这是一篇关于Data Detection的文章,是由Bing Liu、Robert Crossman、Yanhong Zhai在2003年ACM上发表的。
信息提取一般分为两步:Data/Object Detection 和 Attributes Labeling。当然也有和在一起的。
关于《Mining Data Records in Web Pages》这篇文章
- 是Data Detection方面的,基于结构的,基于结构意味着 是在对 html的 document 进行操作。当然如果基于视觉的话也需要对dom进行操作;
- 可提取的页面只能是包含多个Object的list page。一般情况下,我们将包含Object的页面分为list page 和 detail page(只有一个Object)。list 和 detail也是一般网站的结构。
- 核心是string matching。其实就是采用了edit Distance作为相似度。关于edit Distance,前面转载的文章已经提过。
这篇文章基本上可以放过了。因为其局限性。但是了解到了edit Distance还是不错的。