グラフ構造解析を用いたハイパーテキストの順位づけ,クラスタリング,特徴語抽出

使用图结构分析进行超文本排序、聚类和特征词提取

基本信息

批准号：
13780244
负责人：
池田大輔
金额：
$ 1.34万
依托单位：
Kyushu University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Young Scientists (B)
财政年份：
2001
资助国家：
日本
起止时间：
2001 至 2002
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-13780244/
关键词：
Webグラフ特徴語抽出特異値解析クラスタリング

项目摘要

本研究の目的は、リンク構造を持つ大量のWebページの順位づけとクラスダリング手法を構築、これを利用した検索エンジンの構築である。今年度の実績は以下のとおりである。1 テキスト部分の抽出Webページはコンテンツ以外にもマークアップのための情報や構造化のための情報を含む。前年度に、このようなファイルからコンテンツ部分のみを抜きだすアルゴリズムを開発実装した。本年度はさらに、これを拡張しWebページだけでなく、構造を持つ任意のテキストに適用可能なように拡張した。この結果は11月にドイツ・リューベックで行われた国際会議で発表した。ここまでの抽出アルゴリズムは、構造化の情報を利用していなかったが、これを利用するようにした場合の抽出精度について調べ、従来のものより高精度あることを示した。この結果は、現在国際ワークショップに投稿中である。2 Webグラフの定義拡張Webグラフとは、Webページとリンク情報の構造を表わすものである。これをキーワードやパタンも表現可能なようにいくつかの定義の拡張を行なった。さらに、前年度に収集していた上述したデータベースの実データを用いた実証実験を行った。この過程において、類似の見栄えを持つ文字列の特徴付けるアルゴリズムを開発し、グラフの作成をより高精度に行えることを確認した。この結果は、現在国際会議に投稿中である。

本研究的目的是开发一种针对大量具有链接结构的网页的排序和聚类方法，并利用该方法构建搜索引擎。今年的结果如下。 1 提取文本部分除了内容之外，网页还包含标记和结构信息。去年，我们开发并实现了一种算法，该算法仅从此类文件中提取内容部分。今年，我们进一步扩展了这一点，使其不仅可以应用于网页，还可以应用于任何有结构的文本。这些结果于 11 月在德国吕贝克举行的国际会议上公布。到目前为止，提取算法并未使用结构化信息，但我们研究了使用结构化信息时的提取精度，结果表明其精度高于传统算法。研究结果目前正在提交给国际研讨会。 2 扩展的Web图定义 Web图表示网页的结构和链接信息。我们扩展了一些定义，以便也可以表达关键字和模式。此外，我们利用前一年收集的上述数据库的实际数据进行了演示实验。在此过程中，我们开发了一种算法来表征具有相似外观的字符串，并确认可以以更高的精度创建图形。目前研究结果正在提交给国际会议。