equivalent contributions. Note that

equivalent contributions. Note that the value of DGðj; kÞ ranges from p ffiffiffiffi
0 to 2J for square formation withJ neurons but the value of DSðj; kÞ p ffiffiffi
2J
ranges from 0 to jwj, i.e. N. In such case we should let c ¼ N to bal¬ance the contributions of DG and DS. The weight factor for other for¬mations should be determined in similar way. According to the above distance definitions, we relate neurons j and k if their dis
tance Dðj; kÞ is smaller than some threshold sD. Note that p ffiffiffiffi
0 6 sD 6 2J in our example case. Here we let a neuron be related
to itself. When two neurons are related, all the keywords labeled on these neurons are also related. The relationships among keywords can then be established and an ontology is constructed.
4.2. Generating metadata
The metadata of a Web page in this work consists of four parts. The first part is the important keywords section which contains a set of high-frequency keywords appeared in this Web page. The sec¬ond part is the important themes section which is a set of identified themes that can reflect the main interest of the Web page. The third part is the related themes section which depicts some themes related to those in the second part and also the relationships among the themes. Finally, we include a related pages section which contains a set of Web pages that are similar to the annotated one. The impor-tant keywords are selected according to the standard tf ~ idf weight¬ing scheme. We select those keywords whose tf ~ idf weight value exceeds a threshold. These keywords, together with their weights, are recorded in the important keywords section as follows:
hKEYWORDSikeyword1 : weight1; ... ; keywordn
: weightnh=KEYWORDSi:
This kind of information can be used for simple search and content highlighting.
The second part contains a set of themes, which have been dis¬covered in the KCM. In the KCM, each neuron is labeled by a set of keywords that are important to those Web pages that labeled on the same neuron in the DCM. Thus it is straightforward to obtain the themes of a Web page through investigating KCM and DCM. We first find the neuron which the Web page labeled in the DCM. Let it be neuron j. The themes of this Web page will then be those keywords that label to neuronj in the KCM. The corresponding ele¬ment values of these keywords in the agglomerative weight vector wj are used as weights of these keywords. We record these themes and their weights in the important themes section as follows:
hTHEMESikeyword1 : weight1; ... ; keywordn : weightnh=THEMESi:
Note that the identified themes may not appear in this Web page.
To obtain the third part which depicts the relationships among the themes, we may use the ontology which is constructed in Sec¬tion 4.1. When the themes of a Web page have been identified as described above, their related themes could then be derived from the ontology. Let fK1; K2; . . . ; Ktg be the set of themes of this Web page. The related themes consist of all keywords that are related to these themes. That is,
[
R ¼ RKk;
16k6t
where R is the set of related themes and RKk is the set of keywords related to Kk defined in the ontology. We use the distance define in Eq. (7) as weight of a related keyword. These related keywords and their weights are recorded in the related themes section as follows:

Results (Indonesian) 1:

kontribusi yang setara. Perhatikan bahwa nilai dari DGðj; kÞ berkisar p ffiffiffiffi0-2J untuk pembentukan persegi withJ neuron tetapi nilai dari DSðj; kÞ p ffiffiffi2Jberkisar dari 0 sampai jwj, yaitu N. Dalam hal ini kita harus membiarkan c ¼ N bal¬ance kontribusi DG dan DS. Faktor berat untuk for¬mations lain harus ditentukan dengan cara sama. Menurut definisi kaki di atas, kita berhubungan neuron j dan k jika mereka dis. Gat penting Dðj; kÞ lebih kecil dari beberapa batas sD. Perhatikan bahwa ffiffiffiffi p0 6 sD 6 2J dalam kasus contoh kami. Di sini kita membiarkan neuron terkaituntuk dirinya sendiri. Ketika dua neuron terkait, Semua kunci yang berlabel pada neuron-neuron ini juga terkait. Hubungan antara kata kunci dapat kemudian didirikan dan ontologi dibangun.4.2. menghasilkan metadataMetadata dari suatu halaman Web dalam karya ini terdiri dari empat bagian. Bagian pertama adalah kata kunci penting bagian yang berisi satu set frekuensi tinggi kata kunci yang muncul di halaman Web ini. Bagian sec¬ond adalah bagian tema-tema penting yang adalah seperangkat diidentifikasi tema yang dapat mencerminkan kepentingan utama halaman Web. Bagian ketiga adalah bagian terkait tema yang menggambarkan beberapa tema yang berkaitan dengan orang-orang di bagian kedua dan juga hubungan antara tema. Akhirnya, kami menyertakan bagian halaman terkait yang berisi serangkaian halaman Web yang mirip dengan salah satu bercatatan. Impor membelajarkan siswa secara kata kunci yang dipilih menurut tf standar ~ idf weight¬ing skema. Kita memilih kata kunci yang tf ~ idf berat nilai melebihi ambang batas. Kata kunci tersebut, bersama dengan beban mereka, direkam di bagian kata kunci penting sebagai berikut:hKEYWORDSikeyword1: weight1; ... ; keywordn: weightnh = KEYWORDSi:Jenis informasi dapat digunakan untuk pencarian sederhana dan menyoroti konten.Bagian kedua berisi serangkaian tema, yang telah dis¬covered di KCM. Di KCM, neuron masing-masing diberi label oleh satu set kata kunci yang penting untuk halaman Web yang berlabel pada neuron sama dalam DCM. Maka ianya mudah untuk mendapatkan tema halaman Web melalui menyelidiki KCM dan DCM. Kami pertama menemukan neuron yang berlabel halaman Web dalam DCM. Biarlah neuron j. Tema dari halaman Web ini akan menjadi kata kunci yang label untuk neuronj di KCM. Ele¬ment nilai yang sesuai dari kata kunci tersebut di wj vektor berat badan agglomerative digunakan sebagai beban dari kata kunci tersebut. Kami mencatat tema-tema ini dan beban mereka di bagian tema-tema penting sebagai berikut:hTHEMESikeyword1: weight1; ... ; keywordn: weightnh = THEMESi:Perhatikan bahwa tema diidentifikasi mungkin tidak muncul di halaman Web ini.Untuk memperoleh bagian ketiga yang menggambarkan hubungan antara tema, kami dapat menggunakan ontologi yang dibangun di Sec¬tion 4.1. Ketika tema dari halaman Web yang telah diidentifikasi seperti dijelaskan di atas, tema terkait mereka kemudian akan berasal dari ontologi. Biarkan fK1; K2; . . . ; Ktg menjadi kumpulan tema halaman Web ini. Tema-tema terkait terdiri dari semua kata kunci yang terkait dengan tema-tema ini. Yaitu[R ¼ RKk;16k6tdimana R adalah serangkaian tema terkait dan RKk adalah kumpulan kata kunci yang terkait untuk Kk didefinisikan dalam ontologi. Kami menggunakan jarak mendefinisikan di EQ (7) sebagai berat kata kunci yang terkait. Ini berkaitan dengan kata kunci dan beban mereka dicatat di bagian tema terkait sebagai berikut:

