事例に基づくシリーズ型HTML文書の意味論理構造の自動認識-HTMLからXMLへの自動変換を目指して

摘要

本論文では新たに，アライメント技術を用いて複合意味ブロックの自動抽出と変換を試みる．事例と変換対象のテキストブロック列をアライメントし，列全体として類似度最大の対応関係を求める．事例との対応関係から変換対象文書の意味ブロックの抽出が可能となり，XML形式へ変換できる．評価実験の結果，現実のWEB サイトから収集した8個のシリーズ，47 件のHTML 文書に対して，約90%を越える高い変換精度が得られた．また比較実験の結果，人手による前処理を施した場合と比べても全く遜色無いことが確認された．シリーズ型HTML 文書を対象とした場合，事例が与えられれば，意味·論理構造はアライメントという比較的簡便な手法によってかなり高い精度の解析が可能となることが確認された．本論文の構成は以下の通りである．2 章で事例に基づく変換法と意味構造の認識の難しさを概説する．3 章でアライメントを利用した意味ブロックの抽出法を考察し，4 章でその評価実験を行う．5 章で関連研究を述べる．