Technische Grundlagen des Internet

Transkript

1 Univ.-Prof. Dr. Christoph Meinel HASSO-PLATTNER-INSTITUT für Softwaresystemtechnik GmbH an der Universität Potsdam Technische Grundlagen des Internet Vorlesung Sommersemester 2005 Dr. rer. nat. Harald Sack Friedrich Schiller Universität Jena Institut für Informatik Technische Grundlagen des Internet Vorlesung Nr Teil III: World Wide Web Technologien 12.URI und http-protokoll 13.HTML und CSS 14.XML und XML-Derivate 15.Webprogrammierung und WebServices 17.WWW-Groupware 18.P2P-Netzwerke und Gridcomputing 19.Semantic Web 2 Friedrich Schiller Universität Jena Technische Grundlagen des Internet - Vorlesung SS 2005 HASSO- PLATTNER- INSTITUT Prof. Dr. Ch. Meinel, HPI Potsdam, meinel@hpi.uni-potsdam.de Institut für Informatik für Softwaresystemtechnik GmbH Dr.rer.nat. Harald Sack, FSU Jena, sack@minet.uni-jena.de an der Universität Potsdam Teil III: WWW Technologien Das World Wide Web unendliche Weiten.. WWW bietet Zugriff auf eine gigantische Informationsfülle Schätzungen gehen von über Milliarden Dokumenten im WWW aus davon derzeit (07/2005) etwa 8 Mrd. in Google indiziert Dokumentenbestand im WWW verdoppelt sich etwa alle 6 Monate Ein Ende dieser Entwicklung ist zunächst nicht absehbar 3 4 um gezielt auf Informationen im WWW zugreifen zu können, muss der Nutzer durch geeignete Werkzeuge unterstützt werden Suchmaschinen Allgemeine Anforderungen an Suchmaschinen: Unterstützung des Nutzers bei der Informationsbeschaffung im WWW Erschließung eines möglichst vollständigen Datenbestands, der alle Dokumente des WWW einschließt Zuordnung der einzelnen Dokumente des WWW zu bestimmten Schlüsselbegriffen Wichtigste Kriterien für Nutzer und Anbieter: Vollständigkeit und Genauigkeit Jeder Informationsanbieter "möchte gefunden werden" 5 6 1

2 Grundtypen der WWW-Suchdienste: Grundtypen der WWW-Suchdienste: Webkataloge (katalogbasierte Suchmaschinen) (indexbasierte) Suchmaschinen Meta-Suchmaschinen Payed Placement-Suchmaschinen Themenbezogene Suchmaschinen Shopping Nachrichten Personen Computer / Internet Unterhaltung Business Wissenschaft. Regionale Suchmaschinen Blog- und RSS-Suchmaschinen 7 8 Webkataloge (katalogbasierte Suchmaschinen) Suchdienst, dessen Datenbestand von menschlichen Redakteuren zusammengestellt wird Redakteure stellen einen thematisch gegliederten Suchkatalog zusammen Web-Seiten werden dazu manuell geprüft redaktionell bewertet verworfen oder für Aufnahme in den Katalog akzeptiert Suche erfolgt durch Blättern des Suchkataloges Webkataloge (katalogbasierte Suchmaschinen) Pro: Intellektuelle Bewertung der Web-Seiten durch Menschen erhöht die Qualität (Präzision) der Suchergebnisse Contra: Relativ kleiner Datenbestand nur wenige Informationsangebote können berücksichtigt werden Problem: Aktualität Neue WebSites/Dokumente müssen stets angemeldet werden 9 10 Webkataloge (katalogbasierte Suchmaschinen) Wie werden die Einträge innerhalb des Katalogs sortiert? Manuell Redakteur ordnet WebSite/Dokument eine Gewichtung entsprechend seiner Relevanz zu Automatisch Sortierung innerhalb eines Themengebiets erfolgt alphabetisch/chronologisch Webkataloge (katalogbasierte Suchmaschinen) "Yet Another Hierarchical Officious Oracle" 1994 gegründet 201 Mio Unique Users 93 Mio Active Registered Users ~ 1.5 Mrd. Page Views pro Tag Servers 25 International Sites 13 Languages 8.1 Million Lines Of Code in C/C Million Lines Of Code in Perl mittlerweile Internet Portal-Site

