Informationsbeschaffung im Internet Übersicht ...fiz1.fh-potsdam.de/volltext/fhpotsdam/10330.pdf · Informationsbeschaffung im Internet 1. Vortrag für die. Brandenburgische Arbeitsgemeinschaft

Informationsbeschaffung im Internet

1

Vortrag für dieBrandenburgische Arbeitsgemeinschaft für Information (BRAGI)


Übersicht, Besonderheiten und neuere Entwicklungen

Prof. Dr. Günther NeherFachhochschule Potsdam

11.02.2010


2

Chronologie der „Suchdienste“

Anfang 70er: Erste Online-Datenbanken zur Recherche von Fachinformationen

• DIALOG (ursprünglich internes IS der Firma Lockheed)• NLM (National Library of Medicine, 1972)• DIMDI (Deutsches Institut für Medizinische Dokumentation und Information, 1974)• Erste Online Bibliothekskataloge (Online Public Access Catalogue, OPACs)

1990: ARCHIE (abgeleitet von „archive“). Dienst zum Durchsuchen von FTP-Archiven. Abfrage via telnet

1991: WAIS (Wide Area Information Server)GOPHER (eigener Internetdienst: Port 70, Gopher-Protokoll: RFC 1436)

Zugang über spezielle Gopher-Clients (heute auch noch via Web-Browser)„Gopherspace“ als „Vorläufer“ des WWW

1992: VERONICAMenü-orientierter Suchdienst für Gopher-Verzeichnisse

„Prä-WWW“


3

Chronologie der „Suchdienste“

„WWW“ (Quelle: http://www.searchenginejournal.com/search-engine-history/13152/ )

http://www.searchenginejournal.com/search-engine-history/13152/




4

Typologie der Suchdienste

Allgemeine („universelle“) Suchdienste

• Volltext-Suchmaschinen

• Webkataloge

• Metasuchmaschinen

Spezialisierte Suchdienste / Deep Web

Thematischz.B. Tourismus, Film, Produkte, ...

MedientypAudio, Video, Bild, Software, ...

Informationstyp• Nachrichten• Fakteninformation• Bibliographische Information• Wissenschaftliche Fachinformation• ...


5

Wichtige Vergleichskriterien zwischen Volltext-Suchmaschinen sind u.a.:

• Umfang/Abdeckung, d.h. die Anzahl der indexierten Webseiten• Aktualität, d.h. zeitlicher Abstand zwischen einer Seitenindexierung• Rankingverfahren, d.h. die Art der Relevanzbewertung

Google: http://www.google.comAltavista: http://www.altavista.comMSN Search: http://search.msn.comFireball: http://www.fireball.de…

Beispiele:

Typologie der Suchdienste: Volltext-Suchmaschinen

Definition:Unter dem Begriff Volltext-Suchmaschine werden Suchdienste verstanden, welche rein maschinell einen Volltextindex von Internetressourcen (Webseiten) erstellen und diesen durchsuchbarin einer Datenbank ablegen.

Keine der existierenden Suchmaschinen deckt die gesamte im WWW verfügbare Information ab !

http://www.google.com/

http://www.altavista.com/

http://search.msn.com/

http://www.fireball.de/


6

Typologie der Suchdienste: Volltext-Suchmaschinen

Beispiel: http://www.google.com



7

Typologie der Suchdienste: Webkataloge

Definition:Webkataloge oder Webverzeichnisse sind i.d.R. manuell erstellte undredaktionell betreute, nach einem bestimmten Klassifikationssystem(Taxonomie) hierarchisch geordnete Sammlungen von Hyperlinks.

Beispiele:

Open Directory Project (ODP): http://dmoz.org

Yahoo!: http://dir.yahoo.com

Allesklar.de: http://www.allesklar.de

aber auch sog. „Subject Gateways“, z.B.

http://www.library.uq.edu.au/internet/subject_gateways1.html

http://infomine.ucr.edu/

http://dmoz.org/

http://dir.yahoo.com/

http://www.allesklar.de/

http://www.library.uq.edu.au/internet/subject_gateways1.html



8

Typologie der Suchdienste: Webkataloge

Beispiel: http://dmoz.org

http://dmoz.org/


9

Webkataloge: Funktionsweise (schematisch)

(Bildquelle: Hartmann et al., S.111)


10

Webkataloge: Klassifikationssystem (Taxonomie)

Problematik:

