リスト構造の種類に着目した非構造的な羅列型Webページからの情報抽出

摘要

Web2.0の概念およびシステムの登場に伴いWeb上の情報はユーザの目的に応じたカスタマイズが可能になりつつある。しかし、Web2.0登場以前に作成された羅列型Webページは非構造的に作成されているため情報活用のためのデータベース化およびWebAPIの作成にはメタデータを生成する必要がある。 筆者らは、非構造的なWebページのHTMLが記述するデザインがある種の構造体であり、羅列型ページの特徴であるタグの集合リスト構造を形成することに着目し、その各要素のタグパスと情報の属性とを対応させることにより効率的な情報抽出およびメタデータ付与を行うことを提案する。 実際には、例外的に出現するタグの存在によりシステムはWebAPI作成に必要な抽出性能に達しない。 そこで本稿では、作業の効率化とエラー耐性強化のため、集合リストの各要素のツリー型タグ構造を平滑化し単純化するツールを付属したシステムを提案する。