WebFormer: The Web-page Transformer for Structure Information Extraction
Facebook AI;Santa Clara University(圣克拉拉大学);Google Research(谷歌研究院);University of Science and Technology of China(中国科学技术大学);Sun Yat-sen University(中山大学);Rochester Institute of Technology(罗切斯特理工学院)
结构信息抽取是指从网页中抽取结构化文本字段的任务,例如从购物页面中抽取产品报价,包括产品标题、描述、品牌和价格。它是文档理解和Web搜索领域的一个重要研究课题。最近的自然语言模型与序列建模已经证明了国家的最先进的性能在Web信息抽取。然而,有效地序列化令牌从非结构化的网页是具有挑战性的,在实践中,由于各种各样的网页布局模式。有限的工作集中在为提取文本字段而对Web布局建模上。在本文中,我们介绍了WebFormer,一个网页Transformer模型的结构信息抽取从Web文档。首先,我们为HTML中的每个DOM节点设计HTML标记,通过图形注意力嵌入其相邻标记的表示。其次,我们在HTML标记和文本标记之间构建了丰富的注意力模式,从而利用Web布局进行有效的注意力权重计算。我们进行了广泛的实验SWDE和常见的爬行基准。实验结果表明,所提出的方法优于几个国家的最先进的方法的性能。
2022-02-01 cs.CL
Towards Zero-shot Relation Extraction in Web Mining: A Multimodal Approach with Relative XML Path
University of California, San Diego(加州大学圣地亚哥分校)
本文提出ReXMiner方法,通过编码DOM树最短相对路径和文本节点流行度并结合对比学习,解决Web挖掘中的零样本关系抽取问题,在公开基准上优于现有基线。
2023-05-23 cs.CL
SCRIBES: Web-Scale Script-Based Semi-Structured Data Extraction with Reinforcement Learning
Stanford University(斯坦福大学);Meta Reality Labs(Meta现实实验室);FAIR at Meta(Meta的FAIR);University of Washington(华盛顿大学)
SCRIBES是一种新型强化学习框架,利用同一网站内网页布局相似性生成可复用提取脚本,在脚本质量和下游问答准确率上均优于基线,实现高效网页级半结构化数据提取。
2026-08-19 cs.CL
Entity Extraction with Knowledge from Web Scale Corpora
The University of Western Australia(西澳大利亚大学);The University of Melbourne(墨尔本大学)
实体抽取是文本挖掘和自然语言处理中的一项重要任务。一种流行的实体提取方法是将来自自由文本的子串与实体字典进行比较。在本文中,我们提出了几种技术作为后处理步骤,以提高现有的实体提取技术的有效性。这些技术利用网络规模语料库训练的模型,这使得我们的技术强大而通用。实验结果表明,我们的技术带来了显着的效率和效果的提高。
2019-11-21 cs.CL cs.DB cs.LG
CoVA: Context-aware Visual Attention for Webpage Information Extraction
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
网页信息抽取是建立知识库的重要步骤。为此,经典的WIE方法利用网站的文档对象模型(DOM)树。然而,DOM树的使用带来了巨大的挑战,因为上下文和外观是以抽象的方式编码的。为了解决这一挑战,我们建议重新制定WIE作为一个上下文感知的网页目标检测任务。具体来说,我们开发了一个上下文感知的基于视觉注意力(CoVA)的检测管道,它结合了外观特征和DOM树的语法结构。为了研究这种方法,我们收集了一个新的大规模电子商务网站数据集,我们用四个标签手动注释每个Web元素:产品价格,产品标题,产品图像和背景。在这个数据集上,我们证明了所提出的CoVA方法是一个新的具有挑战性的基线,它改进了现有的最先进的方法。
2021-10-24 cs.AI cs.CL cs.CV
A Web Scale Entity Extraction System
Facebook Inc(Facebook公司)
通过实体和概念的视角来理解网络上内容的语义含义具有许多实际优势。然而,在构建大规模实体提取系统时,从业者面临着独特的挑战,包括找到利用互联网平台上可用数据的规模和种类的最佳方法。我们目前的学习,从我们的努力,在大规模使用多模态Transformers建立一个多文档类型的实体提取系统。我们实证证明了多语言,多任务和跨文档类型学习的有效性。我们还讨论了标签收集方案,有助于尽量减少收集的数据中的噪声量。
2021-08-27 cs.AI cs.CL
FreeDOM: A Transferable Neural Architecture for Structured Information Extraction on Web Documents
University of Southern California(南加利福尼亚大学);Google(谷歌)
从HTML文档中提取结构化数据是一个长期研究的问题,具有广泛的应用,如增强知识库,支持分面搜索,并为购物和电影等关键垂直领域提供特定领域的体验。以前的方法要么需要每个目标网站的少量示例,要么依赖于在网站视觉渲染上构建的精心手工的启发式方法。在本文中,我们提出了一种新的两阶段神经方法,称为自由DOM,它克服了这些限制。第一阶段通过结合文本和标记信息来学习页面中每个DOM节点的表示。第二阶段使用关系神经网络捕获较长范围的距离和语义相关性。通过结合这些阶段,Freedom能够在该垂直领域的少量种子站点上进行训练后推广到看不见的站点,而无需在页面的视觉渲染上使用昂贵的手工制作功能。通过在8个不同垂直领域的公共数据集上进行实验,我们发现FreeDOM平均比之前的技术水平高出近3.7个F1点,而不需要渲染页面上的功能或昂贵的手工制作功能。
2020-10-21 cs.CL cs.IR
WebIE: Faithful and Robust Information Extraction on the Web
City, University of London(伦敦大学城市学院);Amazon Alexa AI(亚马逊Alexa人工智能);Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
该研究提出首个大规模实体链接的Web领域封闭式信息抽取数据集WebIE及多语言版本mWebIE,验证其能提升生成式IE模型泛化性,还提出三种以实体链接为辅助任务的训练策略以增强模型忠实度。
2023-06-15 cs.CL
LiveWeb-IE: A Benchmark For Online Web Information Extraction
本文提出LiveWeb-IE基准测试,用于评估在线网页信息提取系统,通过活体网站和多阶段代理框架VGS,提升信息提取的准确性和鲁棒性。
2026-03-14 cs.CL
Populating Web Scale Knowledge Graphs using Distantly Supervised Relation Extraction and Validation
IBM Research AI(IBM研究院AI)
在本文中,我们提出了一个完全自动化的系统来扩展知识图谱使用外部信息从网络规模的语料库。所设计的系统利用基于深度学习的技术进行关系抽取,该技术可以通过远程监督方法进行训练。除此之外,该系统使用深度学习方法,通过利用诱导KG的全局结构信息来完成知识库,以进一步改进新发现的关系的置信度。设计的系统不需要任何努力来适应新的语言和领域,因为它不使用任何手工标记的数据,NLP分析和推理规则。我们的实验,在一个流行的学术基准表明,建议的系统大幅提高关系抽取的性能,报告错误减少了50%,导致相对改善高达100%。此外,一个网络规模的实验进行扩展DBPedia与知识从公共爬行表明,我们的系统不仅是可扩展的,而且不需要任何适应成本,同时产生大量的准确性增益。
2019-09-11 cs.CL
Cross-Domain Web Information Extraction at Pinterest
Pinterest
本文介绍 Pinterest 的跨域网页信息抽取系统,通过结合结构、视觉和文本的紧凑网页表示,使 XGBoost 等简单模型在属性抽取上超越大型语言模型,实现高准确率、每秒处理千余 URL 且成本降低千倍。
2025-08-01 cs.AI cs.CL cs.IR
Extraction of Evolution Descriptions from the Web
L3S Research Center(L3S研究中心)
命名实体的演变影响着数字图书馆的探索和检索任务。一个知道名称变化的信息检索系统可以主动地支持用户查找进化实体的先前出现。然而,目前的结构化知识库,如DBpedia或Freebase,并没有提供足够的信息,即使数据是在他们的资源,如维基百科。我们的\emph{Evolution Base}原型将演示如何在这些网站上以有希望的精度识别描述名称演变的摘录。这些描述是通过我们根据维基百科上最近对命名实体演变的分析训练的模型进行分类的。
2017-02-03 cs.CL cs.DL
AXE: Low-Cost Cross-Domain Web Structured Information Extraction
Faculty of Computers & Artificial Intelligence - Cairo University(开罗大学计算机与人工智能学院);Ejada Systems;Fawry Integrated Systems;Microsoft(微软)
AXE通过将HTML DOM视为需修剪的树结构,利用专用修剪机制提取高密度上下文,使小型模型生成精确结构化输出,并通过GXR确保提取可追溯性,实现跨领域信息提取的高性能与低成本。
2026-03-30 cs.CL
AIFB-WebScience at SemEval-2022 Task 12: Relation Extraction First -- Using Relation Extraction to Identify Entities
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);FZI Research Center for Information Technology(FZI信息技术研究中心)
本文提出了一种基于转换器的语言模型的端到端联合实体和关系抽取方法。我们将该模型应用于将数学符号与LaTeX文档中的描述联系起来的任务。与现有的方法,执行实体和关系抽取的顺序,我们的系统将信息从关系抽取到实体提取。这意味着系统甚至可以在仅标注了所有有效实体跨度的子集的数据集上进行训练。我们提供了一个广泛的评价拟议的系统及其优点和缺点。我们的方法可以在推理时动态缩放计算复杂性,产生高精度的预测,并在SemEval-2022任务12的排行榜中排名第三。对于物理和数学领域的输入,它分别达到了95.43%和79.17%的高关系抽取宏F1分数。用于训练和评估我们模型的代码可在https://github.com/nicpopovic/RE1st上获得
2022-05-04 cs.AI cs.CL cs.LG
Knowledge Extraction on Semi-Structured Content: Does It Remain Relevant for Question Answering in the Era of LLMs?