• Keine einheitliche, verbindliche Systematik• Optimale Einordnung häufig unklar


11

• Metasuchmaschinen unterhalten keine eigene Indexdatenbank

• Die wesentlichen „Eigenleistungen“ einer Metasuchmaschine bestehen in der „Übersetzung“ einer Suchanfrage in die Syntax verschiedener Suchmaschinenund in der Zusammenführung der Suchergebnisse (Ranking, Dublettenentfernung)

• Metasuchmaschinen machen deshalb Sinn, weil keine einzelne Suchmaschine das gesamte Web abdeckt

• Metasuchmaschinen bieten in der Regel weniger Suchoptionen, als jede einzelneder Suchmaschinen => „kleinster gemeinsamer Nenner“

Typologie der Suchdienste: Metasuchmaschinen

Definition:Unter dem Begriff Meta-Suchmaschine werden hier Suchdienste verstanden, die keinen eigenen Suchindex besitzen, sondern eine Suchanfrage parallel an mehrere „echte“ Suchmaschinen weiterleiten, deren Ergebnisse sammeln und dem Nutzer in aufbereiteter Form präsentieren.


12


Beispiel: http://www.metager.de

http://www.metager.de/


13

Metasuchmaschinen: Funktionsweise (schematisch)

1

2

34

5

6

(nach: Hartmann et al., S.73)

Metasuchmaschinen besitzen keine eigene Indexdatenbank !„Übersetzen“ und verteilen die Suchanfrage, aggregieren die Suchergebnisse


14

Beispiele:

Metager: http://www.metager.de (deutschsprachig)

WebCrawler: http://www.metacrawler.com/

Vorteile:• Größere Ressourcenabdeckung

• Geringeres Risiko für „Web-Spamming“

Nachteile:• i.a. eingeschränkte Suchoptionen(„kleinster gemeinsamer Nenner“)

• evtl. längere Wartezeiten

Suchdienst 1

Suchdienst 3 Suchdienst 2

ÜberlappungTreffermenge 1

Treffermenge 3 Treffermenge 2


http://www.metager.de/

http://www.metacrawler.com/


15

Volltext-Suchmaschinen: Umfang/Abdeckung

(Quelle: http://www.searchengineshowdown.com )

Relative Größe der Datenbasis „Überlapp“ bei den Suchergebnissen

(Quelle: http://www.searchengineshowdown.com )

Keine Suchmaschine findet alles, unterschiedliche Suchmaschinenliefern unterschiedliche Ergebnisse !

http://www.searchengineshowdown.com/

http://www.searchengineshowdown.com/


16

Praktisches Experiment: Suchmaschinenvergleich

Zielsetzung: Kennenlernen der Abdeckungsproblematik (Vollständigkeit) und Bewertung (Ranking)

Aufgabe:Suchen Sie bei folgenden Suchdiensten jeweils nacheinander mit einem Suchbegriff Ihrer Wahl

• Yahoo: http://www.yahoo.com• Bing: http://www.bing.com• Google: http://www.google.com

http://www.yahoo.com/

http://www.bing.com/



17

Funktionsweisevon (Volltext)Suchmaschinen


18

Suchmaschinen: Funktionsweise

Indexdatenbank/Invertierter Index

(unvollständige und i.d.R. nicht aktuelle „Kopie“ des WWW)


19


Web-Roboter(Robot, Crawler, Spider)

• Ist ein Computerprogramm

• Basiert wesentlich auf derHyperlink-Struktur des WWW

• Sammelt Dokumente auf Basiseiner URL-Liste

• Extrahiert ggf. neue URLs ausden gesammelten Dokumentenund fügt diese der URL-Listehinzu.

• Kann regelbasiert bestimmteDokumentformate übergehenoder gezielt auswählen

Suchmaschinen: Komponenten


20

http://www.touchgraph.com/TGGoogleBrowser.html

http://www.webconfs.com/search-engine-spider-simulator.php

Suchmaschinen: Komponente „Crawler“

Demo:

http://www.touchgraph.com/TGGoogleBrowser.html



21

Suchmaschinen: Komponente „Indexer“

(Bildquelle: http://developer.apple.com/DOCUMENTATION/UserExperience/Conceptual/SearchKitConcepts/searchKit_basics/searchKit_basics.html )

„Invertierter Index“

http://developer.apple.com/DOCUMENTATION/UserExperience/Conceptual/SearchKitConcepts/searchKit_basics/searchKit_basics.html


