[论文解读] 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 7

一句话总结

本文提出了一种基于模糊逻辑的包装器归纳方法，通过用户提供的示例学习从半结构化网页中提取相关信息。通过将归纳学习与模糊逻辑规则相结合，该方法在处理缺失属性、拼写错误和可变属性顺序方面，相比SoftMealy实现了更优的精确率和召回率。

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.

研究动机与目标

• 解决现有包装器归纳算法在处理不规则或半结构化网页数据时的局限性。
• 开发一种方法，能够在存在缺失属性和拼写错误等数据不一致性的情况下，从用户提供的示例中学习提取规则。
• 提升在现实世界网页数据中（其结构规律性通常缺失）的提取性能。
• 将模糊逻辑与归纳学习相结合，以稳健处理网页布局中的不确定性和变异性。

提出的方法

• 该方法使用归纳学习技术，从用户提供的提取示例中进行泛化。
• 应用模糊逻辑规则以建模属性位置和值中的不确定性和变异性。
• 系统即使在存在缺失属性、多个属性及属性排列变化的情况下，也能学习到提取模式。
• 通过为潜在匹配分配隶属度，动态适应异常情况和拼写错误。
• 包装器在标注示例上进行训练，并通过模糊推理逐步优化提取规则。
• 该方法结合基于规则的推理与学习，以在半结构化数据中平衡准确性和鲁棒性。

实验结果

研究问题

• RQ1 包装器归纳系统能否有效从格式不一致且存在缺失数据的半结构化网页中提取信息？
• RQ2 模糊逻辑的集成在存在拼写错误和可变属性顺序的情况下，如何提升性能？
• RQ3 所提出的方法在精确率和召回率方面，相较于SoftMealy等现有包装器，优势程度如何？
• RQ4 仅依靠用户提供的示例是否足以训练出一个无需完整模式注释的鲁棒提取系统？

主要发现

• 所提出的模糊包装器在半结构化网页上的精确率和召回率明显优于SoftMealy。
• 该方法能有效处理缺失属性、多个属性及属性排列的变体。
• 其对网页布局中的拼写错误和异常情况表现出强鲁棒性。
• 模糊逻辑的集成增强了系统从有限用户示例中泛化的能力。
• 即使在不同页面间数据结构差异显著的情况下，该方法仍能保持高准确性。
• 实验结果证实，该方法在涉及不规则数据的真实世界提取任务中具有显著优势。