Meta Reality Labs(Meta现实实验室);FAIR, Meta(FAIR,Meta)
本文扩展带知识抽取标注的QA基准并评估多类LLM,证明Web规模三元组抽取仍具挑战,且三元组增强与多任务学习可提升不同规模模型的问答效果。
2025-09-29 cs.CL
Hypertext Entity Extraction in Webpage
Shanghai Jiao Tong University(上海交通大学);Microsoft STCA(微软STCA)
针对网页实体抽取忽视字体颜色、字号等超文本特征的问题,本文构建电商领域 HEED 数据集,并提出基于 Mixture of Experts 的 MoEEF 框架,融合多类特征且性能超过强基线。
2024-03-04 cs.AI cs.CL
QAnswer: Towards Question Answering Search over Websites
The QA Company SAS(QA公司);Laboratoire Hubert Curien, UMR CNRS 5516(于贝尔·居里安实验室,法国国家科研中心联合研究单位5516);Université Jean Monnet(让·莫内大学)
本文展示了QAnswer系统,通过结合知识图谱问答与自由文本问答技术,在维基百科和维基数据上实现网站级问答搜索,并分析了两种方法的优缺点。
2024-01-17 cs.CL
Comprehend Medical: a Named Entity Recognition and Relationship Extraction Web Service
Amazon(亚马逊)
Comprehend Medical是一项无状态且符合健康保险流通与责任法案(HIPAA)资格的命名实体识别(NER)和关系提取(RE)服务,在Amazon Web Services(AWS)下推出,使用最先进的深度学习模型进行训练。与许多现有的开源工具相反,Comprehend Medical是可扩展的,不需要陡峭的学习曲线,依赖关系,管道配置或安装。目前,Comprehend Medical在五个医疗类别中执行NER:解剖学,医疗条件,药物,受保护的健康信息(PHI)和治疗,测试和程序(TTP)。此外,该服务还为检测到的实体提供关系提取以及上下文信息,例如以特征形式的否定和暂时性。Comprehend Medical提供两个应用程序编程接口(API):1)NERe API,返回所有提取的命名实体、其特征及其之间的关系; 2)PHId API,仅返回文本中包含的受保护健康信息。此外,Comprehend Medical可通过AWS控制台、Java和Python软件开发工具包(SDK)访问,使非开发人员和开发人员更容易使用。
2019-10-15 cs.CL
Unsupervised Methods for Determining Object and Relation Synonyms on the Web
Temple University(天普大学);University of Washington(华盛顿大学)
识别同义关系和对象的任务,或同义词解析,是高质量的信息抽取的关键。本文研究了无监督信息抽取中的同义词解析问题,其中既没有手工标记的训练样本,也没有领域知识。本文提出了一个可扩展的,完全实现的系统,运行在O(KNlogN)的时间在提取的数量,N,和每个单词的同义词的最大数量,K。该系统名为Resolver,引入了一个概率关系模型,用于根据包含它们的断言的相似性来预测两个字符串是否相互引用。在一组从Web上提取的200万个断言中,Resolver以78%的精度和68%的召回率解析对象,并以90%的精度和35%的召回率解析关系。研究了旋转变压器概率模型的几种变化形式,实验表明,在适当的条件下,这些变化形式可以使F1提高5%。对基本的Resolver系统的扩展允许它在TREC语料库的数据集上以97%的准确率和95%的召回率处理多义名称。
2014-01-15 cs.CL
Wikidata as a seed for Web Extraction
The QA Company SAS(QA公司);Université Jean Monnet(让·莫内大学)
本文提出以Wikidata为种子、基于问答技术和语言模型的Web事实抽取框架,无需额外学习信号即可从网页提取新事实,F1达84.07,可辅助Wikidata编辑完善知识图谱。
2024-01-15 cs.CL
WYSIWYE: An Algebra for Expressing Spatial and Textual Rules for Visual Information Extraction
IBM Research(IBM研究院);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);IBM Germany Research & Development(IBM德国研发中心)
网页的视觉布局可以为某些类型的信息抽取(IE)任务提供有价值的线索。在传统的基于规则的IE框架中,这些布局提示被映射到对网页的HTML源进行操作的规则。相比之下,我们已经开发了一个框架,其中的规则可以直接指定在布局级别。这有很多优点,因为更高的抽象级别导致更简单的提取规则,这些规则在很大程度上独立于页面的源代码,因此更健壮。它还可以实现以其他方式不可能的新类型规则的规范。据我们所知,没有一个通用的框架,允许声明性规范的信息抽取规则的基础上的空间布局。我们的框架是传统的基于文本的规则框架的补充,并允许基于空间布局的规则与传统的基于文本的规则的无缝结合。我们描述的代数,使这样一个系统和它的有效实施使用标准的关系和文本索引功能的关系数据库。我们证明了这个系统的简单性和效率的任务,涉及软件产品页面的软件系统要求的提取。
2016-09-27 cs.CL cs.DB cs.IR
Parser Extraction of Triples in Unstructured Text