3 Webkataloge (katalogbasierte Suchmaschinen) seit 1998 "Directory Mozilla" Open Directory Project Nichtkommerziell, jeder kann sich beteiligen > 4,6 Mio Sites im Katalog verzeichnet unterschiedliche Kategorien > freiwillige Editoren Index-Datenbestand wird vollautomatisch gewonnen und verarbeitet Basisfunktionen: Datenbeschaffung Dokumentenanalyse und Dokumentenbewertung Aufbau und Verwaltung von Index-Datenstrukturen Beantwortung von Suchanfragen unter Einbeziehung von Relevanzwerten Datenbeschaffung: Einsatz von speziellen, autonom arbeitenden Software- Werkzeugen (Robots, WebRobots) Robots können automatisch neue WebSites und Dokumente im WWW ausfindig machen bereits im Datenbestand vorhandene Dokumente müssen periodisch auf Konsistenz/Veränderungen überprüft werden Dokumentenananalyse und -bewertung: Einsatz von Software-Werkzeugen zur vollständig automatisierten Analyse und inhaltlichen Bewertung von Dokumenten (Information Retrieval Systeme) Manuelle Eingriffe erfolgen in der Regel nur bei Verstößen gegen die jeweilige Nutzungsordnung Aufbau und Verwaltung von Index-Datenstrukturen: Information Retrieval Systeme ermitteln inhaltliche Schwerpunkte der untersuchten Dokumente und legen die analysierten Dokumente entsprechend der relevanten Kategorien (Schlüsselworte) innerhalb einer Datenbank ab Einzelnen Dokumenten wird entsprechend ihrer Relevanz bzgl. der darin behandelten Themen eine Gewichtung zugewiesen Verfahren zur Erstellung eines durchsuchbaren Datenbestandes werden als Indexierung bezeichnet Beantwortung von Suchabfragen : Suche erfolgt durch Eingabe eines/mehrerer Suchbegriffe Automatische Relevanzbewertung der einzelnen Dokumente des Datenbestands führt zur Auswahl eines Ergebnisses entsprechend dem eingegebenen Suchbegriff Auswahl der Ergebnis-Dokumente erfolgt durch Query Processor (eigentliche "Suchmaschine") Anzeige der gefundenen Dokumente erfolgt entsprechend der Relevanzgewichtung

4 Pro: Automatische Datenbeschaffung ermöglicht möglichst aktuellen und vollständigen Datenbestand Contra: Zielgenauigkeit ist abhängig von den zur Relevanzbewertung eingesetzten Algorithmen Automatische Relevanzbewertung führt zu qualitativ minderwertigeren Ergebnissen von den Doktoranden Larry Page und Sergey Brin an der Stanford University entwickelt "Googol" mathematischer Ausdruck für > 8 Milliarden Dokumente und 1,3 Mrd. Bilder im Datenbestand (07/2005) 88 verschiedene Sprachversionen 82 Mio. unterschiedliche Nutzer pro Monat > 200 Mio. Suchanfragen pro Tag Automatische Relevanzbewertung (PageRank) sorgt für qualitativ gute Suchergebnisse Teil III: WWW Technologien Das WWW ist ein Graph Das WWW ist ein riesiger Graph, mit den WWW- Dokumenten als Knoten und den darin befindlichen Hyperlinks als Kanten Hyperlink-Graph C C A B A B Das WWW ist ein Graph Andere Interpretation: Zwei Knoten besitzen genau dann eine gemeinsame (ungerichtete) Kante, wenn beide auf dasselbe Dokument verweisen Cocitation-Graph C C Konnektivität Schwach verbundene Komponenten Hyperlinks werden als ungerichtete Kanten interpretiert Einzelne Komponente mit ca. 90% aller untersuchten Dokumente Stark verbundene Komponenten Hyperlinks werden als gerichtete Kanten interpretiert 28% der untersuchten Dokumente bilden eine stark verbundene Kernkomponente (SCC) A B A B Durchmesser SCC: > 27 Durchmesser des Gesamtgraphen: > 500 WS, dass zwischen zwei zufällig ausgewählten Dokumenten ein Pfad besteht: 0,

5 Teil III: WWW Technologien Die Struktur des WWW IN (44 Mio Knoten) SCC (56 Mio. Knoten) Fortsätze (44 Mio.Knoten) OUT (44 Mio Knoten) Tunnel unverbundene Komponenten Broder e.a.: Graph structure in the web, WWW9, Arbeitsweise einer Suchmaschine Datenbeschaffung - Was Problem 1: Datenvielfalt des WWW statische HTML-Dokumente dynamisch erzeugte HTML-Dokumente Bilder (JPG/GIF/PNG/) Postscript/PDF-Dokumente Word/Powerpoint-Dokumente etc Arbeitsweise einer Suchmaschine Datenbeschaffung - Wann Problem 2: das WWW lebt Daten und Dokumente im Wissensraum WWW haben nur eine "kurze" Lebenszeit unterliegen ständigen Veränderungen sind von anderen Dokumenten abhängig (Links) Festlegung, welche Datentypen archiviert werden sollen Erfasster Datenbestand muss periodisch gewartet werden Arbeitsweise einer Suchmaschine Datenbeschaffung Wie? Google verwendet WebRobots (Crawler) zur Erschließung des Datenbestands im WWW WebRobot arbeitet verteilt nach dem Client-/Server- Prinzip Erfassung neuer bzw. veränderter Ressourcen im WWW Anfrage HTTP-Request Ressourcen werden periodisch vom Robot erfasst, überprüft und analysiert Arbeitsweise eines WebCrawlers (vereinfacht) 1. Initialisiere Warteschlage mit zufällig gewählten URLs 2. Lade Dokument zur ersten URL in der Warteschlange 3. Finde alle Hyperlinks im untersuchten Dokument und hänge diese in die Warteschlange 4. Speichere das untersuchte Dokument 5. GOTO 2 Robot WebCrawler Spider Dokument HTTP-Response WebRobot WWW-Server

6 Komponenten eines WebCrawlers (vereinfacht) Komponenten eines WebCrawlers (vereinfacht) Gatherer Dokumentensammlung aus dem WWW Loader Organisation der Beschaffungsaufträge URL-Datenbank Verwaltung des gesammelten Datenbestands Checker Filterung der gesammelten Daten URL-DB Loader Gatherer Gatherer Checker Gatherer Information Retrieval WWW-Server Komponenten eines WebCrawlers (vereinfacht) Gatherer Ziel: Erfasse so viele Dokumente wie möglich und halte diesen Datenbestand möglichst aktuell Probleme: dynamische Ressourcen, Inseln, Dark Web HTTP GET-Request GET HTTP/1.1 User-Agent: Googlebot/2.1 Komponenten eines WebCrawlers (vereinfacht) Gatherer Identifikation im Logfile des WebServers [10/Dec/2004:09:09: ] "GET /~sack/ws0405/webtechnologien HTTP/1.0" "-" "Googlebot/2.1" WebServer kann WebRobots lenken über /robots.txt: User-agent: Googlebot Disallow: /~user/privat/ User-agent: * Disallow: / WebRobots Exclusion Protocol Komponenten eines WebCrawlers (vereinfacht) Gatherer HTML-Autor kann Robots über spezielles Meta-Tag steuern <META NAME="ROBOTS" CONTENT="NOINDEX, NOFOLLOW"> Robot-Netiquette empfiehlt Beachtung des Robot Exclusion Standards aber nicht alle Robots halten sich daran... WebCrawler Implementierung Anforderung und Übertragung eines WWW-Dokuments ist ein zeitaufwändiger Prozess URL IP (DNS) TCP-Verbindung aufbauen Daten übertragen TCP-Verbindung abbauen Duplikate erkennen Hyperlinks aus Dokument extrahieren Parallelisierung der Einzelaufgaben

