Proposte di tesi

Estrazione di dati dal Web: lo Smallest Extraction Problem

Lo Smallest Extraction Problem (SEP) consiste nel trovare la grammatica che descrive meglio un insieme di pagine generate dallo stesso template HTML, così da separare il template dai dati ed estrarre questi ultimi senza supervisione. Le tesi possono partire da un'implementazione esistente degli algoritmi di inferenza. Possibili direzioni:

• Modello incrementale: aggiornare la grammatica man mano che arrivano nuove pagine e quando il template cambia, riconducendo il modello in termini probabilistici.
• Efficienza dell'inferenza: rendere la ricerca A* praticabile su insiemi di pagine più grandi, anche grazie a una formulazione probabilistica del modello.
• Dalle pagine indice alle pagine di dettaglio: riconoscere, tra i link delle pagine indice e di sezione, quelli che portano ai contenuti, seguirli e inferire il modello delle pagine raggiunte.
• Grammatiche e LLM: affidare a un LLM le scelte semantiche che la sola struttura delle pagine non permette di risolvere, ad esempio decidere se un testo ripetuto è un dato o parte del template, o scegliere tra grammatiche di costo simile.

Riferimenti: articolo (PVLDB, 2021) · sito di accompagnamento

Selezione dei seed per il crawling su larga scala (URLBank)

In collaborazione con Meltwater.

URLBank sceglie le pagine (seed) da cui un crawler riparte a ogni giro per scoprire nuovi articoli: invece di una lista mantenuta a mano, i seed vengono selezionati analizzando come cambiano nel tempo i link delle pagine visitate. Le tesi estendono il sistema, ad esempio con il crawling a profondità 2 a partire dalle pagine indice dei siti, e si svolgono su dati reali di produzione.

Riferimento: articolo (The ACM Web Conference, 2026)

Estrazione di dati dalle immagini delle pagine con modelli multimodali

In collaborazione con Meltwater.

Estrarre dati dalle pagine Web a partire dall'immagine della pagina visualizzata, invece che dal suo codice HTML, usando modelli multimodali. Una prima tesi ha mostrato che l'approccio visuale riduce molto il consumo di token e riconosce bene titoli ed elementi in evidenza, ma fatica sui testi lunghi e nel ricondurre i risultati al DOM. Possibili estensioni:

• usare il modello multimodale solo su poche pagine per generare regole di estrazione (ad esempio XPath) da applicare poi su larga scala a tutte le pagine dello stesso template;
• riconoscere interi blocchi della pagina (il corpo dell'articolo, i commenti, i menu) invece dei singoli campi, per facilitare il collegamento con il DOM;
• architetture ibride, che combinino informazione visuale e testuale;
• domini diversi dalle notizie, come il commercio elettronico o gli annunci immobiliari, con elenchi, tabelle e dati annidati.

Il sistema per gli esami al calcolatore di Programmazione Orientata agli Oggetti

Le prove di Programmazione Orientata agli Oggetti si svolgono con un sistema web sviluppato internamente e in uso dal 2006. Oltre alle domande a risposta chiusa e aperta, il sistema chiede di scrivere codice Java, che viene compilato e verificato automaticamente con test JUnit.

Tecnologie: Java, Spring MVC, JSP, Tomcat, PostgreSQL, JUnit, Maven, git.

Il primo passo è portare il sistema su tecnologie attuali (versioni recenti di Java, Spring Boot, JUnit 5), con l'esecuzione isolata del codice degli studenti, il versionamento delle domande e una diagnostica più chiara per il docente. Su questa base, le tesi possono sviluppare una delle estensioni seguenti:

• il supporto ai test di accettazione, oltre ai test di unità;
• la misurazione dello speed-up degli algoritmi concorrenti scritti dagli studenti;
• la generazione automatica di quiz e compiti con gli LLM;
• un plugin Moodle, per integrare il sistema con le pagine dei corsi;
• la gestione nel sistema del percorso HQ (Homework & Quiz) del corso: consegna degli homework, prove in itinere e calcolo del punteggio.