22

• Jedem Indexterm ist eine (evtl. gewichtete) Liste von Dokumentreferenzen zugeordnet

• Ermöglicht ein extrem schnelles Auffinden von Dokumenten, die den Indexterm enthalten


Suchmaschinen: Komponente „Indexer“

„Invertierter Index“


23

Praktisches Experiment: Was Suchmaschinen vom Web "sehen"

Benutzen Sie für dieses Experiment die Webrobot-Simulation


Zielsetzung:

Untersuchen Sie, was ein Webrobot von folgenden Websites "mitnimmt" (Sehen Sie sich die Seiten jeweils zunächst im Browser an):

• http://www.fh-potsdam.de• http://www.bundestag.de• http://kvk.uni-karlsruhe.de

Was würde ein Web-Robot von der URL http://o2e.fh-potsdam.de/~archiv5

sehen ?


http://www.fh-potsdam.de/

http://www.bundestag.de/

http://kvk.uni-karlsruhe.de/

http://o2e.fh-potsdam.de/~archiv5


24

Als Ergebnis einer Suchanfrage wird eine geordnete Liste von Dokumentreferenzen angezeigt.

Die Reihenfolge der Dokumentreferenzen (Ranking) entspricht der geschätzten Relevanz der Dokumente in Bezug auf die Suchanfrage aus „Sicht“ der Suchmaschine

Die Relevanz wird (häufig nach geheim gehaltenen Verfahren) mathematisch berechnet

?


Suchmaschinen: Komponente „Query Processor“

Aspekt: Ranking


25

Suchmaschinen: Relevanzberechnung (Ranking)

Plausible (und mathematisch berechenbare) Relevanzkriterien

(Quelle: Hartmann et al., S.37ff)


26

Suchmaschinen: Relevanzberechnung (Ranking)

Problematik:

Die vorhergehenden 6 Rankingkriterien basieren auf dem Textinhalt des jeweiligen Einzeldokumentes und sind daher relativ einfach vom Autor der Seite manipulierbar

SEO : „Search Engine Optimization“

„Web-Spamming“

Lösungsansatz: PageRank-Verfahren von Google

Angelehnt an das Prinzip des „Citation-Index“ bei wissenschaftlichen Publikationen.

Vereinfachtes Prinzip:Je mehr Webseiten „von aussen“ über einen Hyperlink auf ein Dokument verweisen,desto höher sein Rang

S. Brin et al.: "The PageRank Citation Ranking: Bringing Order to the Web"

http://dbpubs.stanford.edu:8090/pub/showDoc.Fulltext?lang=en&doc=1999-66&format=pdf&compression=


27

Weiterführend: Funktionsweise von Suchdiensten

Patentschriften von Suchdienstanbietern !

http://ep.espacenet.com/advancedSearch

>> Demo: ranking, google

http://ep.espacenet.com/advancedSearch


28

Besonderheiten von(Volltext) Suchmaschinen


29

Die sog. Phrasensuche erlaubt die Suche nach Mehrwortgruppen, d.h. dieSuche nach Wörtern, die genau in der angegebenen Reihenfolge im Textvorkommen (im Gegensatz zur Booleschen AND-Verknüpfung).

Die Phrasensuche ist eine sehr wichtige und nützliche Suchoption bei derSuche im Web, speziell bei sog. „Known-Item-Searches“

Beispiel einer „Known-Item“-Suche

Gesucht wird ein Dokument, von dem ein Zitat bekannt ist:"Dann wird jede Seite nach weiterführenden Verweisen (Hyperlinks) untersucht"

(Zitat aus Hartmann et al. „Informationsbeschaffung im Internet“)

Suchoptionen: Phrasensuche

Suche bei Google



30

Suchoptionen: Metadaten

(Bildquelle: Hartmann et al. S. 81)

„Daten über Daten“


31

Problematik:Zu Webdokumenten existieren i.d.R. keine Metadaten im Sinne einer bibliographischen Erschließung

Dublin-Core hat sich aus verschiedenen Gründen nicht breit genug durchgesetzt

Aber: Webdokumente besitzen formale Eigenschaften, die sich Suchmaschinen als „formale Metadaten“ zur Erzeugung von Teilkollektionen nutzbar machen können:

• Dokumentformat (Dateityp)• Sprache• URL• letztes Änderungsdatum• ...