7 Server- WebCrawler Implementierung DNS-Cache Queues Load Monitor & Thread Manager DNS Resolver Warten auf DNS Warten auf HTTP Socket Page fetching thread Persistent URL- Pool & URL Metadata HTTP senden und empfangen URL besucht? Text Indizierung usw. Dokument bekannt? Text Repository & Index Links extrahieren normalisieren Spider traps robots.txt URL approval guard Komponenten eines WebCrawlers (vereinfacht) Checker entscheidet, welche Dokumente vom Gatherer an das Information Retrieval-System weitergegeben werden z.b. Auswahl nach Dokumententyp, syntaktischer Korrektheit, Verfügbarkeit entscheidet, nach welchen Links weiter gesucht werden soll Vermeidung von SPAM, defekten Links, Redirects, etc. eliminiert Duplikate Datenaufbereitung und -analyse Inhaltliche Erschließung von Textdokumenten Umwandlung der Dokumente in einheitlichen Dokumententyp (HTML, Postscript, PDF, DOC, PPT in Text umwandeln) effizient durchsuchbarer Datenbestand Auffinden relevanter Zeichenfolgen durch semantische Analyse der Textdatei Schlüsselworte, Überschriften, Aufzählungspunkte, analysieren) Zuordnung Schlüsselworte (Suchbegriffe) zu Dokumenten unter Berücksichtigung von Bewertungskriterien Rangfolge bilden Datenaufbereitung und -analyse Datennormalisierung Wortidentifikation Sprachidentifikation Word Stemming WebCrawler Deskriptoren Black List Information Retrieval Normalisierung und Analyse Teil III: WWW Technologien Datenaufbereitung und analyse Deskriptorengewinnung Schlüsselworte Ziel: Dokument soll durch wenige Schlüsselworte möglichst vollständig inhaltlich repräsentiert werden Anwendung von Keyword-Relevanzfiltern zur partiellen Kontextanalyse z.b. HTML <H>-Tags, Texthervorhebungen, etc z.b. Auslassen von Füllwörtern, Bindewörter, Pronomen, etc Häufigkeitsanalyse von Schlüsselwörtern Relevanz Zipf sches Gesetz: Für den Autor eines Textes ist es stets einfacher, bestimmte Wörter, die ein Thema beschreiben, zu wiederholen, als ständig nach neuen Begriffen zu suchen. George Kingsley Zipf ( )

8 Fskdfjhgsdfhskgd Dsfhgdshdg Sdhdsfhdshsfjsjgdgjhshdfg Sdhdfgdshgsgdf Sdgfhdshdsjhsfdjfsjhsf Sdgfdsgdfgsdg Sdhsfgjhzrujrthgfxbvh Srthbfgxbcvbxt Hxgbxfgjnxftkjzrhfgbx Xdfhbfgnbxgnxfgnx Rthxfgbnbvcgn Txhfgnbxvgnfxgnxf Fxgnhdrgfgfxbdbn Fdxgnfgndg Ndghndghmnmhggfm Dsfdfgsdfgdsfgdsfhsdhsdhsfghsfhd Sdhgsdfgdgdsgdsfhgsdhsdhds Dsfhgdsfgdsgds Gdshsdhdsfhsfdhsdfghsdhsdh Sdfgsdhsdhsfdjhsdjsdjsdg Sdhgdfghsdgfhsdtjsfjfdgr5esrgsreh Srthsfhbfsgnbhfgsnhfgs Hsfgbsfgbsfghbsf Bsfgbfgsbfgnbdfgndghn dfndfgnbdfgnghdmngdhmdghmh Datenaufbereitung und analyse Vektorraum-Modell Stammt aus Information Retrieval Idee: Dokument wird als Vektor in einem n-dimensionalen Vektorraum betrachtet jeweils eine Dimension für jedes mögliche Wort Länge eines Basisvektors entspricht der Anzahl des damit repräsentierten Wortes innerhalb des betrachteten Dokuments Vektor ergibt sich aus der Linearkombination der Basisvektoren Datenaufbereitung und analyse Index Dokument 0 Aachen 1 Altavista 0 Ananas 2 Buttermilch 3 Bratwurst 0 Chromatograph 0 Dynamik Anwendung von Methoden aus der Linearen Algebra 2 0 Zustand Zypern Teil III: WWW Technologien Datenaufbereitung und analyse Invertierter Index Erfordernis der schnellen Beantwortung von Suchabfragen macht spezielle Datenstrukturen erforderlich Invertiertes Dateisystem Umgekehrt werden zu einem Deskriptor eine Reihe von relevanten Dokumenten zugeordnet Index Aachen Altavista Ananas Zustand Zypern Invertierte Datei: Ananas DocId Pos Frequenz Gewicht ,5, , Direkte Datei: DocId 1234 Deskriptor Pos Frequenz Ananas 1,5, Datenaufbereitung und analyse Um qualitativ hochwertige Suchergebnisse zu erzielen, müssen die aus dem invertierten Index gewonnenen Dokumente entsprechend ihrer Relevanz gewichtet werden Was ist wichtig? Term Frequency Algorithmus (TFA) Zipf sches Gesetz: Je häufiger ein Schlüsselwort in einem Text vorkommt, desto wichtiger muss es sein. absolute Worthäufigkeit relative Worthäufigkeit TF( d, t) = n( d, t) n( d,τ ) τ Datenaufbereitung und analyse Was ist wichtig? Inverser Term Frequency Algorithmus (ITFA) um ein Dokument mit einem Schlüsselwort inhaltlich möglichst eindeutig kennzeichnen und von anderen Dokumenten abgrenzen zu können, muss die relative Worthäufigkeit das Vorkommen des Schlüsselwortes in anderen Dokumenten (D t ) mit einbeziehen ITF( d, t) = τ n( d, t) n( d, τ ) D Je mehr Dokumente das Schlüsselwort enthalten, desto schlechter charakterisiert es ein einzelnes Dokument t

