機械学習手法による半構造データマイニングと情報抽出

使用机器学习技术进行半结构化数据挖掘和信息提取

• 批准号: 16016275
• 负责人: 宮原 哲浩
• 金额: $ 3.52万
• 依托单位: Hiroshima City University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research on Priority Areas
• 财政年份: 2004
• 资助国家: 日本
• 起止时间: 2004 至 2005
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-16016275/
• 关键词: 機械学習; 半構造データマイニング; 情報抽出; 木構造パターン; タグ木パターン

本研究課題では,機械学習手法による半構造データマイニングと情報抽出について研究を行い,本年度は次の成果を得た.Web空間の爆発的な発展に伴い,インターネット上の大規模分散コンテンツを流通・提供・活用するための手法やシステムの研究開発が求められている.機械学習技術を適用することは,人に優しい情報通信技術やフレンドリーな情報処理システムの開発に有効である.本研究課題では,HTML/XMLファイルなどのWeb文書が半構造性を持つことに注目し,機械学習技術を活用して,半構造データからのデータマイニング技術を発展させ,Webデータから有用なコンテンツを発見する手法,すなわち情報抽出技術を確立することを目的とする.均質でない半構造文書からの情報抽出に応用するため,半構造文書に共通する構造的特徴を表現する木構造パターンである,高さ制約変数付きの極大頻出タグ木パターンを発見するアルゴリズムを与えた.電気図面などTTSPグラフでモデル化できる半構造データに共通する構造パターンを表現するTTSP項グラフを多項式時間で帰納推論する学習アルゴリズムを与えた.半構造データを効率よく比較・照合するための様々な手法を統一的に記述できる一般的なフレームワークを与え,従来知られていなかった編集距離に基づく木の近似照合クラス間の関係を明らかにした.複数の半構造データを統合するため,近似照合から2つの木を結合する効率的なアルゴリズムを提案した.半構造データのフィルタリングやクラスタリングを行うために,半構造データからの局所位相情報に基づく距離を考案し,これを高速に計算する手法を開発した.

This research topic is about the research of machine learning techniques, semi-structure and information extraction, and the second achievement of this year is obtained. The development of Web space explosion, large-scale distributed information technology on the Internet, circulation, provision, utilization and techniques for research and development. Machine learning technology is applicable to human beings, and information communication technology is applicable to the development of information processing systems. This research topic focuses on the semi-structural development of HTML/XML documents, the application of machine learning technology, the development of semi-structural documents, the development of useful documents, and the establishment of information extraction technology. Homogeneous semi-structural documents are used to extract information, semi-structural documents are used to express common structural characteristics, such as structural structure, high restriction number and maximum frequency. The electric field is divided into two parts: the TTSP term and the polynomial term. The relationship between semi-structural elements and their compilation distances is clearly defined by the comparison and approximation of the elements. A plurality of semi-structural elements are integrated into one another, approximately corresponding to one another. Semi-structure information structure structure

项目成果

Tractable and Intractable Second-Order Matching Problems

易处理和难处理的二阶匹配问题

• 发表时间: 2004
• 期刊: Journal of Symbolic Computation 37(5)
• 作者: K.Hirata;K.Yamada;M.Harao
• 通讯作者: M.Harao

On Finding Acyclis Subhypergrahs

关于寻找 Acyclis 子超图

• 发表时间: 2005
• 期刊: Proc.FCT 2005, Lecture Notes in Computer Science (Springer-Verlag) 3623
• 作者: 西村 将太郎;片山 薫;石川 博;Kouichi Hirata et al.
• 通讯作者: Kouichi Hirata et al.

Extracting Disjunctive Closed Rules from MRSA Data

从 MRSA 数据中提取析取闭合规则

• 发表时间: 2005
• 期刊: The First International Conference on Complex Medical Engineering (CME2005)
• 作者: K.Hirata;M.Harao;et al.
• 通讯作者: et al.

Extracting Multiple Layers from Data Having Graph Structures

从具有图结构的数据中提取多层

• 发表时间: 2004
• 期刊: Proc.2nd Asian Symposium on Geographic Information Systems from-Computer Science & Engineering View (ASGIS 2004)
• 作者: 今本 健二;櫻井 幸一;Yoshikazu Shima et al.;Kouichi Hirata et al.;Yoshikazu Shima et al.;Tetsuji Kuboyama et al.;Tetsuji Kuboyama et al.;Kazuhide Aikou;Tomoyuki Uchida;Yuko Itokawa
• 通讯作者: Yuko Itokawa

The q-Gram Distance for Ordered Unlabeled Tree

有序未标记树的 q-Gram 距离

• 发表时间: 2005
• 期刊: Proc.DS 2005, Lecture Notes in Artificial Intelligence (Springer-Verlag) 3735
• 作者: Takafumi Hayashi;Satoshi Okawa;Nobuhito Ohkura et al.
• 通讯作者: Nobuhito Ohkura et al.