文献

J-GLOBAL ID：201702284113012371   整理番号：17A1396143

R抽出器:テンプレートに基づくエンティティページからのデータ抽出のための方法【Powered by NICT】

R-Extractor: A Method for Data Extraction from Template-Based Entity-Pages

著者 (3件)： Manica Edimar ,  Dorneles Carina F. ,  Galante Renata
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： COMPSAC  ページ： 778-787  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ビッグデータにおける課題は,データ収集の間の開始は,非構造化データを変換構造化フォーマットにすることが必要となる。ビッグデータ時代はデータ収集への新しい挑戦をもたらした:ユーザの介入を除去するための必要性。これに関連して,ドメイン-セントリックデータ抽出(DCDE)法は,ユーザーの介入を置換含有量冗長性により生じた。DCDE法は,特定の応用領域に制限されているWebのエンティティの属性値を抽出した。研究ギャップは種々の解析法から同定した,すなわち,DCDE方法は同じウェブサイト内の提示が異なっていることを属性値の抽出に効果的ではない。R抽出法,同一Webサイト内の提示が異なっていることを属性値の処理のための強化段階を加えることにより最新のDCDE法を拡張したを提案することにより,この研究のギャップに対応してきた。R抽出法はウェブサイトの実体を記述するすべてのページから与えられた属性の値を抽出するために組み合わせることができるものを同定するために抽出ルール再解析した。この同定は,抽出ルールの異なる特徴を考慮に入れた新しいスコア関数に基づいている。は,広い範囲の応用領域の異なる実世界ウェブサイトから50K以上Webページデータセット上で実験を行った。R抽出法は精度の98%に達した。著者らの方法は,二ベースライン(XPathベース法とツリーベース法)と比較し,精度は14%までの増加とより優れていた。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 基準線 ,  冗長性 ,  データ収集 ,  Web【情報システム】 ,  *抽出装置 ,  Webページ ,  構造形成
準シソーラス用語： XPath ,  Webサイト ,  *エンティティ ,  非構造化データ ,  ビッグデータ ,  *データ抽出 , 【Automatic Indexing@JST】

分類 (1件)： 経営工学一般  (KA01010C)

タイトルに関連する用語 (5件)： 抽出器 ,  テンプレート ,  エンティティ ,  ページ ,  データ抽出