講演抄録/キーワード |
講演名 |
2004-10-19 13:30
木の編集距離を用いたWebページからの情報抽出 ○久保山哲二(東大)・宮原哲浩(広島市大) |
抄録 |
(和) |
Webページからの情報抽出のために、Webラッパーを(半)自動生成するための様々
な研究が行われている。本研究では、Webラッパー生成のために木の編集距離を
用いてHTML文書やXML文書のような半構造データから、共通パタンを近似的にみ
つけることを目的とする。共通パタンは、複数のWebページの構文木の構造的類
似性を見つけ出し、構文木を木構造アラインメントにより結合することにより生
成する。木の各ノードには、出現頻度に応じた重み付けをする。プログラムによ
り機械的に生成された複数のWebページのみでなく、テンプレートを元に人手に
よる編集を経て作成された複数のWebページ間に共通する構造を柔軟に抽出し、
Webラッパーを生成する手法を提案する。 |
(英) |
Recent research efforts on extracting information from Web pages have mainly focused on semi-automatic and automatic approaches to generating Web wrappers. This paper aim at establishing a structure-based approach to finding a common structured pattern from semistructured data such as HTML documents and XML documents through approximate tree matching by a tree edit distance measure for generating Web wrappers. The common structured pattern is generated by finding a similarity among parsed trees of Web pages, and merging these trees by alignment of trees. Each node of the pattern tree is weighted according to its frequency of occurrence in the tree. We present a method for generating Web wrappers from manually edited Web pages including a number of grammatical mistakes in HTML, redundant or missing fragments. |
キーワード |
(和) |
半構造データ / 情報抽出 / 木の編集距離 / / / / / |
(英) |
semi-structured data / information extraction / tree edit distance / / / / / |
文献情報 |
信学技報, vol. 104, no. 345, DE2004-117, pp. 19-24, 2004年10月. |
資料番号 |
DE2004-117 |
発行日 |
2004-10-12 (DE, DC) |
ISSN |
Print edition: ISSN 0913-5685 |
PDFダウンロード |
|
研究会情報 |
研究会 |
DE DC |
開催期間 |
2004-10-18 - 2004-10-19 |
開催地(和) |
東京工業大学(大岡山) |
開催地(英) |
Tokyo Institute of Technology |
テーマ(和) |
データ工学, ディペンダビリティ, 一般 |
テーマ(英) |
Data Enginieering, Dependability, etc. |
講演論文情報の詳細 |
申込み研究会 |
DE |
会議コード |
2004-10-DE-DC |
本文の言語 |
英語(日本語タイトルあり) |
タイトル(和) |
木の編集距離を用いたWebページからの情報抽出 |
サブタイトル(和) |
|
タイトル(英) |
Information Extraction from Web Pages Using a Tree Edit Distance Measure |
サブタイトル(英) |
|
キーワード(1)(和/英) |
半構造データ / semi-structured data |
キーワード(2)(和/英) |
情報抽出 / information extraction |
キーワード(3)(和/英) |
木の編集距離 / tree edit distance |
キーワード(4)(和/英) |
/ |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
久保山 哲二 / Tetsuji Kuboyama / クボヤマ テツジ |
第1著者 所属(和/英) |
東京大学 (略称: 東大)
The Univeristy of Tokyo (略称: Univ. of Tokyo) |
第2著者 氏名(和/英/ヨミ) |
宮原 哲浩 / Tetsuhiro Miyahara / ミヤハラ テツヒロ |
第2著者 所属(和/英) |
広島市立大学 (略称: 広島市大)
Hiroshima City University (略称: Hiroshima City Univ.) |
第3著者 氏名(和/英/ヨミ) |
/ / |
第3著者 所属(和/英) |
(略称: )
(略称: ) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2004-10-19 13:30:00 |
発表時間 |
30分 |
申込先研究会 |
DE |
資料番号 |
DE2004-117, DC2004-32 |
巻番号(vol) |
vol.104 |
号番号(no) |
no.345(DE), no.347(DC) |
ページ範囲 |
pp.19-24 |
ページ数 |
6 |
発行日 |
2004-10-12 (DE, DC) |
|