Sistema de generación, administración y consulta de una librería digital de documentos para un portal web / Generation system, management and search of a digital library of documents for a website

摘要

Los portales web son grandes repositorios de información desorganizada. Muchas veces mantener unaudpolítica de publicación de documentos es difícil, y finalmente cada parte de la organización publica susuddocumentos en lugares distintos en una estructura de carpetas particular. El acceso a los documentos seudvuelve tedioso porque las personas que necesitan un documento en particular casi siempre desconocenudsu ubicación. Y a pesar de los hiper-vínculos entre documentos, muchas veces el texto que identifica eludenlace no es suficiente para identificar el documento al que hace referencia. Por su parte, las libreríasuddigitales se enfocan en la organización de la información a través de colecciones que permiten agruparuddocumentos similares lo cual agiliza el proceso de búsqueda de documentos específicos a quienes losudconsultan. La creación de librerías digitales se ha convertido en una opción económica y ágil, paraudla organización de documentos sobre diferentes temáticas, almacenados en diversos formatos (texto,udaudio, imagen, vídeo) en los sitios web.udEn este trabajo de tesis, se propone un sistema de administración de librerías digitales web de docu-udmentos que es capaz de: 1) recuperar e indexar documentos publicados en un portal web, 2) generaruduna estructura de librería digital y 3) clasificar y permitir la consulta de los documentos a través de unaudinterfaz de navegación. La recuperación e indexación se hace a través de un sistema de recuperaciónudde información. El agrupamiento de los documentos se hace a través de un componente de mineríaudde texto que contiene herramientas para el preprocesamiento de los documentos, y un algoritmo deudagrupamiento conceptual. La interfaz de usuario se compone de dos vistas principales, la interfaz deudnavegación y un módulo de administración. La interfaz de navegación está compuesta por un árbol deudcategorías y un grafo que relaciona las diferentes categorías entre sí a través de los documentos queudpertenecen a cada una de ellas. La interfaz de administración permite el acceso a los parámetros deludsistema para la ejecución de los procesos de indexación y agrupamiento de los documentos.udEl caso de estudio propuesto para probar el prototipo fueron los portales ubicados dentro del dominioudweb de la Universidad Nacional de Colombia, el cual ofrece el escenario de una organización conudmúltiples servidores. / Abstract. Web portals are great repositories of information disorganized. Many times maintain a policy ofudpublishing documents is difficult, and eventually each part of the organization publishes its documentsudin different places in a particular folder structure. Access to documents becomes tedious for those whoudneed a particular document is almost always unknown their location. And although the hyperlinksudbetween documents, often the text that identifies the link is not sufficient to identify the referenceduddocument. For its part, digital libraries focus on the organization of information through librariesudthat allow you to group similar documents which streamlines the process of searching for specificuddocuments to those who consult them. The creation of digital libraries has become an economical andudflexible for the organization of documents on various topics, stored in various formats (text, audio,udimage, video).udIn this thesis a management system web digital library of documents is proposed. This system isudable to: 1) retrieving and indexing documents on a website, 2) generating a digital library structureudbased on the content of the web documents and 3) classifying and allowing navigation of the webuddocuments. The indexing and retrieval of the web documents is done through a system of informationudretrieval extended of the Nutch utility. For generating the structure of the digital library and futureudclassifications, the documents are grouping through a text mining techniques, the system uses tools forudpreprocessing such as a Lucene, and a conceptual clustering algorithm called LINGO. For exploringudand navigating the documents, the system provides a user interface that is composed by a category treeudand a graph that relates the different categories with each other through the documents. Additionally,udthe system has and a management interface that allows setting the system parameters for the processesudof indexing and clustering documents.udThe system of the web digital library proposed was applied to a web site located within the NationaludUniversity of Colombia, which has an environment with multiple servers.