ネットワーク上の半構造テキストデータの変換規則に関する知識獲得システムの研究

2001 Fiscal Year Annual Research Report

• Project/Area Number: 12780233
• Research Institution: Kyushu University
• Principal Investigator: 坂本 比呂志 九州大学, 大学院・システム情報科学研究院, 助手 (50315123)
• Keywords: 半構造データ / ウェブマイニング / HTML / 機械学習

Research Abstract

与えられたHTMLデータから目的のテキストを切り出すプログラムをHTMLラッパーと呼び、そのようなラッパーを機械的に学習する枠組みをラッパー帰納という。本研究ではHTMLデータの木構造に着目し、初年度はツリーラツパーとその学習の枠組みを提案した。ここでの目標はいくつかのテキストに共通してマッチする1本のパスをHTML上に発見することである。このパスを抽出パスと呼び、ツリーラッパーはこのような抽出パスの集まりである。学習アルゴリズムの目標は、与えられたHTMLとテキストからそのテキストだけにマッチするできるだけよい抽出パスを発見することである。このツリーラッパーの枠組みでは学習に非常に時間がかかるということと、あたえられたHTMLデータの構造があらかじめ決まっていなければならないという欠点があった。そこで本年度ではうツパーの概念を拡張し、高速で大規模な実装を行った。ここで新たにパス表現という概念を導入し、学習例に依存しないアルゴリズムを提案した。その結果、大部分のHTMLデータに対してこのアルゴリズムが有効であることを示した。以上のような初年度及び本年度の研究成果は国内外の学会・論文誌において発表済みである。

Research Products

• [Publications] Tatsuya Asai: "Efficient Substructure Discovery from Large Semi-structured Data"2^<nd> SIAM International Conference on Data Mining. (発表予定). (2002)
• [Publications] Hiroshi Sakamoto: "Knowledge Discovery from Semistructured Texts"Lecture Notes in Computer Science. (掲載予定). (2002)
• [Publications] 村上義継: "HTMLからのテキストの自動切り出しアルゴリズムと実装"情報処理学会論文誌:数理モデル化と応用. 42:SIG14. 39-49 (2001)
• [Publications] Hiroki Arimura: "Efficient Learning of Semi-Structured Data from Queries"Lecture Notes in Artificial Intelligence. 2225. 315-331 (2001)
• [Publications] Katsuaki Taniguchi: "Mining Semi-Structured Data by Path Expressions"Lecture Notes in Artificial Intelligence. 2226. 378-388 (2001)
• [Publications] 坂本比呂志: "Webマイニング"人工知能学会誌. 16:2. 233-238 (2001)