半構造化文書に対する木構造と文字列 を組合せたラッパーの自動生成法 山田泰寛* 池田大輔** 廣川佐千男** *九州大学大学院システム情報科学府 **九州大学情報基盤センター 発表手順 コンテンツ抽出プログラム：ラッパー PLRラッパー PLRラッパーの自動生成法 実験 まとめと今後の課題 背景 異なるサイト間の情報を比較 たくさんのリンクを巡る 情報を記録・記憶 手間と時間がかかる 背景 自動的に統合 容易に比較が可能 （１）発見・収集 （２）抽出・整列 （３）統合 サイトごとにテンプレートが異なる ラッパー 1サイト上のWebページで同種の内容を含み、 大量に存在するものから、同種の内容を抽出 するプログラム 同一のテンプレートを持つ ラッパー生成問題 与えられた１サイト上のWebページの集合 から、同種の内容を抽出するためのルール を作成する問題 入力：同種の内容を含むWebページの集合 出力：ルールの集合 ラッパー生成のポイント コンテンツ部分の特定 ページ中に広告や無関係な情報が含まれる GUIや訓練例による半自動的な手法 ルールの表現方法 文字列ベース LRラッパー（Kushmerickら, 1997） 木構造ベース Treeラッパー (村上ら, 2001) LRラッパー ..... <font size=“5”>廣川佐千男</font> ..... <a href=“mailto:[email protected]> Address: hirokawa.xxx.jp</a> ..... <font size=“5”>山田泰寛</font> ..... <a href=“mailto:[email protected]> Address: [email protected]</a> ..... 項目を囲んでいる 左・右区切文字列で特定 同じ項目を囲む区切文字 列は同一 名前 左区切文字列: 5“> 右区切文字列: </f LRラッパーの問題点 ..... <font size=“5”>廣川佐千男</font> ..... <a href=“mailto:[email protected]> Address: [email protected]</a> ..... <font size=“5”>山田泰寛</font> ..... <a href=“mailto:[email protected]> Address: [email protected]</a> ..... メールアドレス 左区切文字列: “> 右区切文字列: </a 左区切文字列が 特定できない Treeラッパー body 木構造のパスを用いて表現 font a font a 名前 <body>-<font>-TEXT メールアドレス < body>-<a>-TEXT 廣川佐千男 山田泰寛 Address: [email protected] Address: [email protected] Treeラッパー問題点 body font a font a Address: [email protected] Address: [email protected] 不必要な文字列まで抽出する 統合の際にノイズとなる PLRラッパー PLR(Path-Left-Right)ラッパー 木構造によるパスの特定 左・右区切文字列 メールアドレス パス < body>-<a>-TEXT 左区切文字列 Address: 右区切文字列 NULL body a Address: [email protected] a Address: [email protected] 発表手順 コンテンツ抽出プログラム：ラッパー PLRラッパー PLRラッパーの自動生成法 実験 まとめと今後の課題 高頻度部分（赤）と低頻度部分（黒）に分ける ラッパー生成アルゴリズム 境界を決め、 ルールを抽出 (1) コンテンツ部分特定 入力：1サイト上の 複数の半構造化文書 出現頻度の低い ルールを捨てる (2)ルール抽出 出力：ルール ルール (3)不要なルールの削除 コンテンツ部分特定 高頻度部分（赤） 文字列 低頻度部分（黒） 対応 対応 構造記述部分 コンテンツ部分 高頻度部分：頻度の高い部分文字列の現れる部分 部分文字列の長さ n と頻度の上位 a (%)の決定 頻度の高い部分文字列が構造部分に現れるように コンテンツ部分特定 長さ n が小さいとき 文書１ 文書２ 文書３ 頻度の高い部分文字列は構造記述・コンテンツ 部分の両方に現れる コンテンツ部分特定 長さ n が大きいとき 文書１ 文書２ 文書３ コンテンツ部分の頻度が下がる 頻度の高い部分文字列は構造記述部分のみに現れる 位置による頻度 (a) 長さ 2 (b) 長さ 5 