Diese formalen Metadaten können teilweise sehr effektiv zurInformationssuche ausgenutzt werden

Fortgeschrittene Suchoptionen: Formale Metadaten


32

Fortgeschrittene Suchoptionen: Formale Metadaten

http://www.google.de/intl/de/help/refinesearch.html

http://www.google.de/help/operators.html

Hier gilt ganz besonders: Hilfeseiten des jeweiligen Suchdienstes studieren !

Beispiel: Google

http://www.google.de/intl/de/help/refinesearch.html

http://www.google.de/help/operators.html


33

Fortgeschrittene Suchoptionen: Formatkategorien


34

Suchhilfen/Benutzerhilfen bei Suchmaschinen

Die Datenbestände von (Volltext)-Suchmaschinen bestehen im wesentlichen aus einer Indexdatenbank ohne inhaltsbezogene Metainformationen.

„Benutzerhilfen“ können i.d.R. nur auf Basis einer bereits vorliegenden (ersten) Treffermenge Ad-Hoc erzeugt werden, z.B.

• Korrekturvorschläge für Tippfehler

• Vorschlag von Alternativbegriffen

• Ähnliche Dokumente („Similar Pages“, „More like this“)

• Anzeige „semantischer“ Verknüpfungen

• Ad-Hoc-Kategorisierung („Clustering“)

Trend: Ständige Erweiterung der Benutzerhilfen, damit auchungeübte Nutzer immer bessere Suchergebnisse erzielen


„Deep Web“ /Invisible Web

35


Deep Web: Grundlagen

Definition

• Unter dem Begriff „Deep Web“ versteht man diejenigen Informations-ressourcen, die zwar prinzipiell über das WWW zugänglich sind, die aber von allgemeinen Suchmaschinen, wie z.B. Google nicht indexiert sind und daher über eine Suchanfrage bei diesen nicht gefunden werden können.

• Synonym zu dem Begriff „Deep Web“ werden häufig die Begriffe„Invisible Web“ oder auch „Hidden Web“ verwendet.

• Diejenigen Informationsressourcen im WWW, die von von allgemeinen Suchmaschinen, wie z.B. Google indexiert sind und daher über eine Suchanfrage bei diesen gefunden werden können, bezeichnet man als „Surface Web“ oder auch „Visible Web“ .

„THE PARADOX OF THE INVISIBLE WEB is that it's easy to understand why it exists, but it's very hard to actually define in concrete, specific terms. In a nutshell, the Invisible Web consists of content that's been excluded from general-purpose search engines and Web directories such as Lycos and LookSmart--and yes, even Google. There's nothing inherently "invisible" about this content. But since this content is not easily located with the information-seeking tools used by most Web users, it's effectively invisible because it's so difficult to find unless you know exactly where to look.“(C.Sherman in: Library Trends,2003)

36


37

Deep Web: Grundlagen

http://www.brightplanet.com/images/stories/pdf/deepwebwhitepaper.pdf

Verteilung von Deep Web Ressourcen nach Typ (Abschätzung, 2001)

http://www.brightplanet.com/images/stories/pdf/deepwebwhitepaper.pdf


Deep Web: Beispiele: Datenbanken: Esp@cenet

Kostenfrei: Bereich Patentrecherche: Escp@cenet

http://ep.espacenet.com/?locale=de_EP

38

http://ep.espacenet.com/?locale=de_EP


http://www.scirus.com/

Deep Web: Beispiele: Hybrid: Scirus, Vascoda, Google Scholar

Teilweise Kostenpflichtig: Bereich Wissenschaft/Technik

„... is the most comprehensive scientific research tool on the web. With over 450 million scientific items indexed at last count, it allows researchers to search for not only journal content but also scientists' homepages, courseware, pre-print server material, patents and institutional repository and website information. ...“

39

Analog: http://www.vascoda.dehttp://scholar.google.de

http://www.scirus.com/

http://www.vascoda.de/

http://scholar.google.de/


40

Deep Web: Ressourcen finden: Verzeichnisse

http://aip.completeplanet.com


http://aip.completeplanet.com/



41

Deep Web: Ressourcen finden: Fachdatenbanken

http://rzblx10.uni-regensburg.de/dbinfo/http://rzblx10.uni-regensburg.de/dbinfo/fachliste.php?bib_id=fhpo

http://rzblx10.uni-regensburg.de/dbinfo/

http://rzblx10.uni-regensburg.de/dbinfo/fachliste.php?bib_id=fhpo


42

InformationsbeschaffungNeuere Entwicklungen / Trends


43

Neuere Entwicklungen/Trends: Einstieg

Patente werden i.d.R. angemeldet BEVOR ein Produkt auf den Markt kommt.Patentrecherche kann daher benutzt werden, um neue Entwicklungen/Trendszu erkennen

http://ep.espacenet.com/?locale=de_ep

Besonderheit: Nach SEHR neuen Patentanmeldungen suchen, z.B. „Google 2009“

http://ep.espacenet.com/?locale=de_ep


44

Vermutung:In absehbarer Zeit automatisches Verschlagworten („Taggen“) von Bilddateien bei Google => Bessere Suchfunktion für Biulder (allg. Non-Text-Dokumente)