Wipro Limited(威普罗有限公司)
网络包含大量非结构化文本的存储库。我们调查的机会,建立一个知识图谱从这些文本源。我们生成了一组三元组,可用于知识收集和集成。我们定义了一个语言编译器的架构,使用OpenNLP解析器处理主谓宾三元组。我们实现了一个深度优先的搜索遍历的POS标记的语法树附加谓词和对象的信息。解析器能够更高精度和更高召回率地提取跨连接边界的句法关系。我们能够提取ReVerb正确提取的2-2.5倍。这些抽取被用于各种语义Web应用和问答中。我们验证了在CtrudeWeb数据集上提取50,000个三元组。
2018-11-06 cs.AI cs.CL cs.LG
From Conceptual EneMonIE to an Executable Backend: A Modular Architecture for Energy Information Extractionand Grounded Question Answering
该研究将概念性EneMonIE重新设计为模块化可执行后端,分离五类关注点,实现多源数据处理与三条问答路径,经验证为多语言能源语料库评估提供可复现架构基础。
2026-10-14 cs.AI cs.CL cs.IR
RTE: A Tool for Annotating Relation Triplets from Text
IIT Kharagpur(印度理工学院卡哈拉格普尔分校);Siemens Healthineers(西门子医疗)
在这项工作中,我们提出了一个基于Web的注释工具"关系三元组提取器" \footnote{https://abera87.github.io/annotate/}(RTE)的关系三元组的文本注释。关系抽取是从Web上的非结构化文本中抽取关于真实世界实体的结构化信息的一项重要任务。在关系抽取中,我们关注的是二元关系,即两个实体之间的关系。近年来,许多监督模型被提出来解决这个问题,但它们大多使用噪声训练数据使用远程监督方法获得。在许多情况下,模型的评估也是基于噪声测试数据集进行的。缺乏带注释的干净数据集是这一研究领域的一个关键挑战。在这项工作中,我们建立了一个基于Web的工具,研究人员可以注释数据集的关系抽取自己非常容易。我们为这个工具使用了无服务器架构,整个注释操作都是使用客户端代码处理的。因此,它不会受到任何网络延迟的影响,并且用户数据的隐私也得到了维护。我们希望这个工具能对关系抽取领域的研究者有所帮助。
2021-08-18 cs.CL
Monitoring Energy Trends through Automatic Information Extraction
T\"UB\.ITAK Energy Institute Ankara -- Turkey
能源研究是至关重要的公共重要性,但使用计算机科学技术,如自动文本处理和数据管理的能源领域仍然是罕见的。将这些技术应用于能源领域将是对"能源信息学”这一跨学科课题的重大贡献,就像"生物信息学”这一跨学科领域内的相关进展一样。在本文中,我们提出了一个基于Web的语义系统,称为EneMonIE(能源监测通过信息抽取)的架构,通过使用自动,连续和引导的信息抽取,从不同类型的媒体在Web上的监测最新的能源趋势。该系统处理的媒体类型将包括在线新闻文章、社交媒体文本、在线新闻视频、开放获取的学术论文和技术报告,以及能源组织公开提供的各种数字能源数据。该系统将利用并有助于能量相关本体,并且其最终形式将包括用于以下的组件:(i)文本分类,(ii)命名实体识别,(iii)时间表达提取,(iv)事件提取,(v)社交网络构建,(vi)情感分析,(vii)信息融合和摘要,(viii)媒体互连,和(ix)基于网络的信息检索和可视化。凭借其多样化的数据源,自动文本处理功能和向公众开放的演示设施,EneMonIE将成为决策者(包括能源生产,传输和分配系统运营商,能源研究中心,相关投资者和企业家以及学者,学生,其他对能源事件和技术的步伐感兴趣的个人)的重要信息来源。
2022-01-05 cs.AI cs.CL
A Web-Based Tool for Analysing Normative Documents in English
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学)
我们的目标是使用正式的方法来分析用英语编写的规范性文件,例如隐私政策和服务级别协议。这需要结合许多不同的元素,包括从自然语言中提取信息抽取、用于模型表示的形式语言以及用于属性规范和验证的接口。我们已经完成了这项任务的一系列组件:一个自然语言提取工具,一个合适的形式主义,用于表示这些文件,在这种形式主义的接口,用于建立模型,并回答查询的方法要求一个给定的模型。在这项工作中,这些关切都集中在一个网络工具中,为分析英文规范性案文提供了一个单一的界面。通过使用一个运行的例子,我们描述了每个组件,并展示了我们的工具建立的工作流程。
2017-07-13 cs.CL cs.CY
Multilingual Attribute Extraction from News Web Pages
ISP RAS(俄罗斯科学院信息学与自动化研究所);MSU(莫斯科国立大学)
本文构建了一个六语言新闻网页属性提取数据集,通过微调MarkupLM和DOM-LM两种预训练模型,实现了优于现有开源工具的多语言新闻属性自动提取效果。
2025-02-04 cs.CL cs.IR
Personalized Web Services for Web Information Extraction
从Web上提取信息抽取的领域是随着Web的发展和在线数据源的增加而出现的。本文是对信息抽取方法的分析。提出了一种面向服务的Web信息抽取方法,该方法综合考虑了Web数据管理和抽取服务。然后,我们提出了一个基于SOA的架构,以提高灵活性和动态修改的Web提取服务。提出的架构的实现提出了Java企业版(JEE)服务器的中间件级别。
2011-08-27 cs.IR
Open Domain Web Keyphrase Extraction Beyond Language Modeling
Microsoft AI and Research(微软人工智能与研究院)
本文研究了现实世界中文档来自不同领域并且具有不同内容质量的关键词提取。我们策划并发布了OpenKP,这是一个大规模的开放领域关键词提取数据集,包含近十万个Web文档和专家关键词注释。为了处理域和内容质量的变化,我们开发了BLING-KPE,这是一种神经关键短语提取模型,它使用文档的视觉呈现和搜索查询的弱监督,超越了语言理解。OpenKP上的实验结果证实了BLING-KPE的有效性及其神经结构,视觉特征和搜索日志弱监督的贡献。对DUC-2001的Zero-shot评价表明,与特定领域相比,从开放领域数据学习的泛化能力得到了提高。
2019-11-06 cs.CL cs.IR
Toward Network-based Keyword Extraction from Multitopic Web Documents
University of Rijeka(里耶卡大学)
本文分析了在关键词自动抽取任务中,从复杂网络中计算出的选择性测度。从不同的网络资源(门户网站,论坛)收集的文本,表示为有向和加权的词的共现复杂网络。词是节点,如果它们在句子中直接共现,则在两个节点之间建立链接。我们测试不同的中心性措施排名节点-关键字候选人。使用选择性措施取得了可喜的成果。然后,我们提出了一种方法,使提取词对的值的输入/输出的选择性和权重措施结合过滤。
2014-07-14 cs.CL cs.IR
Keyword Extraction for Identifying Social Actors
Universitas Sumatera Utara(北苏门答腊大学);Universiti Kebangsaan Malaysia(马来西亚国民大学)
识别社会行动者已成为人工智能的任务之一,其中提取关键字从网页片段依赖于使用的Web是稳步获得地面在这项研究中。因此,我们开发了一种基于重叠原则的方法,利用收集的功能在网页摘要,使用关键字将消除不相关的网页。
2012-12-13 cs.CL cs.IR
Creative Procedural-Knowledge Extraction From Web Design Tutorials
Cornell Tech, Cornell University(康奈尔大学康奈尔科技校区);ByteDance AI Lab(字节跳动人工智能实验室);Adobe Research(奥多比研究院)
复杂的设计任务通常需要以特定的顺序执行各种操作。为了(半)自主地完成这些任务,应用程序需要理解和学习广泛的设计过程,即,创造性程序知识(CPK)。先前的知识库构建和挖掘通常不涉及创意领域,如设计和艺术。在本文中,我们形式化的本体CPK使用五个组件:目标,工作流,动作,命令和用法,并提取组件的值从在线设计教程。我们抓取了19.6K教程相关的网页,并构建了一个Web应用程序,供专业设计人员识别和总结CPK组件。注释数据集包括819个独特的命令,47,491个动作和2,022个工作流和目标。基于这个数据集,我们提出了一个通用的CPK提取管道,并证明了现有的文本分类和序列到序列模型在识别,预测和总结异构风格描述的复杂操作方面是有限的。通过定量和定性的误差分析,我们讨论了CPK提取的挑战,需要解决未来的研究。
2019-04-18 cs.CL cs.IR
Web Data Extraction, Applications and Techniques: A Survey
Web数据抽取是一个重要的问题,已经通过不同的科学工具和广泛的应用进行了研究。许多从Web中提取数据的方法都是为了解决特定的问题和在特定的域中操作而设计的。相反,其他方法大量重用在信息抽取领域中开发的技术和算法。本调查旨在提供一个结构化的和全面的概述在Web数据提取领域的文献。我们提供了一个简单的分类框架,其中现有的Web数据提取应用程序分为两个主要类别,即企业级应用程序和社交网络级应用程序。在企业级,Web数据提取技术作为一种关键工具出现,以执行商业和竞争情报系统中的数据分析,以及业务流程再造。在社交网络层面,Web数据提取技术允许收集Web 2.0、社交媒体和在线社交网络用户不断生成和传播的大量结构化数据,这为大规模分析人类行为提供了前所未有的机会。我们还讨论了交叉受精的潜力,即,重新使用Web数据提取技术的可能性,这些技术最初设计用于在给定的域中工作,在其他域中。
2014-06-10 cs.IR
A Model for Personalized Keyword Extraction from Web Pages using Segmentation
万维网满足了不同群体中数十亿用户的需求。访问万维网的每一个用户都可能有他/她自己的具体兴趣,并期望万维网对具体要求作出反应。使网络以定制的方式反应的过程是通过个性化来实现的。本文提出了一种新的网页关键词抽取模型,该模型将个性化与网页关键词抽取相结合,通过网页分割来解决网页关键词抽取问题,使问题变得简单有效。该模型被实现为一个原型,并进行了实验,它的经验验证了模型的效率。
2012-04-02 cs.IR
Extraction of Web Usage Profiles using Simulated Annealing Based Biclustering Approach
在本文中,模拟退火(SA)为基础的双聚类方法,提出了使用SA作为优化工具的Web使用数据的双聚类,以确定最佳的用户简档从给定的Web使用数据。提取的双聚类由相关的用户组成,这些用户的使用行为在网站的网页的子集上是相似的,因为这些用户对于网站的其余页面是不相关的。这些结果在Web个性化中非常有用,以便更好地与用户进行沟通,并进行定制预测。也适用于提供定制的Web服务。实验是在真实的网络使用数据集CTI数据集上进行的。实验结果表明,提出的基于SA的双聚类方法可以提取高度相关的用户组从预处理的Web使用数据。
2014-12-01 cs.IR
Web Content Extraction - a Meta-Analysis of its Past and Thoughts on its Future
在本文中,我们提出了一个元分析的几个Web内容提取算法,并提出建议,为未来的内容提取在Web上。首先,我们发现,几乎所有的Web内容提取器不考虑一个非常大的,不断增长的,现代网页的一部分。第二,这是很好的理解,包装感应提取器往往打破Web的变化,启发式/功能工程提取器被认为是免疫网站的演变,但我们发现,这是不是这样:启发式内容提取器的性能也往往会随着时间的推移,由于网站形式和做法的演变而降低。最后,我们对未来的工作,解决这些和其他调查结果的建议。
2015-08-18 cs.DB cs.IR
Web Table Extraction, Retrieval and Augmentation: A Survey
表格是组织和操作数据的强大而流行的工具。在网上可以找到大量的表格,这是一个宝贵的知识资源。本次调查的目的是综合和提出二十年的研究网络表。特别是,我们将现有的文献组织成六个主要类别的信息访问任务:表提取,表解释,表搜索,问答,知识库扩充,表扩充。对于这些任务中的每一个,我们确定和描述开创性的方法,目前相关的资源,并指出不同的任务之间的相互依赖性。
2020-02-05 cs.IR
A Fuzzy Approach for Pertinent Information Extraction from Web Resources
用于信息抽取的机器学习的最近工作集中在两个不同的子问题上:从自然语言文本填充模板槽的常规问题,以及包装器归纳的问题,学习用于高度结构化的文本(诸如网页)的简单提取过程(“包装器”)。对于合适的规则域,现有的包装器归纳算法可以有效地学习包装器,是简单的和高度准确的,但这些算法的规则性偏差,使他们不适合大多数传统的信息抽取任务。本文介绍了一种新的方法来包装半结构化的网页。该包装器能够根据用户提供的示例学习如何从Web资源中提取相关信息。它是基于归纳学习技术以及模糊逻辑规则。实验结果表明,我们的方法实现了显着更好的精度和召回系数的性能指标比SoftMealy,这是最近报道的包装器能够包装半结构化的网页缺失的属性,多个属性,变异属性排列,异常和错别字。
2012-06-05 cs.IR
Web Page Content Extraction Based on Multi-feature Fusion
随着互联网技术的飞速发展,人们获取的网页资源越来越多。同时,当前深度学习技术的快速发展,往往离不开海量的Web数据资源。另一方面,NLP也是数据处理技术的重要组成部分,如网页数据抽取。目前网页文本的抽取技术主要采用单一的启发式函数或策略,且大多需要人工确定阈值。随着Web资源数量和类型的快速增长,使用单一的策略提取不同页面的文本信息仍然存在问题。提出了一种基于多特征融合的网页文本提取算法。根据Web资源的文本信息特点,以DOM节点为抽取单元设计多个统计特征,并根据启发式策略设计高阶特征。该方法建立一个小型神经网络,以DOM节点的多个特征作为输入,预测节点是否包含文本信息,充分利用不同的统计信息和抽取策略,适应更多类型的页面。实验结果表明,该方法具有较好的网页文本提取能力,避免了人工确定阈值的问题。
2022-10-26 cs.AI cs.IR
Extraction of Relevant Images for Boilerplate Removal in Web Browsers
样板是指网页中不需要的和重复的部分(如广告或目录),这些部分会分散用户阅读网页核心内容(如新闻文章)的注意力。从网页中准确检测和移除样板内容可以使用户能够无杂乱地查看网页或新闻文章。这在Web浏览器的阅读器模式等功能中很有用。目前在Firefox、Chrome和Edge等Web浏览器中实现的阅读器模式对于网页中的文本内容表现相当不错。然而,它们大多是启发式的,并且当网页内容是动态的时不灵活。此外,它们在删除网页中图像和多媒体形式的样板内容时往往表现不佳。为了检测样板图像,需要了解网页中图像的实际布局,这仅在网页被渲染时才可能。在本文中,我们讨论了相关图像提取中的一些问题。我们还提出了一个测试框架的设计,以衡量准确性和分类器提取相关的图像,利用无头浏览器的解决方案,提供图像的渲染信息。
2020-01-14 cs.IR
Automatic Detection of Webpages that Share the Same Web Template
模板提取是分离给定网页的模板的过程。它广泛应用于多个学科,包括网页开发,内容提取,块检测和网页索引。模板提取的主要目标之一是识别一组具有相同模板的网页,而不必在识别模板之前加载和分析太多网页。这项工作介绍了一种新的技术,自动发现一个网站,实现模板的网页减少。这个集合是用超链接分析计算的,该分析计算具有高置信度的非常小的集合。
2014-09-09 cs.IR
A Benchmark Suite for Template Detection and Content Extraction
模板检测和内容提取是Web信息检索的两个主要领域。它们对网页的结构和内容进行不同的分析,以提取文档的某些部分。然而,他们的目标是不同的。模板检测识别网页的模板(通常与同一网站的其他网页进行比较),内容提取识别网页的主要内容,丢弃其他部分。因此,它们在某种程度上是互补的,因为主要内容不是模板的一部分。据测量,模板代表了Web上40%到50%的数据。因此,识别模板对于索引任务至关重要,因为模板通常包含不相关的信息,如广告,菜单和横幅。处理和存储这些信息很可能导致资源(存储空间、带宽等)的浪费。类似地,识别主要内容对于许多信息检索任务是必不可少的。在本文中,我们提出了一个基准测试套件来测试不同的模板检测和内容提取方法。该套件是公开的,它包含真正的异构网页,这些网页已经被标记,以便不同的技术可以适合(和自动)进行比较。
