Extração não supervisionada de dados da web utilizando abordagem independente de formato
Loading...
Date
Authors
Advisor(s)
Co-advisor(s)
Committee members
Graduate program
Journal Title
Journal ISSN
Volume Title
Publisher
Universidade Federal do Amazonas
Type
Access rights
DOI
Resumo (Portuguese)
Nessa dissertação de mestrado propomos um novo método para extração em páginas
Web ricas em dados que utiliza apenas o conteúdo textual destas páginas. Nosso
método, chamado de FIEX (Format Independent Web Data Extraction), é baseado
em técnicas de extração de informação por segmentação de texto, e consegue extrair
dados de páginas Web nas quais métodos do estado-da-arte baseados em técnicas de
alinhamento de dados não conseguem devido à inconsistência entre a estrutura lógica
das páginas Web e a estrutura conceitual dos dados nelas representadas. O FIEX,
diferentemente dos métodos previamente propostos na literatura, é capaz de extrair
dados apenas utilizando o conteúdo textual de uma página Web em cenários desa adores
como casos severos de elementos textuais compostos, nos quais diversos valores de
interesse para extração estão representados por apenas um elemento HTML. Para realizar
a extração dos dados de páginas Web, o FIEX, é baseado em técnicas de eliminação
de ruídos por redundância de informação e um método de extração de informação por
segmentação de texto conhecido na literatura como ONDUX (On-Demand Unsupervised
Learning for Information Extraction). Em nossos experimentos, utilizamos várias
coleções de páginas Web de diferentes domínios de produtos e de lojas de comércio eletr
ônico com objetivo de extrair dados de descrições de produtos. A escolha desse tipo
de página Web, deve-se à grande quantidade de dados destas páginas estarem contidos
em casos severos de elementos textuais compostos. De acordo com os resultados obtidos
em nossos experimentos em diferentes domínios de produtos e lojas de comércio
eletrônico, validamos a hipótese de que a extração baseada em apenas características
textuais é possível e e caz.
Abstract
In this thesis we propose a new method for extraction data in rich Web pages that
uses only the textual content of these pages. Our method, called FIEX (Format
Independent Web Data Extraction), is based on information extraction techniques
for text segmentation, and can extract data from Web pages where methods of state
of the art based on data alignment techniques fail due to inconsistency between the
logical structure of Web pages and the conceptual structure of the data represented
in them. The FIEX, unlike the methods previously proposed in the literature, is able
to extract data using only the textual content of a Web pages in challenging scenarios
such as severe cases of textual elements compounds, in which various values of interest
for extraction are represented by only one HTML element. To perform the extraction
data of the web pages, FIEX is based on techniques of elimination noise by information
redundancy and an information extraction method for text segmentation known
in the literature as ONDUX (On-Demand Unsupervised Learning for Information Extraction).
In our experiments, we used various Web pages collections of di erent areas
of products and e-commerce stores with goal to extract data from product descriptions.
The choose of this type of Web page, due to the large amount of data these pages
are contained in severe cases of textual elements compounds. According to the results
obtained in our experiments in various areas of products and e-commerce stores, we
validate the hypothesis that the extraction based on only textual features is possible
and e ective.
Description
Keywords
Controlled term
Extração de dados; Comércio Eletrônico; Descrições de Produtos; Alinhamento de dados; Data Extraction; E-commerce; Product Description; Data Alignment
Sustainable Development Goals (SDG)
Citation
PORTO, André Luiz Lopes. Extração não supervisionada de dados da web utilizando abordagem independente de formato. 2015. 77 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2015.
Collections
Endorsement
Review
Supplemented By
Referenced By
Rights and licensing
Acesso Aberto
