Content extraction [Elektronische Ressource] : identifying the main content in HTML documents / vorgelegt von Thomas Gottron

Sujets

• Informatik

Informations

• Publié par: johannes_gutenberg-universitat_mainz
• Publié le: 01 janvier 2009
• Nombre de lectures: 8
• Langue: English
• Poids de l'ouvrage: 12 Mo

Extrait

und
Content
geb
Extra
in

h
Identifying
Guten
the
v
Main
Juni
Content
ysik,
in
der
HTML
erg-Univ

v
Dissertation
Thomas
zur
in
Erlangung

des
Ph
Grades
Mathematik
Doktor
Informatik
der
Johannes

b
haften
ersit?t
(Dr.
Mainz
rer.
orgelegt
nat.)
on
am
Gottron
F
oren
ac
Mainz
h
2008
bDissertation
ii
2008
T
b
ag

der
Dezem
m
er
?ndlic
D77
hen
Mainzer
Pr?fung:
18.ob
iii
b

ds
Most
a
HTML
o
do
wling


ts
under
on
of
the
the
W
third
orld
sets
Wide

W
with
eb
p

measures
far
The
more

than
problems
the
at


or
In
text
e
whic

h
p
forms
an
their
man
main
latter

and
ten
ten
t.
ects.
Na
dra
vigation
of
men
eals
us,
newly
functional
de
and
least
design
es
elemen
ten
ts
An
or
eb

tem-
banners
tribution
are
a
t

ypical

examples

of
whole
additional


on
ten

ts
and
whic
indep
h
set


b
e
e
to
found
aluate
along
of
with
extraction
the
t
main
ev
text.
w
In
the
the
e

extraction
text
also
of
ypical
w
solutions.
eb
tro
data
t
mining
extraction
applications

or
of

pro
hnical
b
solutions
est
to
extraction
impro
momen
v
of
e



y
their
via
is
screen
jor
readers
this
or
bination
small

screen



it
to
is
qualit

training
to
for
dra
As
w

the
automated

ws
b
template
et
single
w
thereb
een
the
main
of
and
ulti
additional
algorithms:

of
ten

t
the

b
.
of
The
hes.
solutions
w
for
y
determining
measure
the
ev
main
the


ten

t
t
in
algorithms
a
dieren
w
asp
eb
These
do
aluation

allo
t
to

w
b
rst
e

divided

in
existing
to
solutions.
the

t
rev
w
t
o
problems

these
of
The

in
ten

t
ten
extraction

and
blurring
template
lter

v
Con
at
ten
some
t
the
extraction
and
solutions
v
are
to
op
e
erating
b
on

single
t
do
algorithm

the
ts
t.
and
analysis
are
metho
based
to
on
w

do
T
ts
emplate
to

underlying
tion
plates
algorithms
the
instead
ma
analyse

a
of

thesis.
of

sev
with
eral
lo
training

do
pro

this
ts
analysis
to
b
determine
used
a


high
template
y

of
and
do
use
ts
this
template
kno
algorithms.
wledge
the
to
pro
nd

the
e
main
it

allo
ten
to
t.
erform
This

thesis
a
giv
do
es
t,
an
y
extensiv
bining
e
adv
o
tages
v
single
erview
m
of
do
existing
t

the
hniques
endence
and
a
algorithms
ually
from
training
b
of
oth
former
areas.
the
It
etter

underpinning
tributes
the
an

ob
ivhiedenen
v
er-
Zusammenfassung
v
Die
die
meisten
Ans?tze
HTML
K
Dokumen
esseren
te
e
im
h
W
erwindet
orld
der
Wide
die
W
?pfen:
eb
einen
b
b
estehen
on
aus
en

erden
h
Con
mehr
der
Inhalten
on
als
dritten
dem

Artik
rainingsdatens?tzen
el
V
o
enen
der
enn
dem
erblic
T
erfahren
ext
Sie
der
ertung
den
un
eigen
Die
tlic
jektiv
hen
erfahren.
Hauptinhalt

darstellt.
h.
Das
de
Na
Probleme
vigations-
zur
men
den
?,
ten
funktionale
T
o
Arb
der
einer
gestalterisc
dieses
he
Erstellung
Elemen
enn
te,
lassen
so
W
wie
v
W
Inhaltsextraktion
erbung
lagen
sind
eit
t
umfassenden

?b
he
estehenden
Beispiel
Algorithmen
f?r
Herangehensw

ob
he
zur
Inhalte
Leistung
die
zur
neb
v
en
h
dem
ertungsma?e
Hauptinhalt
ersten
eines
V
W
estehender
eb
ei
dokumen
h
ts
Problem

Inhaltesextraktion
hen.
neu
F?r
t
W
Filter
eb
einige
Data
ist
Mining
Algorithm
An
Eine
w
hiedener
endungen
Gruppierung
o
eb
der


un

stellt
he
Beitrag
L?sung
dar.
zur
bination
V
alen
erb
k
esserung
emplateclustering
des
tomatisc
W
on
ebzugris
T
?b
eingesetzt
er
Dadurc
Screen
h
Reader
b
o
v
der
Unabh?ngigk
Ger?te
v
mit
rainingsdaten
sehr
den
kleinem
hen
Bildsc
T
hirm
Arb
ist
gibt
es
sehr
n?tig
?b
die
k
Un
er

b
heidung
V

und
hen
f?r
Haupt-
eide
und
eisen.

liefert
hen
jektiv
Inhalten
Ma?e
automatisc
Bew
h
der
v
v
orzunehmen.
Algorithmen
Bei
Inhaltsextraktion
den
ter
L?sungsans?tzen
ersc
zur

Bestimm
tspunkten.
ung
Bew
des
erlaub
Hauptinhaltes
einen
eines
ob
W
en
eb

dokumen
b
ts
V
l?sst
Dab

w
h


t
hen
he
Algorithmen
der
zur
zur
Inhaltsextraktion

(Con
Der
ten
eingef?hrte
t
ten
Extraction)
Co
und
Blurring
V
?b
erfahren
zumindest
zur
dieser
T
und
emplateerk
derzeit
enn
leistungsf?higste
ung
us
(T
Inhaltsextraktion.
emplate
Analyse

ersc
un
Metho

zur
heiden.
v
Metho
W
den
dokumen
zur
b
Inhaltsextraktion
h
op
ihnen
erieren
terliegenden
auf
emplates
einzelnen
den
Dokumen
gr??eren
ten
dieser
und
eit
basieren
In
auf
om
Heuristik
mit
en.
lok
Algorithmen
W
zu
he
T
ann
em-
T
plateerk
f?r
enn
au-
ung
he
hingegen
v
analysieren
T
eine
zur
Sammlung
emplateerk
v
ung
on
w
T
den.
rainingsdokumen
h
ten,

um
die
eine
orteile
gemeinsame
eider
T
elten
emplatestruktur
erkn
zu
die
erk
eit
ennen
on
und
orgegeb
mit
T
diesem
der
Wissen
mit
dann
b
den
theoretisc
Hauptinhalt
Grund-
zu
der
b
emplateerk
estimmen.
ung.
Diesevigo
vii
the
A
y

the
kno
paren
wledgemen
y
ts
up
W
grounded
riting
teresting
a
y
thesis
o
is
p
a
orted
large
v
pro
their

same
While
ho
writing
eb
I
and
ha
out
v
I
e
and
b
w,
een
ving
supp
wife
orted

and
momen

to
b
hard
y

sev

eral
and
p
m
eople.
particular
Those
the
p
ten
eople
m
I
with
do
m
o
education.
w
and
e
thank
thanks
I
and
A
an
to
y
gifted
list
her
to