xmoonlight

1. www.timesnapper.com/index.aspx
Screens

2. Chronolapse

https://github.com/xmoonlight/includeHTML

A modern JavaScript router in 100 lines

1. Составляем список получаемых критериев для каждого из отзывов (т.е., для одного).
2. Делаем морфологический разбор по сущностям и их взаимосвязям для каждого из отзывов.
3. Анализируем полученное дерево связей для каждого из отзывов.
4. Получаем коэффициенты интересующих нас критериев.
5. По совокупности весов (или на основе своего заранее подготовленного (НС) "дерева" весов) различных критериев для каждого из отзывов - определяем вес нашего целевого критерия (совокупного) для каждого конкретного отзыва.
6. Делаем сортировку по убыванию всех целевых весов в соответствии с отзывами и выводим максимальный или их кластеры в процентном соотношении (для визуального сравнения).
7. Profit! и (ещё раз) Profit!

Проще - это сделать через искажения проекции в 2D-редакторе.

explode+foreach

...и какие технологии лучше использовать?

лучше используйте нестандартный подход, красивый анимированный ("живой") интерфейс, режим шаблона SPA. (html5+валидная по w3c - это само собой!)

Google: Перепродажа востребованного контента (рекламы/приложений/статей/и т.д.), продажа доступа к API с различными условиями.

роутинг заранее прописывается в настройках сервера.

Никого не слушайте: Это Хаффман.

НС - это фильтрация по признакам входных данных.
Для картинки: это цвет основного центрального пикселя и цвета соседних (окружающих его) пикселей.
Распознавание по-шагам:
1. Находим уникальные области изображения (ограниченные прямоугольником или кругом), составляющие топологический "скелет" всего изображения.
2. Находим максимальное сопоставление "скелетов" на эталонных и на распознаваемом изображении.
3. Выполняем сравнение этих областей с эталонными в процентном соотношении с учётом корректности топологии: линий, процентов расстояний и углов направлений каждой уникальной области относительно другим уникальным областям одного изображения.
4. Профит!

Обучение - установка "весов" в узлах нейросети по заранее заданным входным и выходным параметрам.

Пример, обучения (ребёнка):
Итерация1: показываем кубик (вход) -> говорим "это кубик" (выход)
Действие НС: сравнивать пока не с чем - просто создаём узел: "кубик". (вес нейрона: 1.0)
Итерация2: показываем шарик (вход) -> говорим "это шарик" (выход)
Действие НС: сравнивается с кубиком: нейронами формируются отклонения визуального контура предмета на основе большой разницы визуальной и звуковой информации и, на основе полного несовпадения ни с какими предметами (похожесть узлов 1-го уровня), появляется новый "узел" в НС: "шарик". (вес нейрона: 1/[общее кол-во связей в пределах текущего узла]=1/2=0.5)
Итерация3: показываем параллелепипед (брусок) (вход) -> говорим "это кирпичик, как кубик, только вытянутый" (выход)
Действие НС: сравнивается с кубиком и шариком: нейронами сравниваются совокупности "весов" узлов кубика и шарика, определяется, что максимальное совпадение - это кубик, формируется разница признаков и снова появляется новая ветка от узла "кубик".

Делаем сравнение: на сколько кирпичик отличается от остальных предметов?

Допустим, результат сравнения на совпадение контурных линий и звуковой информации:
1. кирпичик vs шарик: <50%
2. кирпичик vs кубик: >=50%, (НО! СТРОГО МЕНЬШЕ 100%)
Т.е., мы видим, что кирпичик - вовсе не шарик, а больше похож на "недокубик") и в связи с этим, строим новую ветку от узла "кубик".

Было:
1-й уровень (1=100%): 0.5(шарик), 0.5(кубик).
Стало:
1-й уровень (1=100%): шарик: 0.5, кубик: 0.5
2-й уровень (0.5=100%): кирпичик: 0.5
(3-й: 0.25=100% и т.д.)
Сумма весов от любого из "узлов" 1-го уровня до любого "листа" в "дереве" - всегда равна единице!

Таким способом, мы постепенно строим дерево связей.
Вот как-то так обучение и происходит: опорные эталонные признаки (обучение), сравнение с имеющимися из "дерева" знаний и добавление нового знания в нужную ветку дерева.

Сами связи - привязываем к времени с постепенным вычитание весов узлов дерева до нуля и получаем эффект забывания (или "высвобождения" узлов = памяти), если информация периодически не обновляется. При обновлении информации - обновляем всю ветку до листа максимальным весом: "повторенье - мать ученья".

Представим, что полученная страница валидная и мы записали ее в файл и т.к. само по себе содержимое уже имеет иерархию (html теги) то по какому алгоритму осуществлять поиск того или иного тега и все его содержимое?

Единственный верный ответ: если структура документа древовидная - значит нахождение нужного узла - это обход такого "дерева".
Далее - мы используем знания из документации W3C для понимания всевозможных вариантов открытия и закрытия тега - "узла". Это будут наши виртуальные "скобки".

Проверяем валидность и что нет пересечений: внутренние теги узла всегда закрываются внутри этого узла и на том же уровне, на каком они были открыты.

Затем, преобразуем раскрытие "скобок" к представлению через "обратную польскую запись" раскрытия скобок даст нам путь к нужному узлу.
В итоге, получаем аналог XPath.

Добавлю, что свойства тегов непосредственно к составлению "дерева" и его превращению в подобие XPath - никак не относятся.
Свойства тегов - участвуют только в выборке нужного узла в дальнейшем.
Они относятся только к выборке.

Ищите на Spark'e (spark.ru) инетресные стартапы и устраивайтесь туда!
Вам нужны новые знания и ИНТЕРЕСНЫЕ задачи по *NIX (а это - обучение) - им недорогие админы на старте, способные решать нетривиальные задачи.

PS: обратите особое внимание на коммент Saboteur - написано чётко и верно!

Impossible