周辺ページを活用したウェブページコレクションの効率的な構築

概要

論文の詳細を見る
本論文では局所周辺ページを活用してより少ない人手判定コストで高品質のウェブページコレクションを構築するための方式を示し,例として研究者ホームページを対象カテゴリに用いた実験を通して提案方式の有効性を示している.本方式は簡略フィルタリングと精密分類の二つのプロセスからなっている.両プロセスにおいて,エントリページと周辺ページの間の接続タイプと相対URL ディレクトリ階層に基づく関係を表現した論理ページグループ構造概念を導入し,この概念に基づき局所周辺ページの内容を利用している.簡略フィルタリングでは,該当する可能性のあるページをウェブから網羅的かつ効率的に収集するため,属性キーワードリストを用いた手法を提案している.ページグループ構造に基づく4 種類のページグループモデル(PGM)を用いて周辺ページからキーワードをマージしている.実験結果により,周辺ページを用いない単一ページ手法と比較して,周辺ページをそのまま用いると非該当ページが多く含まれてしまうが,本手法によりその増加を許容可能なレベルに抑えられること,及び単一ページ手法では収集できなかった多くの該当ページを収集できることが示された.精密分類では,精度保証と再現率保証の二つの基本分類器を用いて3段階分類器を構成する手法を提案する.入力は該当,非該当,及び要判定の3 つに分類され,要判定とされたページはアプリケーションにより要求されるコレクション品質を確保するため人手判定を行うことになる.各基本分類器はさらに周辺ページ分類器(SC)とエントリページ分類器(EC)から構成される.SC では部品ページらしい周辺ページを選択し,EC でエントリページと周辺ページの情報を用いてエントリページを分類する.実験結果より,SC の導入による基本分類器の大幅な性能向上が確認された.また,要判定ページ数の減少度の評価により,提案手法の有効性が確認された.
国立情報学研究所の論文

周辺ページを活用したウェブページコレクションの効率的な構築

スポンサーリンク

概要

著者

関連論文

スポンサーリンク