2022-07-17 cs.IR
Web Template Extraction Based on Hyperlink Analysis
Web模板是网站工程师的主要开发资源之一。模板允许他们通过将内容插入已经格式化和准备好的页面来提高生产力。对于最终用户来说,模板也很有用,因为它们为所有网页提供了一致性和共同的外观。然而,从爬虫和索引器的角度来看,模板是一个重要的问题,因为模板通常包含不相关的信息,如广告,菜单和横幅。处理和存储这些信息很可能导致资源(存储空间、带宽等)的浪费。据测量,模板代表了Web上40%到50%的数据。因此,识别模板对于索引任务至关重要。在这项工作中,我们提出了一种新的方法,自动模板提取的基础上,使用菜单信息检测到的网页集合的DOM树之间的相似性分析。我们的实施和实验证明了该技术的实用性。
2015-01-09 cs.IR
Web Services Discovery and Recommendation Based on Information Extraction and Symbolic Reputation
本文指出了Web服务表示的关键问题,分析了影响Web服务表示的各种因素,提出了一种基于WSDL文件信息的传统文本描述的Web服务表示方法。不幸的是,文本Web服务描述是脏的,需要进行大量的清理以仅保留有用的信息。为了解决这个问题,我们引入了基于规则的文本标记方法,它允许过滤Web服务描述,只保留重要信息。然后引入基于这种过滤数据的新表示。许多Web服务都有空的描述。此外,我们考虑基于WSDL文件结构(类型、属性等)的Web服务表示。或者,我们引入了一个新的表示称为符号信誉,这是从Web服务之间的关系计算。使用这些表示的Web服务发现和推荐的影响进行了研究和讨论,在实验中使用真实世界的Web服务。
2013-04-11 cs.IR
Unstable markup: A template-based information extraction from web sites with unstable markup
本文介绍了在ESWC 2014年语义发布挑战赛2014的框架下,将CEUR研讨会会议记录网站爬行到链接开放数据(LOD)数据集的工作结果。我们的方法是基于使用一个可扩展的模板依赖的爬虫和DBpedia链接提取的实体,如大学和国家的名称。
2014-08-06 cs.DL cs.IR
The Web is missing an essential part of infrastructure: an Open Web Index
一项建立网络索引的建议,该索引将搜索引擎的基础设施部分(索引)与服务部分分开,这将构成无数搜索引擎和其他服务的基础,这些服务在对所有人开放的公共基础设施之上利用网络数据。
2019-03-09 cs.IR cs.SI
CERES: Distantly Supervised Relation Extraction from the Semi-Structured Web
University of Washington(华盛顿大学);Amazon(亚马逊);Facebook(脸书)
Web包含无数的半结构化网站,这些网站可以成为填充知识库的丰富信息源。从半结构化网页的DOM树中提取关系的现有方法只有在每个网站都有手动注释时才能达到高的精确度和召回率。虽然已经有人努力从自动生成的标签中学习提取器,但这些方法在具有复杂模式和信息丰富的网站的设置中不够鲁棒。本文提出了一种基于远程监督的半结构化网站自动抽取方法。我们通过将现有的知识库与网页对齐并利用半结构化网站的独特结构特征来自动生成训练标签。然后,我们训练分类器的基础上潜在的噪音和不完整的标签,以预测新的关系实例。我们的方法可以与文献中的基于注释的技术在提取质量方面的竞争。一项大规模的实验对来自数十个多语言长尾网站的40多万个页面进行了测试,以90%的精度收集了125万个事实。
2018-04-12 cs.AI cs.IR
Inscriptis -- A Python-based HTML to text conversion library optimized for knowledge extraction from the Web
Inscriptis提供了一个库、命令行客户端和Web服务,用于将HTML转换为纯文本。它的发展是由需要获得准确的文本表示的知识提取任务,保留文本的空间对齐,而不利用重量级的,基于浏览器的解决方案,如Selenium。与相关的软件包相比,Inscriptis(i)提供HTML的布局感知转换,其更接近于从标准Web浏览器获得的渲染;以及(ii)支持注释规则,即,用户提供的映射,允许基于HTML标记和属性中编码的结构和语义信息注释提取的文本。这些独特的功能确保了下游的知识提取组件可以对准确的文本表示进行操作,甚至可以使用原始HTML文档的语义和结构信息。
2021-10-22 cs.IR
Co-Scraper: query-aware DOM Pruning and Reusable Scraper Synthesis for Lightweight Web Data Extraction
Shanghai Artificial Intelligence Laboratory, OpenDataLab(上海人工智能实验室,开放数据实验室);University of Science and Technology of China(中国科学技术大学)
提出Co-Scraper两阶段框架,通过查询感知的DOM剪枝和稳定提取策略归纳,利用微调Qwen3-8B模型将网页内容转化为可执行程序化包装器,在SWDE测试集上达到94.78%的F1分数和90.39%的复用成功率。
2026-06-16 cs.AI cs.IR
Using the DOM Tree for Content Extraction
