文献

J-GLOBAL ID：201302274253574299   整理番号：13A0887664

教師情報を必要としないニュースページ群からのコンテンツ自動抽出

著者 (2件)： 吉田光男 (筑波大 大学院システム情報工学研究科) ,  山本幹雄 (筑波大 大学院システム情報工学研究科)
資料名： 日本データベース学会論文誌  (Journal of the DBSJ)
巻： 8  号： 1  ページ： 29-34  発行年： 2009年06月26日 
JST資料番号： L5754A  ISSN： 1883-1060  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： Webページから広告,メニューなどを除いて,コンテンツのみを抽出する方法を提案する。提案方法では,コンテンツおよび不要部分の最小単位をブロックとして,Webページの中で一度だけ出現するブロックをコンテンツと判定して抽出する。日本語および英語のニュースサイトから収集した記事に対して,提案手法を適用した結果,単純なアルゴリズムで高いコンテンツ抽出性能を実現できることを確認した。ただし,重複したWebページがある場合は,再現率が低下した。

シソーラス用語： *Web【情報システム】 ,  *コンテンツ ,  抽出 ,  情報検索
準シソーラス用語： 自動抽出 ,  コンテンツ検索

分類 (1件)： 検索技術  (AC06020S)

引用文献 (9件)：

• [1] Jesse Alpert and Nissan Hajaj. "W6 knew the web was big...".Official Google Blog.2008-07.25.http://googleblog.blogspot.com/2008/07/we-knew-web-was-big.html,(cited2009-05-20).
• [2] Kevin Hemenway and Tra Calishain."Spidering Hacks".村上雅章訳.初版,オライリー・ジャパン,2004,516p.,ISBN4-87311-187-0.
• [3] 澤菜津美,森嶋厚行,杉本重雄,北川博之."HTMLラッパ自動構築手法の提案".日本データベース学会論文誌.2008,vol.7, no.1,pp.263.268.
• [4] 鶴田雅信,増山繁."未知のサイトに含まれるWebページからの主要部分抽出手法".言語処理学会第14回年次大会発表論文集.東京,March 18-20,2008. pp.197-200.
• [5] Lidong Bing, Ybxin Wang,Yan Zhang and Hui Wang."Primary Content Extraction with Mountain Model".In Proceedings of IEEE CIT 2008.Sydney,Australia,July 8-11,2008.pp.479-484.

タイトルに関連する用語 (5件)： 教師 ,  ニュース ,  ページ ,  コンテンツ ,  自動抽出