コンテンツ部分特定 長さ n が大きすぎるとき 文書１ 文書２ 文書３ 構造記述部分の頻度が下がる 再び、頻度の高い部分文字列は構造記述・コンテンツ 部分の両方に現れる コンテンツ部分特定 n: 小 a: 小 n: 小 a: 大 n: 大 a: 小 n: 大 a: 大 n: 大きすぎる 分割がうまく行なわれないときは、境界の数が大きい 交代数 （山田他、Discovery Science 2001) 長さ n と割合 a の決定 初期状態(n,a)は(2,1) 2 3 4 1 2 n n+1 長さ (n, a)の交代数と (n+1, a)、(n, a+1)の交代数を比較 a a+1 極小の交代数をとる時、長さnと頻度の上位aは十分大きいと判断 % 出力例 例１ 例２ 高頻度部分（赤）と低頻度部分（黒）に分ける ラッパー生成アルゴリズム 境界を決め、 ルールを抽出 (1) コンテンツ部分特定 入力：1サイト上の 複数の半構造化文書 出現頻度の低い ルールを捨てる (2)ルール抽出 出力：ルール ルール (3)不要なルールの削除 ルールの生成 パスの特定 入力文書を木構造に展開 低頻度部分（黒）を含むノー ドのパスを特定 ルールの生成 区切文字列の抽出 前ステップで特定されたパスで特定されるノード 左区切文字列は、高頻度部分と低頻度部分の境界から前 に出現する文字列で共通する最長の文字列 右区切文字列は、低頻度部分と高頻度部分の境界から後 に出現する文字列で共通する最長の文字列 共通する文字列が無い場合は“NULL” [email protected] [email protected] [email protected] 左区切文字列“アドレスは” 右区切文字列“です。” 高頻度部分（赤）と低頻度部分（黒）に分ける ラッパー生成アルゴリズム 境界を決め、 ルールを抽出 (1) コンテンツ部分特定 入力：1サイト上の 複数の半構造化文書 出現頻度の低い ルールを捨てる (2)ルール抽出 出力：ルール ルール (3)不要なルールの削除 不要なルールの削除 有用な項目の判断 項目の出現に注目 ある文書には現れ、ある文書には現れない項目 半数以上の文書から抽出できるルールを採用 高頻度部分（赤）と低頻度部分（黒）に分ける ラッパー生成アルゴリズム 境界を決め、 ルールを抽出 (1) コンテンツ部分特定 入力：1サイト上の 複数の半構造化文書 出現頻度の低い ルールを捨てる (2)ルール抽出 出力：ルール ルール (3)不要なルールの削除 発表手順 コンテンツ抽出プログラム：ラッパー PLRラッパー PLRラッパーの自動生成法 実験 まとめと今後の課題 実験 産経新聞(日本語, 50ファイル) 本文, 日付, 見出し, ジャンル ジャンル <html><head><title>TEXT SankeiNULL Altavista（英語, 50ファイル） Sankei-international 検索結果の件数 左区切文字列“We_found_” 右区切文字列“_results” We_found_187,302_results 失敗例(1) 左・右区切文字列特定の問題点 産経新聞の日付 日付 <html><body bgcolor><i><b>TEXT 2002.01.1 NULL 項目部分が区切文字列の一部に含まれる 項目部分の一部が高頻度部分に含まれること が原因 <!---★今日の日付に--->2002.01.12</b></i> 日にちの１の位のみ低頻度部分 失敗例(2) 同一ノードに複数の項目 例 日付とセキュリティホールの種類 左・右区切文字列特定の問題点 [_2003,09,18_]_openssh_にセキュリティホール いづれの項目も、左区切文字列“[_” 右区切文字列“_にセキュリティホール” ２つの項目が同時の項目として抽出される Treeラッパーの問題点 <blockquote> 段落1<p> 段落2<p> 段落3<p> </blockquote> 産経新聞の本文部分 段落ごとにタグがはさまれている 本文全体ではなく、段落ごとに抽出 Treeラッパーの問題点 同じ項目にタグが挟まれている場合に、細かく分かれてしまう ただし、全体として抜き出すほうがいいのか、 細かく抜き出すほうがいいのか判断が難しい まとめ PLRラッパーの自動生成法 Treeラッパー + LRラッパー 項目部分を含むノードのパス 前後に共通する左・右区切文字列 実験 不要な文字列の削除に成功 今後の課題 境界特定の精度の向上 不要部分と項目部分 問題点：項目部分が区切文字列に含まれる 複数の項目の分離 共通部分特定に改善の必要あり 項目の抽出に成功した後 異なるサイト間の同種の項目の統合
ダウンロード
