文献

J-GLOBAL ID：200902272930741126   整理番号：09A0033316

HTMLタグを用いたWebページのクラスタリング手法

Web Document Clustering Using HTML Tags

著者 (2件)： 折原大 (電通大 大学院電気通信学研究科) ,  内海彰 (電通大 電気通信)
資料名： 情報処理学会論文誌ジャーナル(CD-ROM)  (情報処理学会論文誌 論文誌ジャーナル(CD-ROM))
巻： 49  号： 8  ページ： 2910-2921  発行年： 2008年08月15日 
JST資料番号： Z0778B  ISSN： 1882-7837  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 本論文は,検索結果を自動分類することで検索支援を行う1つの手法として,Webページのタイプに着目したページのクラスタリング手法を提案する。本論文では,HTMLタグの木構造の情報を用いたクラスタリング手法とHTMLタグのn-gramと出現位置を考慮した頻度情報を用いたクラスタリング手法の2つを提案する。アンケートにより作成した正解データセットを用いた評価実験において,単語の分布(Bag-of-Words,BoW)に基づくクラスタリング手法や新聞などのテキストを対象とし文書タイプに分類を行うMulti-way Distributional Clustering(MDC)よりも,2つの提案手法のほうがクラスタリング精度において良い結果となった。また2つの提案手法間では,クラスタリング精度については分類傾向による差はあるものの全体では同等の精度であり,処理時間においてはHTMLタグの頻度情報を用いたクラスタリング手法が良好な結果となった。(著者抄録)

シソーラス用語： *クラスタ化 ,  *Webページ ,  HTML ,  自動分類 ,  文字列 ,  アンケート ,  実験 ,  単語 ,  精度 ,  Nグラム ,  評価実験 ,  *改変
準シソーラス用語： *クラスタリング

分類 (2件)： システム・制御理論一般  (IA02010H) ,  その他の情報処理  (JE15050M)

引用文献 (23件)：

• 相澤彰子: 低頻度語の利用によるテキスト分類性能の改善と評価, 情報処理学会論文誌, Vol.44, No.7, pp. 1720-1730(2003).
• 馬場康夫, 笹田鉄郎, 新里圭司, 黒橋禎夫: 構造的言語処理による大規模ウェブ情報のクラスタリング, 言語処理学会第13 回年次大会発表論文集 (NLP2007), pp. 562-565(2007).
• Bekkerman, R., Eguchi, K. and Allan, J.: Unsupervised Non-topical Classification of Documents, UMass CIIR Technical Report, No. IR-472(2006).
• Bekkerman, R., El-Yaniv, R. and McCallum, A.: Multi-Way Distributional Clustering via Pairwise Interactions, Proc.22nd International Conference on Machine Learning, pp. 41-48(2005).
• 江口浩二, 伊藤秀隆, 隈元 昭, 金田彌吉: 漸次的に拡張されたクエリを用いた適応的文書クラスタリング法, 電子情報通信学会論文誌 (D-I), Vol. J82-D-I, No.1, pp. 140-149(1999).

タイトルに関連する用語 (4件)： HTML ,  タグ ,  Webページ ,  クラスタリング手法