Web Spam

Varování

Publikace nespadá pod Fakultu sportovních studií, ale pod Fakultu informatiky. Oficiální stránka publikace je na webu muni.cz.

Autoři	KILGARRIFF Adam SUCHOMEL Vít
Rok publikování	2013
Druh	Článek ve sborníku
Konference	Proceedings of the 8th Web as Corpus Workshop (WAC-8) @Corpus Linguistics 2013
Fakulta / Pracoviště MU	Fakulta informatiky
Citace
www	Konferenční sborník Webové stránky konference
Popis	Web spam is getting worse. The biggest difference between our 2008 and 2012 corpora, both crawled in the same way, is web spam. In this paper we talk about what it is, with examples and a discussion of the overlap with ‘legitimate’ marketing material, and present some ideas about how we might identify it automatically in order to filter it out of our web corpora. We also present some linguistic observations that could prove useful for spam identification, and some data relating to changes we have observed between 2008 and 2012.
Související projekty:	Projekt LINDAT-Clarin - Vybudování a provoz českého uzlu pan-evropské infrastruktury pro výzkum Velká infrastruktura CESNET