9 Teil III: WWW Technologien Google Relevanz- und Gewichtungsmodelle Um qualitativ hochwertige Suchergebnisse zu erzielen, müssen die aus dem invertierten Index gewonnenen Dokumente entsprechend ihrer Relevanz gewichtet werden Relevanzgewichtung Google unterscheidet "wichtige" von "unwichtigen" Dokumenten "Wichtig": 1. ein Dokument ist um so "wichtiger", je mehr andere Dokumente auf dieses Dokument via Links verweisen 2. ein Dokument, auf das ein "wichtiges" Dokument via Link verweist, ist selbst "wichtig" 3. je mehr Links ein Dokument auf andere Dokumente enthält, desto "unwichtiger" ist ein einzelner Link Google Relevanz- und Gewichtungsmodelle aus 1-3 läßt sich eine Formel zur Berechnung der "Wichtigkeit" (PageRank, PR) eines Dokuments gewinnen sei PR(A) der zu ermittelnde PageRank des Dokuments A seien T 1 T n Dokumente, die einen Link auf A enthalten seien PR(T 1 ) PR(T n ) die PageRanks der Dokumente T 1 T n sei c(t i ) die Anzahl der ausgehenden Links in Dokument T i sei d ein Dämpfungsfaktor (0<d<1) c( A) PR PR( A) = ( 1 d) + d i= 1 c ( T ) i ( T ) i Google Relevanz- und Gewichtungsmodelle Beispiel für dir PageRank-Berechnung A 1.0 C 1.0 B 1.0 D 1.0 Berechnung wird iterativ durchgeführt, bis sich ein stabiler Zustand (Fixpunkt) ergibt. Nr n PR(A) 1,0 1,0 2,083 1,49 PR(B) PR(C) 1,0 1,0 0,575 2,275 0,575 1, ,7833 1,577 PR(D) 1, Google Relevanz- und Gewichtungsmodelle Beispiel für dir PageRank-Berechnung A 1.49 C 1,57 B 0,78 D Berechnung wird iterativ durchgeführt, bis sich ein stabiler Zustand (Fixpunkt) ergibt. Nr n PR(A) 1,0 1,0 2,083 1,49 PR(B) PR(C) 1,0 1,0 0,575 2,275 0,575 1,1912 0,7833 1,577 PR(D) 1,0 Andere Relevanz- und Gewichtungsmodelle Relevanz-Feedback direktes / indirektes Feedback Annahme: je häufiger ein Dokument aus einer Ergebnisliste einer Suchabfrage vom Nutzer ausgewählt wird, desto höher ist dessen Relevanz. zu berücksichtigen: junge vs. alte Dokumente Verweildauer im Indexdatenbestand Missbrauch verhindern registriere IP des Clients, Cookies Hohe Click-Popularität nur bei hinreichend guter Beschreibung des Inhalts in DESCRIPTON Meta-Tag des HTML-Headers verwenden

