HTML形式の表構造に対する一索引化手法

概要

論文の詳細を見る
WWW空間上のHTML文書には, 形式的な情報を容易に伝達するために, 数多くの表が含まれており, 行列方向の単語間の関係や単語の意味情報など, 非常に有益な情報を含んでいる.本研究では, これら表構造から固有名詞が有する意味的多義性に関する情報を抽出することを目的としており, その第一段階として, 本稿ではHTML形式の表構造内の関係を保持したまま各項目を効率的に索引化する手法を提案する.本手法は, 複雑な表にも適用できるセグメンテーション法により, 表内での各項目の位置情報をコンパクトなビット列で表現する.また, 本手法で表現した位置情報は, 奇数ビットが行方向, 偶数ビットが列方向の関係を表すため, 行列方向の位置関係を高速に照合できる.WWW空間上から収集した200個の表構造(4,836個の項目数)に対して, 表内の座標を索引化する手法と比較実験を行った結果, 本手法による索引が87%コンパクトであり, また, 各項目間の照合速度に関しては, 本手法が約54倍高速であり, 表構造が複雑になる程, 本手法の方が有効であった.
一般社団法人情報処理学会の論文
2001-07-17