Detail publikace

Extrakce informace z WWW na základě znalosti struktury dat

BURGET, R.

Originální název

Extrakce informace z WWW na základě znalosti struktury dat

Anglický název

Information Extraction from WWW based on the data structure knowledge

Typ

článek ve sborníku ve WoS nebo Scopus

Jazyk

čeština

Originální abstrakt

S rostoucím množstvím dat, která jsou přístupná prostředictvím WWW je stále aktuálnější problém jejich dalšího zpracování, například za účelem jejich integrace do většího informačního celku, nebo za účelem získávání znalostí z těchto dat. Současné techniky automatické extrakce informace z HTML dokumentů ve většině případů vycházejí z předpokladu, že existuje množina dokumentů generovaných stejným způsobem ze společné báze dat. Na základě analýzy této množiny jsou pomocí různých postupů, ať již za asistence uživatele či automaticky, určena pravidla pro extrakci konkrétních dat z HTML dokumentu. V praxi však tento předpoklad často není splněn, mnoho dokumentů se buď vyskytuje pouze v jedné instanci (např. osobní stránky) nebo podobné dokumenty nejsou generovány zcela identickým způsobem. V tomto příspěvku navrhujeme nový přístup, který je založen na popisu logické struktury obsahu HTML dokumentu pomocí XML. Dále navrhujeme způsob extrakce dat z tohoto popisu pomocí XSL transformace na základě předem připravené specifikace a dále se příspěvek zabývá možnostmi automatické extrakce informace na základě srovnání struktury požadovaných dat se strukturou dokumentu za pomoci algoritmů pro porovnávání stromových struktur.

Anglický abstrakt

This paper deals with the matter of modelling the logical structure of a Web site and using such model for information extraction. It proposes an algorithm for creating a site model based on the HTML code analysis and a XML/XSL based system for information extraction from this model. Furthermore, the possibility of the usage of tree matching algorithms for automating the extraction process is discussed.

Klíčová slova

Extrakce Informace, HTML, XML

Klíčová slova v angličtině

Information Extraction, HTML, XML

Autoři

BURGET, R.

Rok RIV

2003

Vydáno

19. 2. 2003

Nakladatel

Fakulta elektrotechniky a informatiky, VŠB Technická univerzita Ostrava

Místo

Ostrava

ISBN

80-248-0229-5

Kniha

Sborník příspěvků 2. ročníku konference Znalosti 2003

Strany od

271

Strany do

280

Strany počet

10

BibTex

@inproceedings{BUT13790,
  author="Radek {Burget}",
  title="Extrakce informace z WWW na základě znalosti struktury dat",
  booktitle="Sborník příspěvků 2. ročníku konference Znalosti 2003",
  year="2003",
  pages="271--280",
  publisher="Fakulta elektrotechniky a informatiky, VŠB Technická univerzita Ostrava",
  address="Ostrava",
  isbn="80-248-0229-5"
}