Extrakce faktů z Webu

Abstract

V předložené práci navrhujeme a testujeme nový postup extrakce faktů z webu. Předložená metoda bere v úvahu, včetně DOM stromu webové stránky, také její vizuální podobu. Základem a první částí je extrakce sémantických částí stránky pomocí algoritmu VIPS. Dalším krokem je ověření a případná úprava získaných dat na základě lokálního kontextu. Finální částí je pomocí získaných a případně upravených faktů klasifikovat analyzované webové stránky do předem definovaných kategorií. Určování tříd probíhá prostřednictvím množiny posuzovatelů implementovaných v konfiguraci definovatelnými instancemi neuronových sítí.

In the present work we suggest and test new process of web information extraction. Proposed method consider DOM tree of the web page including it's visual cues. Basic and the rst part is semantic parts extraction of a page using VIPS algorithm. Next step is validation and eventual modication of gained information based on the local context. Final part is classication of analyzing page into predened classes using got facts. Set of critics implemented by congurable instances of neural networks determine the classes.