Detail publikace
Information Extraction from the Web by Matching Visual Presentation Patterns
web data integration, information extraction, structured record extraction, page segmentation, content classification, ontology mapping
Dokumenty dostupné na WWW obsahují velké množství informací prezentované v tabulkách, seznamech a dalších pravidelných vizuálních strukturách. Tyto informace nejsou však často explicitně anotovány a jejich interpretace je ponechána na čtenáři. Jejich automatická extrakce z dokumentů proto představuje obtížný problém. Existující přístupy jsou obvykle založeny na analýze dokumentů shora dolů od celé stránky po jednotlivé datové záznamy. V tomto článku představujeme opačný přístup založený na přibližné identifikaci nejmenších datových položek a následně na zpřesňování prvotního odhadu pomocí hledání prezentačních vzorů v dokumentu.
Dokumenty dostupné na webu obsahují velké množství informací uvedených v tabulkách, seznamech nebo jiných vizuálně pravidelných strukturách. Zveřejněné informace však obvykle nejsou explicitně ani implicitně anotovány a jejich interpretace je ponechána na lidském čtenáři. Díky tomu je automatická extrakce informací z webových dokumentů pro jejich další počítačové zpracování náročným problémem. V článku představujeme novou metodu, která na základě modelu cílové domény (např. sportovní výsledky, jízdní řády, informace o zboží a další) identifikuje odpovídající záznamy ve webových dokumentech na základě způsobu jejich vizuální prezentace a nalezených pravidelných vzorů.
Většina existujících přístupů je založena na přístupu shora dolů, který postupuje od větších oblastí stránky k jednotlivým záznamům dat. Tento přístup závisí na různých heuristikách, které se týkají vizuální prezentace obsahu a přesnost současných metod není použitelná pro reálné nasazení. V článku představujeme opačný přístup - zdola nahoru. Hrubě identifikujeme nejmenší datová pole v dokumentu a později tuto aproximaci upravíme porovnáním objevených vizuálních prezentačních vzorců s očekávanou sémantickou strukturou extrahovaných informací. Tento přístup umožňuje efektivně extrahovat strukturovaná data z heterogenních dokumentů bez jakýchkoli dalších anotací, jak experimentálně demonstrujeme na různých aplikačních doménách.
Dosud byla nalezena 1 citace článku.
@inproceedings{BUT144386,
author="Radek {Burget}",
title="Information Extraction from the Web by Matching Visual Presentation Patterns",
booktitle="Knowledge Graphs and Language Technology: ISWC 2016 International Workshops: KEKI and NLP&DBpedia",
year="2017",
series="Lecture Notes in Computer Science vol. 10579",
pages="10--26",
publisher="Springer International Publishing",
address="Kobe",
doi="10.1007/978-3-319-68723-0\{_}2",
isbn="978-3-319-68722-3",
url="https://link.springer.com/chapter/10.1007/978-3-319-68723-0_2"
}