读《Mining Data Records in Web Pages》

最新推荐文章于 2024-05-04 18:44:55 发布

两把扇子

最新推荐文章于 2024-05-04 18:44:55 发布

阅读量1.2k

点赞数

分类专栏： old_golden_times 文章标签： web distance attributes object list bing

本文链接：https://blog.csdn.net/dobest9014/article/details/5482511

版权

62 篇文章 0 订阅

订阅专栏

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。