Fakulta informačních technologií VUT v Brně

Detail publikace

Box Clustering Segmentation: A New Method for Vision-based Page Preprocessing

ZELENÝ Jan, BURGET Radek a ZENDULKA Jaroslav. Box Clustering Segmentation: A New Method for Vision-based Page Preprocessing. Information Processing and Management, roč. 53, č. 3, s. 735-750. ISSN 0306-4573. Dostupné z: http://www.sciencedirect.com/science/article/pii/S0306457316301169
Název česky
Box Clustering Segmentation: Nová metoda vizuálně orientovaného předzpracování stránek
Typ
článek v časopise
Jazyk
angličtina
Autoři
URL
Abstrakt
Článek prezentuje nový přístup k segmentaci webových stránek. Na rozdíl od běžně dostupných současných metod, které pracují nad stromovým modelem stránky a produkují opět stromovou strukturu na výstupu, popisovaná metoda je založena na shlukování atomických částí obsahu a vytváří plochý segmentační model. Experimentální výsledky ukazují, že metoda je téměř o 90 % rychlejší, než srovnatelné existující přístupy.
popis - stručný
Segmentace webových stránek je jedním z nezbytných přípravných kroků při automatizovaném zpracování obsahu webových dokumentů. Jejím cílem je identifikace základních vizuálních bloků ve stránce, jejichž obsah může být dále samostatně analyzován (např. záhlaví, hlavní obsah, reklama, apod.) Současné přístupy jsou založeny buď na analýze programového kódu stránky, která však dává pouze přibližné výsledky, nebo na analýze vizuální podoby výsledné stránky, což je časově velmi náročná úloha.

Článek prezentuje nový přístup k segmentaci webových stránek. Na rozdíl od běžně dostupných současných metod, které pracují nad stromovým modelem stránky a produkují opět stromovou strukturu na výstupu, popisovaná metoda je založena na shlukování atomických částí obsahu a vytváří plochý segmentační model. Experimentální výsledky ukazují, že metoda je téměř o 90 % rychlejší, než srovnatelné existující přístupy.

popis - doplnění
Publikovaná metoda používá jádro běžného webového prohlížeče k získání obrazu webové stránky. Uvažuje nejmenší vykreslené prvky získaného obrazu, provede shlukování pomocí vlastního algoritmu a vytvoří seznam detekovaných segmentů dané velikosti (granularity). Jako shlukovací metriky používáme pouze vizuální vlastnosti: vzdálenost prvků a jejich vizuální podobnost. Experimentálně vyhodnocujeme vlastnosti našeho algoritmu zpracováním 2400 webových stránek. Na této sadě webových stránek ukazujeme, že náš algoritmus je téměř o 90% rychlejší než referenční algoritmus. Přesnost navrženého algoritmu je mezi 47% a 133% přesnosti referenčního algoritmu. V našich experimentech také demonstrujeme výhody tvorby ploché struktury segmentace namísto obvyklé stromové struktury.
Článek byl dosud citován v 7 publikacích.
Rok
2017
Strany
735-750
Časopis
Information Processing and Management, roč. 53, č. 3, ISSN 0306-4573
Vydavatel
Elsevier Science
DOI
BibTeX
@ARTICLE{FITPUB10821,
   author = "Jan Zelen\'{y} and Radek Burget and Jaroslav Zendulka",
   title = "Box Clustering Segmentation: A New Method for Vision-based Page Preprocessing",
   pages = "735--750",
   journal = "Information Processing and Management",
   volume = 53,
   number = 3,
   year = 2017,
   ISSN = "0306-4573",
   doi = "10.1016/j.ipm.2017.02.002",
   language = "english",
   url = "https://www.fit.vut.cz/research/publication/10821"
}
Nahoru