Results (Indonesian) 2:

kontribusi setara. Perhatikan bahwa nilai DGðj; KTH berkisar dari p ffiffiffiffi
0 sampai 2J untuk pembentukan persegi withJ neuron tetapi nilai DSðj; KTH p ffiffiffi
2J
berkisar dari 0 sampai jwj, yaitu N. Dalam kasus seperti kita harus membiarkan c ¼ N untuk bal¬ance kontribusi dari DG dan DS. Faktor berat badan untuk for¬mations lainnya harus ditentukan dengan cara yang sama. Menurut definisi jarak di atas, kita berhubungan neuron j dan k jika dis mereka
dikan DDJ; KTH lebih kecil dari beberapa threshold sD. Perhatikan bahwa p ffiffiffiffi
0 6 sD 6 2J dalam contoh kasus kami. Di sini kita membiarkan neuron berhubungan
dengan dirinya sendiri. Ketika dua neuron berhubungan, semua kata kunci berlabel pada neuron ini juga terkait. Hubungan antara kata kunci kemudian dapat didirikan dan ontologi dibangun.
4.2. Menghasilkan metadata
The metadata dari halaman Web dalam pekerjaan ini terdiri dari empat bagian. Bagian pertama adalah bagian kunci penting yang berisi sekumpulan kata kunci frekuensi tinggi muncul di halaman web ini. Bagian sec¬ond adalah tema penting bagian yang merupakan satu set tema diidentifikasi yang dapat mencerminkan kepentingan utama dari halaman Web. Bagian ketiga adalah bagian tema terkait yang menggambarkan beberapa tema yang berhubungan dengan orang-orang di bagian kedua dan juga hubungan antara tema. Akhirnya, kita termasuk bagian halaman terkait yang berisi satu set halaman Web yang mirip dengan yang dijelaskan. Kata kunci impor-tant dipilih sesuai dengan standar tf ~ skema weight¬ing idf. Kami memilih kata kunci yang tf ~ nilai bobot idf melebihi ambang batas. Kata kunci ini, bersama-sama dengan bobot mereka, dicatat di bagian kata kunci penting sebagai berikut:
hKEYWORDSikeyword1: Berat: 1; ...; keywordn: weightnh = KEYWORDSi:. Informasi seperti ini dapat digunakan untuk pencarian sederhana dan konten penyorotan Bagian kedua berisi satu set tema, yang telah dis¬covered di KCM. Dalam KCM, setiap neuron diberi label oleh satu set kata kunci yang penting bagi orang-orang halaman Web yang berlabel pada neuron yang sama di DCM. Oleh karena itu sangat mudah untuk mendapatkan tema dari halaman Web melalui menyelidiki KCM dan DCM. Kami pertama kali menemukan neuron yang halaman Web berlabel di DCM. Biarlah j neuron. Tema dari halaman Web ini kemudian akan kata kunci yang label untuk neuronj di KCM. Nilai-nilai ele¬ment yang sesuai kata kunci tersebut di agglomerative vektor bobot wj digunakan sebagai bobot dari kata kunci tersebut. Kami mencatat tema ini dan bobot mereka di bagian tema penting sebagai berikut: hTHEMESikeyword1: Berat: 1; ...; keywordn: weightnh = THEMESi:. Perhatikan bahwa tema diidentifikasi mungkin tidak muncul di halaman Web ini Untuk mendapatkan bagian ketiga yang menggambarkan hubungan antara tema, kita dapat menggunakan ontologi yang dibangun di Sec¬tion 4.1. Ketika tema halaman Web telah diidentifikasi seperti dijelaskan di atas, tema mereka terkait kemudian dapat diturunkan dari ontologi. Biarkan FK1; K2; . . . ; KTG adalah himpunan tema halaman Web ini. Tema yang terkait terdiri dari semua kata kunci yang terkait dengan tema-tema ini. Artinya, [R ¼ RKK; 16k6t mana R adalah himpunan tema terkait dan RKK adalah kumpulan kata kunci yang terkait dengan Kk didefinisikan dalam ontologi. Kami menggunakan jarak menentukan dalam Pers. (7) sebagai berat kata kunci terkait. Kata kunci yang terkait dan beban mereka dicatat dalam bagian tema terkait sebagai berikut: