[論文レビュー] A Fuzzy Approach for Pertinent Information Extraction from Web Resources

Radhouane Boughammoura, Mohamed Nazih Omri+1 more|arXiv (Cornell University)|Jun 5, 2012

Web Data Mining and Analysis参考文献 15被引用数 7

ひとこと要約

この論文では、ユーザーが提供する例を用いて、半構造化Webページから関連する情報を抽出するためのファジィ論理ベースのラッパー誘導手法を提案する。インダクティブ学習とファジィ論理ルールを組み合わせることで、欠損属性、スペルミス、可変な属性順序の処理において、SoftMealyよりも優れた正確性と再現率を達成する。

ABSTRACT

Recent work in machine learning for information extraction has focused on two distinct sub-problems: the conventional problem of filling template slots from natural language text, and the problem of wrapper induction, learning simple extraction procedures (wrappers) for highly structured text such as Web pages. For suitable regular domains, existing wrapper induction algorithms can efficiently learn wrappers that are simple and highly accurate, but the regularity bias of these algorithms makes them unsuitable for most conventional information extraction tasks. This paper describes a new approach for wrapping semistructured Web pages. The wrapper is capable of learning how to extract relevant information from Web resources on the basis of user supplied examples. It is based on inductive learning techniques as well as fuzzy logic rules. Experimental results show that our approach achieves noticeably better precision and recall coefficient performance measures than SoftMealy, which is one of the most recently reported wrappers capable of wrapping semi-structured Web pages with missing attributes, multiple attributes, variant attribute permutations, exceptions, and typos.

研究の動機と目的

• 不規則または半構造化されたWebデータに対して困難を抱える既存のラッパー誘導アルゴリズムの限界を解消すること。
• 欠損属性やスペルミスなどのデータ不整合が存在する中で、ユーザーが提供する例から抽出ルールを学習できる手法を開発すること。
• 構造的規則性がしばしば欠如する現実世界のWebデータにおいて、抽出パフォーマンスを向上させること。
• ファジィ論理とインダクティブ学習を統合し、Webページレイアウトの不確実性とばらつきに対する耐性を高めること。

提案手法

• 本手法は、ユーザーが提供する抽出例から一般化するためのインダクティブ学習技術を用いる。
• ファジィ論理ルールを適用して、属性位置や値の不確実性とばらつきをモデル化する。
• 欠損属性、複数の属性、および属性の順列の変種が存在する中でも、抽出パターンを学習する。
• 潜在的な一致に対して所属度を割り当てることで、誤字や例外に対し動的に適応する。
• ラベル付き例を用いてラッパーを学習し、ファジィ推論を用いて抽出ルールを段階的に改善する。
• ルールベース推論と学習を統合することで、半構造化データにおける正確性と耐性のバランスを図る。

実験結果

リサーチクエスチョン

• RQ1 不規則なフォーマットや欠損データを伴う半構造化Webページから、ラッパー誘導システムが効果的に情報を抽出できるか？
• RQ2 ファジィ論理の統合が、誤字や可変な属性順序の状況下でパフォーマンスをどのように向上させるか？
• RQ3 提案手法が、SoftMealyなどの既存のラッパーに対して正確性と再現率でどの程度優れているか？
• RQ4 完全なスキーマアノテーションが不要な状況でも、ユーザーが提供する例だけですべての抽出システムを堅牢に学習させられるか？

主な発見

• 提案されたファジィラッパーは、半構造化Webページにおいて、SoftMealyよりも顕著に高い正確性と再現率を達成する。
• 本手法は、欠損属性、複数の属性、および属性順列の変種を効果的に処理する。
• 誤字やWebページレイアウトの例外に対しても、耐性を示す。
• ファジィ論理の統合により、限られたユーザー例からの一般化能力が向上する。
• データ構造がページ間で著しく変動しても、高い正確性を維持する。
• 実験結果により、不規則なデータを含む現実世界の抽出タスクにおいて、本手法の優位性が確認された。