機械学習手法による半構造データマイニングと情報抽出

使用机器学习技术进行半结构化数据挖掘和信息提取

• 批准号: 16016275
• 负责人: 宮原 哲浩
• 金额: $ 3.52万
• 依托单位: Hiroshima City University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research on Priority Areas
• 财政年份: 2004
• 资助国家: 日本
• 起止时间: 2004 至 2005
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-16016275/
• 关键词: 機械学習; 半構造データマイニング; 情報抽出; 木構造パターン; タグ木パターン; 機械学習; 半構造データマイニング; 情報抽出; 木構造パターン; タグ木パターン

本研究課題では,機械学習手法による半構造データマイニングと情報抽出について研究を行い,本年度は次の成果を得た.Web空間の爆発的な発展に伴い,インターネット上の大規模分散コンテンツを流通・提供・活用するための手法やシステムの研究開発が求められている.機械学習技術を適用することは,人に優しい情報通信技術やフレンドリーな情報処理システムの開発に有効である.本研究課題では,HTML/XMLファイルなどのWeb文書が半構造性を持つことに注目し,機械学習技術を活用して,半構造データからのデータマイニング技術を発展させ,Webデータから有用なコンテンツを発見する手法,すなわち情報抽出技術を確立することを目的とする.均質でない半構造文書からの情報抽出に応用するため,半構造文書に共通する構造的特徴を表現する木構造パターンである,高さ制約変数付きの極大頻出タグ木パターンを発見するアルゴリズムを与えた.電気図面などTTSPグラフでモデル化できる半構造データに共通する構造パターンを表現するTTSP項グラフを多項式時間で帰納推論する学習アルゴリズムを与えた.半構造データを効率よく比較・照合するための様々な手法を統一的に記述できる一般的なフレームワークを与え,従来知られていなかった編集距離に基づく木の近似照合クラス間の関係を明らかにした.複数の半構造データを統合するため,近似照合から2つの木を結合する効率的なアルゴリズムを提案した.半構造データのフィルタリングやクラスタリングを行うために,半構造データからの局所位相情報に基づく距離を考案し,これを高速に計算する手法を開発した.

在本研究主题中，我们使用机器学习方法对半结构化数据挖掘和信息提取进行了研究，并在今年取得了以下结果。随着网络空间的爆炸性开发，需要在Internet上进行分发，提供和利用大规模分布式内容的方法和系统的研究和开发。机器学习技术的应用有效地开发了对人类友好的信息通信技术和友好的信息处理系统。在本研究主题中，我们专注于Web文档（例如HTML/XML文件）的半结构性质，并旨在从半结构数据中开发数据挖掘技术，并建立一种从Web数据（即信息提取技术）中发现有用内容的方法。为了将信息提取从非同质性半结构化文档中提取，我们具有半结构化文档共有的结构。我们给出了一种算法，以发现具有高度约束变量的最常见经常标记的树模式，它们是表达特征的树结构模式。我们给出了一种学习算法，以诱导推断TTSP项图，该图表示在多项式时间内与半结构数据（例如电图）共有的结构模式。我们给出了一个通用框架，可以描述各种方法，以有效地比较和匹配半结构化数据，我们已经根据以前未知的编辑距离揭示了树木之间近似匹配类之间的关系。为了集成多个半结构化数据，我们提出了一种有效的算法，以结合近似匹配的两棵树。为了过滤和聚集半结构化数据，我们根据来自半结构数据的本地相信息设计了一个距离，并开发了一种以高速计算的方法。