Trenderkennung durch Patentrecherche: Beispiele


45

Vermutung: In absehbarer Zeit Bewertungsoption bei Google

Trenderkennung durch Patentrecherche: Beispiele


46

Trends: Benutzerhilfen: Ad-Hoc-Kategorisierung (Clustering)

http://clusty.com

http://www.vivisimo.com/


47

http://fabdax.fh-potsdam.de/infodata

Trends: Benutzerhilfen: Ad-Hoc-Kategorisierung (Clustering)

http://fabdax.fh-potsdam.de/infodata


48

Trends: Benutzerhilfen: Clustering und Kontextinformationen

http://www.eyeplorer.com/eyePlorer/

http://www.eyeplorer.com/eyePlorer/


BASE: Bielefeld Academic Search Enginehttp://base.ub.uni-bielefeld.de/index.html

49

Trends: Integration von Informationsquellen

(Quelle: BASE)

http://base.ub.uni-bielefeld.de/index.html


50

Neuere Entwicklung: „Berechenbares Wissen“: WolframAlpha

http://www.wolframalpha.com/

http://www.wolframalpha.com/


51

http://www.housingmaps.com/

Beispiel:

Integrationvon Immobilieninformation (craigslist) und Geo-Informationen (google maps)

Trends: Integration von Informationsquellen: Mashups

http://www.housingmaps.com/


52

Demo: MashupsGoogle Maps/Flickr: Geographisch zugeordnete Schnappschüsse ☺

Ergebnis: http://fabday.fh-potsdam.de/~neher/mashups/geo/md12-gm-demo5.html

http://fabday.fh-potsdam.de/~neher/mashups/geo/md12-gm-demo5.html


53

InformationsbeschaffungNeuere Entwicklungen / Trends

„Semantic Web“


54

"Die zentrale Anforderung an die nächste Generation von Wissensmanagement-Systemen ist die Möglichkeit, Informationen geeignet zu kombinieren, um damit implizites Wissen ableiten und somit neues Wissen generieren zu können.

Semantik kann diese Anforderungen erfüllen und bildet somit die Grundlage für eine neue Landschaft an Anwendungen, welche die Informationstechnologie in eine Wissenstechnologie transformiert."

[Rudi Studer, AIFB Karlsruhe]

Semantic Web: Vision

The Semantic Web is an extension of the current Web in which information is given well-defined meaning, better enablingcomputers and people to work in cooperations.

[Berners-Lee et al. 2001]

In the Semantic Web, it is not the Semantic which is new, it is the Web which is new.

[Chris Welty, IBM]


(2009) Prof. Dr. Günther Neher 55

"semantic web" inurl:uni- filetype:ppt

Demo: „Semantische Suche“ mit

Suche nach: Lehrmaterialien zum Thema „semantic web“

Funktioniert einigermaßen, dank Faustregel („Heuristik“):

• Implizite Semantik in rein formalen Parametern (hier: Dateityp, URL)

Kenntnis dieser Heuristik beim Nutzer erforderlich !

Bewusste Simulation von Semantik !

Semantic Web: Einstieg

Beispielszenario: Tourismus (Projekt GETESS, 1999)

http://www.getess.de/ms_berichte/veroeffentlichung/iuk99_final.pdf

Wie realisierbar mit Google & Co ??

Urlaub AND Küste AND Rostock AND Wismar ?

http://www.getess.de/ms_berichte/veroeffentlichung/iuk99_final.pdf


56

Beispiel: Informationsbeschaffung im heutigen WWW

<html><body>

Bob ist der Vater von Lisa und Hans.<br>Hans hat 2 Kinder, Ruth und Eva.<br>Lisa hat einen Sohn.<br>Der Sohn von Lisa heisst wie Ihr Vater, Bob<br>

</body></html>

Fiktive Webseite von Google indexiert

Fiktiver Informationsbedarf:

Wieviel Enkel hat Bob ?


