web CSS div#main Web Web rssitem text content RSS HTTP RSS RSS 5. 2 4 7 Linux
表 4 探索範囲別のキーワードごとのエントリ数 キーワード タイトルのみ 本文全体 朝日新聞デジタル 118 124 5. 3 全体的なキーワードについての結果と考察 探索範囲を Web ページのタイトルのみとした時と Web 野球 28 233 ページの本文全体とした時の エントリの生成数を比較した結 総理 31 206 果を 5 に示す ソフトバンク 15 114 ヤクルト 6 48 フェデラー 3 22 Linux 0 17 川端慎吾 0 2 表 5 探索範囲 キーワード数とエントリ数の関係 探索範囲 エントリ キーワー 平均エン 最大エン 数 ド数 トリ数 トリ数 10,888 4.16 45 54.70 238 タイトルのみ 45,266 本文全体 3,276,577 59,903 *1 *2 *1 エントリ数 / キーワード数 一つの単語あたりの平均エントリ 数 *2 一つの単語に対し生成された最大エントリ数 ハイパーリンクの数がおよそ 20 個以下であるようなキーワー 図 7 探索範囲がタイトルのみの場合の ヤクルト でのアタッチ結果 ドに対しては WIX による結合が行われたことで ユーザが 興味のある Web ページに容易にアクセスすることができるよ る ヤクルト の場合のアタッチ結果を図 8 に示す このよ うな場合は ユーザが多くのリンクの中からユーザ自身の興味 のあるページを選択するのはやや負担となると考えられる 一 方 Linux 川端慎吾 のような 限られた記事ページでし か取り上げられないようなキーワードについても 図 9 に示す ようにエントリが 2 つ得られた うになると考えられる ただし 探索範囲がタイトルのみであ ろうと 本文全体を含んでいようと 生成されたエントリ数が 大きくなっている要因として 野球 総理 など ユーザが あまり注目しないほど一般的なキーワードを含むエントリを生 成しているという点があげられる これらのキーワードに関し てはユーザの注目の対象になることが少ないため エントリが いくら生成されても ユーザが WIX システムを利用する上で あまり妨げになるような要素はないと考えられる 一つのキー ワードに対し 多数のエントリが生成されうる場合には エン トリの生成上限数を指定し 更新日時の新しいコンテンツへの リンクを含むエントリのみを生成することや あらかじめ２つ の探索範囲でエントリ生成を行い キーワードごとに生成され たエントリ数に応じて 最終的な WIX ファイルに記述するエ ントリを変更することによって このような問題を解消するこ とが可能であると考えられる 6. お わ り に 6. 1 結 論 本研究では ニュースサイトやブログの記事 企業や団体の 図8 探索範囲が本文全体の場合の ヤクルト でのアタッチ結果 公式サイトで配信されるプレスリリースなどのような 時系列 で比較的頻繁に情報が記録 更新されていくコンテンツにアク セスすることを可能にするための WIX ファイルの自動生成 自動更新及び管理システムを提案し 実装した 実装にあたっ ては Web ページの更新情報の配信に幅広く使われている RSS 図9 探索範囲が本文全体の場合の 川端慎吾 でのアタッチ結果 を利用するシステムを構築し Web ページの構造を解析して情 報抽出するよりも簡単な更新情報の取得を可能にした 本研究 RSS アイテムのタイトルには その RSS を提供している で提案するシステムの利用により WIX ファイルのライブラ Web サイトの名前が含まれているものも多い 朝日新聞デジ リの運用者の WIX ファイルの作成の負担を軽減することが タル というキーワードはその一例で Web ページの内容その 可能となる ものとは関連のない Web ページまで対応付けられてしまう場 合が多い 6. 2 今後の課題 タイトルのみの探索範囲で十分に関連するコンテンツへのリ マッチングに用いるキーワードを あらかじめ抽出しておい ンクが得られる場合と 本文全体まで探索してようやく関連す た単語群に限定するのではなく タイトルや本文などの入力か るコンテンツへのリンクが得られる場合とがあると考えられる ら抽出する方法がある MeCab [8] のような形態素解析エンジ ンを利用して 新しい単語をキーワードとして抽出する方法が
Web Web HTML [9] [1]. KeioWIX (1). DEIM2011. 2011. [2]. Keio WIX (2). DEIM2011. 2011. [3] WIX DEIM 2012 2012 [4] Keio WIX (3) DEIM2011 2011 [5] WIX Deep Web DEIM2014 2014 [6]. Aho-Corasick. DEIM2012. 2012. [7] RSS Advisory Board, RSS 2.0 Specification, http://www. rssboard.org/rss-specification, 2016 1 15 [8] MeCab http://mecab.googlecode.com/svn/trunk/mecab/ doc/index.html?sess=3f6a4f9896295ef2480fa2482de521f6 [9] XML Web DEIM Forum 2014, 2014. [10] XML DEIM Forum 2014, 2014. [11] XML DEIM Forum 2015, 2015. [12] Y. Xu, Y. Papakonstantinou. Efficient Keyword Search for Smallest LCAs in XML Database, Proc. of SIGMOD, pp.537-538, 2005.