半構造テキストデータの一般構造を推論する高度情報抽出アルゴリズムの構築

构建推断半结构化文本数据一般结构的高级信息提取算法

• 批准号: 15700136
• 负责人: 坂本 比呂志
• 金额: $ 2.18万
• 依托单位: Kyushu Institute of Technology
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Young Scientists (B)
• 财政年份: 2003
• 资助国家: 日本
• 起止时间: 2003 至 2004
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-15700136/
• 关键词: 半構造データ; 情報抽出; ラッパー帰納; 木構造データ; 機械学習

XMLを中心とする半構造データの登場により,情報抽出は次の新しい局面を迎えている.本研究の目的は,半構造データからの情報抽出問題を木構造へ一般化し,複雑な抽出を効率的に行うための枠組みを提案することである.これまでの枠組みでは半構造データからデータの場所を推論してテキストのみを取り出していた.これに対して本研究では『構造化テキスト』すなわち半構造データの部分木に相当する部分を学習によって抽出する.学習アルゴリズムの目標は与えられたデータから一般構造を取り出してラッパー(抽出規則)を構築することであり,抽出アルゴリズムはラッパーと未知のデータをマッチングさせて適切なデータを取り出す.これらのアルゴリズムを実現するために研究計画として以下の3つの課題を設けているが,最終年度はそのうち3.について成果をあげた.1.多様な論理構造を持つデータを表現できる木構造ラッパーを定式化する.一般の文字列は変数や関数記号を導入することでより一般的な表現になる.この考えを応用して正規表現の概念を木構造へ導入する.2.半構造データを一般化する手続きを確立し,木構造ラッパーを学習するアルゴリズムを構築する.この枠組みでは複数の木構造を同時に一般化するため,ダイナミックプログラミングを応用してメモリーを圧迫しない学習アルゴリズムの実現を目指す.3.高速な抽出アルゴリズムを実装し,実験によって有効性を示す.素朴な手法によって抽出アルゴリズムを実装する場合,未知のデータを一度構文解析する必要があり,このままでは高速化は難しい.そこで従来の文字列照合問題を木構造データのマッチングへ拡張し,構文解析を必要としない手法を確立する.本研究における一般化によって,データの構造を学習し複雑な抽出を行うことができる.

The XMLを center とする semi-structure デ タ タ <s:1> makes its appearance によ, and the intelligence is drawn とする. The new <s:1> situation を welcomes えて る る る. は の purpose, this study half structure デ ー タ か ら の information extraction problem へ generalization し を wood construction, complex 雑 な spare を に line of the working rate う た め の 枠 group み を proposal す る こ と で あ る. こ れ ま で の 枠 group み で は half structure デ ー タ か ら デ ー タ の places を inference し て テ キ ス ト の み を take り out し て い た. こ れ に し seaborne て in this study で は "structure The テ キ ス ト す "な わ ち half structure デ ー タ の part wood に quite す る part を learning に よ っ て spare す る. Learning ア ル ゴ リ ズ ム の goal は and え ら れ た デ ー タ か ら general construction を take り out し て ラ ッ パ ー (extraction rules) を build す る こ と で あ り, drew ア ル ゴ リ ズ ム は ラ ッ パ ー と unknown の デ ー タ を マ ッ チ ン グ さ せ て appropriate な デ ー タ を take り す. こ れ ら の ア ル ゴ リ ズ ム を be presently す る た め に research projects と し て in For the next section 3 を を project を, set けて るが るが るが, and the final year そ そ うち3. Youdaoplaceholder5 て て achievements をあげた.1. Many others な logical structure を hold つ デ ー タ を performance で き る wooden structure ラ ッ パ ー を demean す る. General の text columns は - several や masato number mark を import す る こ と で よ り general な performance に な る. こ の exam え を 応 with し て formal performance の concept を wooden structure へ import す る. 2. Half structure デ ー タ を generalization す る hand 続 き を し, wood structure ラ ッ パ ー を learning す る ア ル ゴ リ ズ ム を build す る. こ の 枠 group み で は plural の を wooden structure at the same time に generalization す る た め, ダ イ ナ ミ ッ ク プ ロ グ ラ ミ ン グ を 応 with し て メ モ リ ー を 圧 forced し な い learning ア ル ゴ リ ズ ム の be presently を refers す. 3. High-speed な spare ア ル ゴ リ ズ ム を be し, be 験 に よ っ て have sharper sex を す. The naive な gimmick に よ っ て spare ア ル ゴ リ ズ ム を be loaded す る occasions, unknown の デ ー タ を once compose text parsing す る necessary が あ り, こ の ま ま で high speed は は difficult し い. そ こ で 従 problem を の text columns according to the wooden structure デ ー タ の マ ッ チ ン グ へ company, zhang し, Text construction analysis を necessary と な な を technique を establish する. This study に お け る generalization に よ っ て, デ ー タ を の structure learning し complex 雑 な spare line を う こ と が で き る.

项目成果

Hiroshi Sakamoto, Kouichi Hirata, Hiroki Arimura: "Learning Elementary Formal Systems with Queries"Theoretical Computer Science. 298. 21-50 (2003)

Hiroshi Sakamoto、Kouichi Hirata、Hiroki Arimura：“通过查询学习基本形式系统”理论计算机科学。

A simple extension of queriable compression for XML data

• DOI: 10.1109/amt.2005.1505276
• 发表时间: 2005-05
• 期刊: Proceedings of the 2005 International Conference on Active Media Technology, 2005. (AMT 2005).
• 作者: T. Maita;H. Sakamoto

Hiroshi Sakamoto: "最適データ圧縮のための省スペースな近似アルゴリズム"情報技術レターズ(情報科学技術フォーラム講演論文集). 29-30 (2003)

Hiroshi Sakamoto：“最佳数据压缩的节省空间近似算法”信息技术快报（信息科学与技术论坛论文集）29-30（2003）。

A Space-Saving Linear-Time Algorithm for Grammar-Based Compression

一种基于语法的压缩的节省空间的线性时间算法

• 发表时间: 2004
• 期刊: Proc.11th International Symposium on String Processing and Information Retrieval LNCS3246
• 作者: H.Sakarnoto;T.Kida;S.Shimozono
• 通讯作者: S.Shimozono

Efficient Substructure Discovery from Large Semi-Structured Data

• DOI: 10.1137/1.9781611972726.10
• 发表时间: 2001-10
• 期刊: IEICE Trans. Inf. Syst.
• 作者: Tatsuya Asai;K. Abe;Shinji Kawasoe;H. Sakamoto;Hiroki Arimura;S. Arikawa