<紀要論文>
Web 上の多言語テキストデータからのラッパー自動生成

作成者
本文言語
出版者
発行日
雑誌名
開始ページ
終了ページ
出版タイプ
アクセス権
概要 本稿では、半構造化テキストデータからコンテンツ部分を抽出するラッパーを自動生成する システムを提案する。入力として、テキストデータ以外にコンテンツを囲む区切り文字の最初と最後 に現われ得る文字の集合を与えるものとする。入力テキストに対して同種のコンテンツ(レコード) が 複数回現われるものと仮定するほかは、特に背景知識等は不要であり、入力に対し全自動でラッパー の生成を行なう。システムは、コンテン...ツの種類(フィールド) ごとに左と右区切り文字のペアを出 力する。半構造化テキストデータを単なる文字列として扱うので、入力は任意のマークアップ言語や 自然言語で書かれていて構わない。様々な言語で書かれたWeb ページを対象とした実験によりその 有効性を示す。マークアップ言語はXML とHTML で、4 つの自然言語で書かれており、検索機能に より動的に生成されたものもあれば、静的なページもある。本システムでは、XML やHTML のコ メントやタグの属性なども通常の文字として扱うが、ある実験では、通常のコンテンツ部分だけでな く、コメントやタグの内部から有用な情報を抽出することもできた。また、タグにマルチバイト文字 が含まれているようなデータでも問題なく扱える。
We present a wrapper generation system to extract contents of semi-structured documents. In addition to input documents, our system receives a set of symbols with which a delimiter string must begin or end. We assume that input documents contain instances of a record. Wrapper generation is done automatically. The system outputs a set of pairs of left and right delimiters each of which surrounds instances of a field. Our system treats semi-structured documents just as strings so that it does not depend on markup and natural languages. We show experimental results on text files markuped in HTML or XML. Contents of them are written in four natural languages. Some of them are dynamic pages, that is, produced by a search facility, and the others are static pages. In addition to usual contents, some generated wrappers extract useful information hidden in comments or tags which are ignored by other wrapper generation algorithms. Some generated delimiters contain whitespaces or multibyte characters.
続きを見る

本文情報を非表示

2003_a_1 pdf 310 KB 72  

詳細

レコードID
査読有無
関連情報
主題
ISSN
NCID
タイプ
登録日 2009.04.22
更新日 2018.08.31