A Framework for Temporal Web Analytics
Un cadre pour l’analyse temporelle d’Internet
Résumé
Web-preservation organization like the Internet Archive not only capture the history of
born-digital content but also reflect the zeitgeist of different time periods over more than
a decade. This longitudinal data is a potential gold mine for researchers like sociologists,
politologists, media and market analysts, or experts on intellectual property.
Longitudinal data analytics – the Web of the Past – poses research challenges, but has not
received due attention. The sheer size and content of Web archives render them relevant
to analysts within a range of domains. The Internet Archive holds more than 350 billion
versions of Web pages, captured since 1996. This coverage can no longer be maintained, as
Web content is growing at enormous rates. A high-coverage archive would have to be an
order of magnitude larger.
A Web archive of timestamped versions of Web sites over a long-term time horizon opens
up great opportunities for analysts. However, difficulties arise from name ambiguities,
requiring a disambiguation mapping of mentions (noun phrases in the text) onto entities.
For example, “Bill Clinton” might be the former US president William Jefferson Clinton,
or any other William Clinton contained in Wikipedia. Ambiguity further increases if the
text only contains “Clinton” or a phrase like “the US president”. The temporal dimension
introduces additional complexity, for example when names of entities have changed over
time (e.g. people getting married or divorced, or organizations that undergo restructuring in
their identities). By mapping names and phrases onto canonicalized entities, we raise the
entire analytics to a semantic rather than keyword-level in order to make sense of the raw
and often noisy Web contents.
La conservation et l’organisation des données Internet, comme avec Internet Archive ne permettent pas seulement d’écrire l’histoire des contenus numériques d’origine, mais aussi de capter l’esprit du temps (zeitgeist) de différentes périodes couvrant plus d’une décennie. Ces données longitudinales sont une mine d’or à exploiter par les sociologues, politologues, les analystes des médias et des marchés, ou encore les experts en propriété intellectuelle.
Le domaine de l’analyse des données longitudinales — l’Internet du passé — pose des défis importants de recherche qui n’ont pas reçu l’attention qu’ils méritent. La taille et la diversité de contenu de la Toile et de ses archives rendent son analyse intéressante pour de multiples domaines. L’archive Internet contient plus de 350 billions de versions de pages Web, archivées depuis 1996. Cette couverture n’est plus possible désormais, à cause de la croissance à des taux énormes du nombre de documents Internet. Il faudrait des archives plus importantes d’un ordre de grandeur, pour tout conserver.
Une archive Internet contenant des versions datées de sites Web sur une période longue ouvre de grandes opportunités de recherche. Mais une des difficultés tient à l’ambiguïté des noms propres, requérant une désambigüisation des mentions de syntagmes nominaux dans le texte et leur classement en entités. Par exemple, « Bill Clinton » peut désigner William Jefferson Clinton, ancien président des Etats-Unis d’Amérique ou n’importe laquelle des personnes nommées William Clinton recensées par Wikipedia. L’incertitude augmente si le nom est simplement « Clinton » ou encore « le président des Etats-Unis ». La dimension temporelle ajoute une complexité supplémentaire, lorsque les noms changent au fil du temps (lorsque les personnes se marient, divorcent, ou que les organisations fusionnent ou sont restructurées). Pour hisser l’analyse au niveau sémantique, et non plus seulement opérer au niveau des mots-clefs, il faut alors relier les noms propres et les syntagmes avec des entités canoniques, dans l’objectif de donner du sens aux données brutes et bruitées d’Internet.
Loading...