Detail výsledku
Information Extraction from the Web by Matching Visual Presentation Patterns
The documents available in the World Wide Web contain large amounts of information presented in tables, lists or other visually regular structures. The published information is however usually not annotated explicitly or implicitly and its interpretation is left on a human reader. This makes the information extraction from web documents a challenging problem. Most existing approaches are based on a top-down approach that proceeds from the larger page regions to individual data records, which depends on different heuristics. We present an opposite bottom-up approach. We roughly identify the smallest data fields in the document and later, we refine this approximation by matching the discovered visual presentation patterns with the expected semantic structure of the extracted information. This approach allows to efficiently extract structured data from heterogeneous documents without any kind of additional annotations as we demonstrate experimentally on various application domains.
web data integration, information extraction, structured record extraction, page segmentation, content classification, ontology mapping
Dokumenty dostupné na webu obsahují velké množství informací uvedených v tabulkách, seznamech nebo jiných vizuálně pravidelných strukturách. Zveřejněné informace však obvykle nejsou explicitně ani implicitně anotovány a jejich interpretace je ponechána na lidském čtenáři. Díky tomu je automatická extrakce informací z webových dokumentů pro jejich další počítačové zpracování náročným problémem. V článku představujeme novou metodu, která na základě modelu cílové domény (např. sportovní výsledky, jízdní řády, informace o zboží a další) identifikuje odpovídající záznamy ve webových dokumentech na základě způsobu jejich vizuální prezentace a nalezených pravidelných vzorů.
Většina existujících přístupů je založena na přístupu shora dolů, který postupuje od větších oblastí stránky k jednotlivým záznamům dat. Tento přístup závisí na různých heuristikách, které se týkají vizuální prezentace obsahu a přesnost současných metod není použitelná pro reálné nasazení. V článku představujeme opačný přístup - zdola nahoru. Hrubě identifikujeme nejmenší datová pole v dokumentu a později tuto aproximaci upravíme porovnáním objevených vizuálních prezentačních vzorců s očekávanou sémantickou strukturou extrahovaných informací. Tento přístup umožňuje efektivně extrahovat strukturovaná data z heterogenních dokumentů bez jakýchkoli dalších anotací, jak experimentálně demonstrujeme na různých aplikačních doménách.
Dosud byla nalezena 1 citace článku.
@inproceedings{BUT144386,
author="Radek {Burget}",
title="Information Extraction from the Web by Matching Visual Presentation Patterns",
booktitle="Knowledge Graphs and Language Technology: ISWC 2016 International Workshops: KEKI and NLP&DBpedia",
year="2017",
series="Lecture Notes in Computer Science vol. 10579",
pages="10--26",
publisher="Springer International Publishing",
address="Kobe",
doi="10.1007/978-3-319-68723-0\{_}2",
isbn="978-3-319-68722-3",
url="https://link.springer.com/chapter/10.1007/978-3-319-68723-0_2"
}