ネットワーク上の半構造テキストデータの変換規則に関する知識獲得システムの研究

网络半结构化文本数据转换规则知识获取系统研究

• 批准号: 12780233
• 负责人: 坂本 比呂志
• 金额: $ 1.47万
• 依托单位: Kyushu University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Encouragement of Young Scientists (A)
• 财政年份: 2000
• 资助国家: 日本
• 起止时间: 2000 至 2001
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-12780233/
• 关键词: 半構造データ; ウェブマイニング; HTML; 機械学習; Webマイニング

与えられたHTMLデータから目的のテキストを切り出すプログラムをHTMLラッパーと呼び、そのようなラッパーを機械的に学習する枠組みをラッパー帰納という。本研究ではHTMLデータの木構造に着目し、初年度はツリーラツパーとその学習の枠組みを提案した。ここでの目標はいくつかのテキストに共通してマッチする1本のパスをHTML上に発見することである。このパスを抽出パスと呼び、ツリーラッパーはこのような抽出パスの集まりである。学習アルゴリズムの目標は、与えられたHTMLとテキストからそのテキストだけにマッチするできるだけよい抽出パスを発見することである。このツリーラッパーの枠組みでは学習に非常に時間がかかるということと、あたえられたHTMLデータの構造があらかじめ決まっていなければならないという欠点があった。そこで本年度ではうツパーの概念を拡張し、高速で大規模な実装を行った。ここで新たにパス表現という概念を導入し、学習例に依存しないアルゴリズムを提案した。その結果、大部分のHTMLデータに対してこのアルゴリズムが有効であることを示した。以上のような初年度及び本年度の研究成果は国内外の学会・論文誌において発表済みである。

With え ら れ た HTML デ ー タ か ら purpose の テ キ ス ト を り cutting out す プ ロ グ ラ ム を HTML ラ ッ パ ー と び, そ の よ う な ラ ッ パ ー を mechanical に learning す る 枠 group み を ラ ッ パ ー 帰 na と い う. This study で は HTML デ ー タ の に wooden structure with mesh し, at the beginning of year は ツ リ ー ラ ツ パ ー と そ の learning の 枠 group み を proposal し た. こ こ で の target は い く つ か の テ キ ス ト に common し て マ ッ チ す る this の パ ス を HTML on に 発 see す る こ と で あ る. こ の パ ス を spare パ ス と び, ツ リ ー ラ ッ パ ー は こ の よ う な spare パ ス の set ま り で あ る. Learning ア ル ゴ リ ズ ム の target は, with え ら れ た HTML と テ キ ス ト か ら そ の テ キ ス ト だ け に マ ッ チ す る で き る だ け よ い spare パ ス を 発 see す る こ と で あ る. こ の ツ リ ー ラ ッ パ ー の 枠 group み で は learning に very に time が か か る と い う こ と と, あ た え ら れ た HTML デ ー タ の tectonic が あ ら か じ め definitely ま っ て い な け れ ば な ら な い と い う points less が あ っ た. そ こ で this year で は う ツ パ ー の concept を company, zhang し, high-speed mass な で line be loaded を っ た. こ こ で new た に パ ス performance と い う concept を import し, learning example に dependent し な い ア ル ゴ リ ズ ム を proposal し た. そ の results, most の HTML デ ー タ に し seaborne て こ の ア ル ゴ リ ズ ム が have sharper で あ る こ と を shown し た. The above research achievements of <s:1> ような in the first year and び in the current year are listed in domestic and foreign <s:1> societies, papers and journals にお ような て て and their publication list みである.

项目成果

Hiroki Arimura: "Efficient Learning of Semi-Structured Data from Queries"Lecture Notes in Artificial Intelligence. 2225. 315-331 (2001)

Hiroki Arimura：“从查询中有效学习半结构化数据”人工智能讲座笔记。

H.Sakamoto, et al.: "Text Data Mining : Discovery of Important Keywords in the Cyberspace"Proc.2000 Kyoto International Conference on Digital Libraries. (IEEEから出版予定).

H. Sakamoto 等人：“文本数据挖掘：网络空间中重要关键字的发现”Proc.2000 京都国际数字图书馆会议（由 IEEE 出版）。

坂本比呂志: "Webマイニング"人工知能学会誌. 16:2. 233-238 (2001)

Hiroshi Sakamoto：“网络挖掘”人工智能学会杂志 16:2 (2001)。

H.Sakamoto,D Ikeda: "Intractability of decision problems for finite-memory automata"Theoretical Computer Science. 231. 297-308 (2000)

H.Sakamoto，D Ikeda：“有限内存自动机决策问题的难处理性”理论计算机科学。

H.Sakamoto, et al: "Extracting partial structures from HTML documents"Proc.14th International FLAIRS Conference. (AAAIから出版予定).

H.Sakamoto 等人：“从 HTML 文档中提取部分结构”Proc.14th International FLAIRS Conference（由 AAAI 出版）。