57

Semantic Web: Vision

…

<g:person id="ID_1"><g:hasChild id="ID_2">

<g:person id="ID_2"><g:hasChild id="ID_4">

<g:person id="ID_4"><g:name>Bob</g:name>

</g:person></g:hasChild><g:name>Lisa</g:name>

</g:person></g:hasChild>

…

…<xsl:text> Bob hat </xsl:text><xsl:value-of select="count( g:person/g:hasChild/g:person/g:hasChild )"/><xsl:text> Enkel.</xsl:text>…

Dies ist NICHT reale Semantic Web-Technologie, sondern eine Simulation mit XML

>> Demo


58

Trends: „Semantic Web/Linked Data“

http://www.swib09.de/

http://www.swib09.de/


59

Google-Beispiele:

• Ausfall• Jaguar• Archiv• Dokumentation• Bibliothek• Klausur

Grundlagen: Semantik - Problemstellungen

„der neue Jaguar“

„der junge Jaguar“

Problematik der semantischen Mehrdeutigkeit („Ambiguity“)bei Beschränkung auf die Begriffsebene (Zeichenkette)


60

Google-Beispiel:

Grundlagen: Semantik - Problemstellungen

Problematik der semantischen Unvollständigkeit („Synonymy“)bei Beschränkung auf die Begriffsebene (Zeichenkette)

1.870.000

Anschrift

OR

Adresse8.980.000

8.420.000

• Anschrift

• Adresse


61

Grundlagen: Semantik - Lösungsansätze

Konstruktion einer übergeordneten Ebene Metadaten

Etablierte Methode:

„Erschließung“


62

Basiskonzept: Namensräume

Hintergrund: Semiotisches Dreieck

Bedeutung: Eindeutige Festlegung von Vokabular auf Basis von URIs

URI !!

http://www.w3.org/2006/Talks/0404-mit-tbl/

http://www.w3.org/2006/Talks/0404-mit-tbl/


63

http://www.ivan-herman.net/foaf.rdf

Beispiele für XML-Namensräume

http://www.ivan-herman.net/foaf.rdf


64

Grundlagen: RDF im Semantic Web Schichtenmodell

Bildquelle: http://www.w3.org/2006/Talks/0811-sb-W3Cemergingtech/SemWebStack-tbl-2006a.png

http://www.w3.org/2006/Talks/0811-sb-W3Cemergingtech/SemWebStack-tbl-2006a.png


65

http://events.linkeddata.org/iswc2008tutorial/how-to-publish-linked-data-iswc2008-slides.pdf

Stetige Zunahme von RDF-Ressourcen

http://linkeddata.org/

http://events.linkeddata.org/iswc2008tutorial/how-to-publish-linked-data-iswc2008-slides.pdf

http://linkeddata.org/


66

Simple Knowledge Organization Systems (SKOS)

http://www.w3.org/2004/02/skos/

RDF-basiertes Vokabular zur Repräsentation von Thesauri, Klassifikationen, etc.



67

SKOS – Simple Knowledge Organization Systems

http://eprints.rclis.org/archive/00007480/01/SKOSSchlagwortSemanticWeb.pdf

Repräsentation von kontrolliertenVokabularen in RDF


http://www.gbv.de/vgm/info/biblio/01VZG/06Publikationen/2007/pdf/pdf_2837.pdf

http://eprints.rclis.org/archive/00007480/01/SKOSSchlagwortSemanticWeb.pdf


http://www.gbv.de/vgm/info/biblio/01VZG/06Publikationen/2007/pdf/pdf_2837.pdf


68

Beispiel: Infodata-Datensätze mit Infodata-SKOS-Thesaurus

>> Demo

http://o2e.fh-potsdam.de/infodata/infodata.rdf (nur Firefox mit Tabulator-Plugin) http://o2e.fh-potsdam.de/infodatathes/concepts

http://o2e.fh-potsdam.de/infodata/infodata.rdf

http://o2e.fh-potsdam.de/infodatathes/concepts


69

Danke für Ihre Aufmerksamkeit

</ENDE>

Documents

Informationsbeschaffung im Internet Übersicht ...fiz1.fh-potsdam.de/volltext/fhpotsdam/10330.pdf · Informationsbeschaffung im Internet 1. Vortrag für die. Brandenburgische Arbeitsgemeinschaft