75.06 Org. de Datos FeedReader Integrantes: Andrés Castaño (84538) Diego Costa (78189 ) Nahuel...

75.06 Org. de Datos

FeedReader

Integrantes:Andrés Castaño (84538) Diego Costa (78189 )Nahuel González (82868)Ignacio Marambio Catán (82694)

Temas de la Presentación

1. Diseño de la Aplicación2. XML-RPC3. Parser RSS4. Interfaz Web5. Organización de Archivos6. Filtro Bayesiano7. Stop Words8. Reclasificación Automática9. Prueba de Ejecución.

Diseño de la Aplicación

FRONT-END

DAEMON

XML-RPC

PARSER

WEB

ARCHIVOS

XML-RPC

Aplicaciones Distribuidas. Conectar Aplicaciones que pueden estar implementadas

en distintos lenguajes, y que se ejecutan en diversos sistemas operativos.

Parser: Arquitectura de Plug-InsParser: Arquitectura de Plug-Ins

DAEMONDAEMON

RaptorRaptor

Plug-InPlug-In

Ventajas:Ventajas:

•Elegir entre distintos Parsers (C/C++/Python).•Actualizar el Parser, sin detener el servicio.

UniversalUniversalFeedFeed

ParserParser

Interfaz Web

Organización de Archivos

feedsfeeds

newsnews

tagstags

feeds

indexindex

datadata datavdatav

news

datadata

indexindex

1.datatag1.datatag

indexindexindexindex

1.index1.index

datadatadatadata

1.data1.data1.datatag1.datatag

1.datatag1.datatag1.datatag1.datatag

tags

N.indexN.indexindexindex



1.index1.index

Reorganización de Archivos

Consiste en la eliminación de archivos y registros innecesarios.

Se realiza a pedido del usuario por medio de una señal al proceso.

Filtro BayesianoFiltro Bayesiano

Filtro Bayesiano: Filtro Bayesiano: Serialización

Los datos del filtro se guardan en dos archivos por separado, uno de categorías y palabras (comprimido con front coding) y otro que guarda las frecuencias en forma de array.

En ambos se incluye un encabezado que indica el checksum y la correcta finalización y el id de la serialización, para asegurarse que no se levantará un par de archivos inválidos

Filtro BayesianoFiltro Bayesiano: Performance.

Tiempo estimado para entrenar el filtro con 100.000 palabras nunca vistas, con 32 categorías: ~1.5 seg.

Tiempo estimado para agregar una categoría: ~0.25 seg. Tiempo estimado para eliminar una categoría: ~0.2 seg.

Tiempo estimado para entrenar o clasificar una noticia de 100000 palabras, sin palabras desconocidas

y 32 categorías : ~0.2 seg.

Stop Words

Palabras que aparecen en casi todas las noticias, por lo no que brindan información sobre a que categorías pertenecen.

Estas palabras se eliminan de la noticias, con lo que se obtiene una mejor clasificación.

Se genera dinámicamente un archivo de stop words que luego es importado por el daemon.

Reclasificación Automática

El Daemon toma bloques de noticias e intenta reclasificarlas por cada iteración.

La cantidad de noticias y el tiempo entre iteraciones es parametrizable.

75.06 Org. de Datos FeedReader Integrantes: Andrés Castaño (84538) Diego Costa (78189 ) Nahuel...

Documents

Transcript of 75.06 Org. de Datos FeedReader Integrantes: Andrés Castaño (84538) Diego Costa (78189 ) Nahuel...