网页的主要信息通常混杂在菜单、广告、面板和其他不一定相关的信息之间;并且通常难以自动隔离这些信息。这正是内容提取的目标,内容提取是一个因其许多应用而引起广泛兴趣的研究领域。内容提取不仅对最终的人类用户有用,而且经常被用作不同系统的预处理阶段,这些系统需要提取Web文档中的主要内容,以避免处理和处理其他无用信息。其他有趣的应用程序,其中内容提取是特别使用显示网页在小屏幕,如手机或PDA。在这项工作中,我们提出了一种新的技术,内容提取,使用DOM树的网页分析的层次关系的网页中的元素。由于这些信息,该技术实现了相当大的召回率和准确率。使用DOM结构进行内容提取为我们提供了基于网页语法(如字符,单词和标签)的其他方法的好处,但它也为我们提供了关于块中相关组件的非常精确的信息,从而产生了非常有凝聚力的块。
2012-10-23 cs.IR
Coherent Keyphrase Extraction via Web Mining
关键字有多种用途,包括汇总、索引、标记、分类、聚类、突出显示、浏览和搜索。自动关键词提取的任务是从给定文档的文本中选择关键词。自动关键词提取使得为大量没有手动分配关键词的文档生成关键词成为可能。以前的关键短语提取算法的局限性是所选择的关键短语偶尔是不连贯的。也就是说,大多数输出关键短语可以很好地配合在一起,但是可能存在少数看起来是离群值,与大多数或彼此没有明确的语义关系。本文提出了增强的Kea关键词提取算法,旨在提高提取的关键词的一致性。该方法是使用候选关键词之间的统计关联程度作为它们可能在语义上相关的证据。使用Web挖掘来测量统计关联。实验表明,增强提高了提取的关键词的质量。此外,增强不是特定于域的:当在一个域(计算机科学文档)上训练并在另一个域(物理文档)上测试时,该算法推广得很好。
2003-08-20 cs.CL cs.IR cs.LG
Don't read, just look: Main content extraction from web pages using visual features
从网页中提取主要内容提供了主要的信息块,可以删除网页的次要区域,如导航菜单,广告和网站模板。主内容提取具有各种应用:信息检索、搜索引擎优化和浏览器阅读器模式。我们评估了现有的四种主要内容提取方法(Readability.js,Chrome DOM Distiller,Web2Text和Boilernet),其中包括2017年和2020年全球网站的两个英文数据集的网页以及2020年的七个非英文数据集。结果表明,非英语数据集的性能比英语数据集低40%。因此,本文提出了一种多语言的主要内容提取方法,使用视觉特征:元素的位置,大小,距离三个中心。这些中心来自浏览器窗口、Web文档和第一个浏览区域。我们提出了第一个浏览区域,这是一个网页文档的顶面,用于模拟用户第一次遇到网页的情况。由于网页作者为了网页的可用性而将其主要内容放置在中心区域,因此我们可以假设该区域的中心靠近主要内容。我们的网格中心扩展(GCE)方法建议作为假设的用户焦点的三个质心。从最接近这些质心的每个叶节点遍历DOM树,我们的方法检查哪个祖先节点可以是主要的内容候选者。最后,通过在三个主要内容候选中选择最佳内容来提取主要内容。我们的方法在最长共同子序列F1得分上平均比现有方法好14%。特别是,它在英语数据集中提高了25%的性能,在非英语数据集中提高了16%。因此,我们的方法表明,视觉和基本的HTML特征是有效的提取主要内容。
2022-01-25 cs.IR
Label-Efficient Self-Training for Attribute Extraction from Semi-Structured Web Documents
The Ohio State University(俄亥俄州立大学);Amazon Science(亚马逊科学)
从HTML文档中提取结构化信息是一个长期研究的问题,具有广泛的应用,包括知识库构建,分面搜索和个性化推荐。先前的工作依赖于来自每个目标网站的几个人工标记的网页或来自一些种子网站的数千个人工标记的网页来训练可转移的提取模型,该模型概括了未见过的目标网站。嘈杂的内容,低站点级别的一致性,以及缺乏注释者之间的协议,使标记网页成为一项耗时且昂贵的考验。我们开发了LEAST --一种用于半结构化Web文档的标签有效的自训练方法来克服这些限制。LEAST利用一些人工标记的页面来伪注释来自目标垂直的大量未标记的网页。它使用自训练在人类标记和伪标记样本上训练可转移的Web提取模型。为了减轻由于噪声训练样本引起的错误传播,LEAST基于其估计的标签准确性对每个训练样本进行重新加权,并将其纳入训练中。据我们所知,这是第一个提出端到端训练的工作,用于仅利用少数人工标记页面的可转移Web提取模型。在大规模公共数据集上进行的实验表明,使用每个种子网站中不到10个人工标记的页面进行训练,LEAST训练的模型在看不见的网站上的表现比以前的最先进的模型高出26个平均F1点以上,减少了人工标记的页面数量,以实现10倍以上的相似性能。
2022-08-27 cs.IR cs.LG
A language independent web data extraction using vision based page segmentation algorithm
Web使用挖掘是从服务器日志即用户历史中提取有用信息的过程。Web使用挖掘是一个发现用户在互联网上寻找什么的过程。有些用户可能只查看文本数据,而有些用户可能对多媒体数据感兴趣。人们可以通过复制数据并将其粘贴到相关文档中来检索数据。但是,这是繁琐和耗时的,以及困难的数据时,要检索的是大量的。由于复杂的结构化网页,从网页中提取结构化数据是一个具有挑战性的问题。以前他们都是用网页依赖的程序设计语言;主要问题是分析html源代码。在早期,它们被认为是脚本,如java脚本和html文件中的级联样式。与现有的仅通过分析标签结构来推断网页结构的规律性的解决方案不同。为了克服这个问题,我们正在使用一种新的算法,称为VIPS算法,即独立语言。该方法主要利用网页的视觉特征来实现网页数据抽取。
2013-10-24 cs.IR