10 Andere Relevanz- und Gewichtungsmodelle Cluster-Verfahren ähnliche Dokumente werden zu Dokumenten-Clustern zusammengefasst Ähnlichkeitsanalyse und Clusterzuordnung während Index- Erstellung Analyse von Dokumenten-Deskriptoren mit Hilfe von Thesauri Andere Relevanz- und Gewichtungsmodelle Cluster-Verfahren - Ähnlichkeitsbestimmung Abfrage Q wird repräsentiert als Dokumentenvektor Berechne Ähnlichkeit des Dokumentenvektors Q mit allen Dokumentenvektoren D, der mit diesem Vektor gefundenen Ergebnisse Ähnlichkeit zwischen Q und D ergibt sich als sim( Q, D) = cos( Θ) Cosinus des Winkels Θ zwischen den beiden Dokumentenvektoren Q und D Andere Relevanz- und Gewichtungsmodelle Hubs und Authorities Hub Dokument mit überdurchschnittlich vielen Links auf andere Dokumente Authority Sehr viele für ein bestimmtes Thema relevante Dokumente zeigen auf dieses Dokument. Daher stellt Dokument eine Art "Autorität" zu diesem Thema dar. Andere Relevanz- und Gewichtungsmodelle Hubs und Authorities Gegenseitige Verstärkung Ein "gutes" Hub zeigt auf viele "gute" Authorities Eine "gute" Authority wird von vielen "guten" Hubs verlinkt HITS-Algorithmus (Kleinberg, 1997) Für jedes Dokument p wird ein Wert für Hub h(p) und Authority a(p) berechnet Werte werden mit Hilfe des Hyperlink-Graphen G=(N,E) berechnet Iterativer Algorithmus nutzt gegenseitige Verstärkung aus Andere Relevanz- und Gewichtungsmodelle Hubs und Authorities Hub h(p): ergibt sich aus der Summe aller Authority-Werte der verlinkten Dokumente q h( p) = ( p, q) E a( q) Authority a(p): ergibt sich aus der Summe aller Hub-Werte der Dokumente q, die auf dieses Dokument verweisen a( p) = ( q, p) E h( q) Wie Google eigentlich Geld verdient Google AdWords: Entsprechend der Suchabfrage des Nutzers werden zusätzliche, "bezahlte" Werbe-Links mit angezeigt AdWords

11 Teil III: WWW Technologien PageRank und darüber hinaus bei der Darstellung des Suchergebnisses erscheinen Dokumente mit hohem PageRank vor Dokumenten mit niedrigem PageRank Welche Probleme gibt es darüber hinaus? Synonyme und Homonyme (z.b. "Golf") Text in Grafiken Multimedia-Dokumente PageRank Manipulation Beurteilung der Qualität von Suchergebnissen Beurteilung der Qualität von Suchergebnissen Genauigkeit = Anteil der korrekt klassifizierten Ergebnisse Ist + als + klassifiziert a als - klassifiziert c a+c Anzahl der gefundenen, relevanten Dokumente im Verhältnis zu allen relevanten Dokumenten Recall a recall = ( a + c) Ist - b d a+b c+d ( a + d) genauigkeit = n b+d n Anzahl der gefundenen, relevanten Dokumente im Verhältnis zu allen gefundenen Dokumenten Precision a precision = ( a + b) Qualität der Suchergebnisse Qualität der Suchergebnisse ist auch von der Spezifikation der Suchanfrage abhängig Verfeinerung der Suchabfrage durch Angabe mehrerer, zutreffender Schlüsselworte Kombination von Schlüsselworten über logische Operatoren Bsp.: "Golf" UND "Sport" UND NICHT "Auto" Qualität der Suchergebnisse Zusätzliche Filteroperationen Sprachenfilter Domain- / IP-Filter Dokumententyp Erstellungs-/Änderungsdatum Dokumentengröße etc spezialisierte Suchdienste

12 Qualität der Suchergebnisse spezialisierte Suchdienste z.b. bei Google Qualität der Suchergebnisse spezialisierte Suchdienste z.b. bei Google Google Groups Google Scholar Froogle Google Labs Linux Microsoft Darstellung der Suchergebnisse Suchergebnisse werden üblicherweise als sortierte Liste dargestellt Alternative Darstellung: Deskriptoren Cluster Darstellung der Suchergebnisse Suchergebnisse werden üblicherweise als sortierte Liste dargestellt Alternative Darstellung: Deskriptoren Cluster / Hubs Darstellung der Suchergebnisse Suchergebnisse werden üblicherweise als sortierte Liste dargestellt Alternative Darstellung: Deskriptoren Cluster Darstellung der Suchergebnisse Alternative Darstellung: Topic Maps

13 Darstellung der Suchergebnisse Alternative Darstellung: Topic Maps Darstellung der Suchergebnisse Alternative Darstellung: Touch Graph Technische Grundlagen des Internet II. Internet Grundlagen Literatur Technische Grundlagen des Internet Ch. Meinel, H. Sack: WWW Kommunikation, Internetworking, Web Technologien, Springer, M. Glöggler: Suchmaschinen im Internet, Springer, Univ.-Prof. Dr. Christoph Meinel HASSO-PLATTNER-INSTITUT für Softwaresystemtechnik GmbH an der Universität Potsdam Dr. rer. nat. Harald Sack Friedrich Schiller Universität Jena Institut für Informatik Vorlesung Sommersemester