HTMLタグを用いたWebページのクラスタリング手法

• Item type: Journal(1)
• 公開日: 2008-08-15
• タイトル: HTMLタグを用いたWebページのクラスタリング手法
• タイトル / 言語: en
• タイトル: Web Document Clustering Using HTML Tags
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 一般論文
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• その他タイトル / その他のタイトル: 言語メディア処理と情報コンテンツ
• 著者所属: 電気通信大学大学院電気通信学研究科システム工学専攻
• 著者所属: 電気通信大学電気通信学部システム工学科
• 著者所属(英): en
• 著者所属(英): Department of Systems Engineering, Graduate School of Electro-Communications, The University of Electro-Communications
• 著者所属(英): en
• 著者所属(英): Department of Systems Engineering, Faculty of Electro-Communications, The University of Electro-Communications
• 著者名: 折原, 大; 内海, 彰
• 著者名(英): Hiroshi, Orihara; Akira, Utsumi
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本論文は，検索結果を自動分類することで検索支援を行う1つの手法として，Webページのタイプに着目したページのクラスタリング手法を提案する．本論文では，HTMLタグの木構造の情報を用いたクラスタリング手法とHTMLタグのn-gramと出現位置を考慮した頻度情報を用いたクラスタリング手法の2つを提案する．アンケートにより作成した正解データセットを用いた評価実験において，単語の分布（Bag-of-Words BoW）に基づくクラスタリング手法や新聞などのテキストを対象とし文書タイプに分類を行うMulti-way Distributional Clustering（MDC）よりも，2つの提案手法のほうがクラスタリング精度において良い結果となった．また2つの提案手法間では，クラスタリング精度については分類傾向による差はあるものの全体では同等の精度であり，処理時間においてはHTMLタグの頻度情報を用いたクラスタリング手法が良好な結果となった．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In this paper, we propose two clustering methods based on HTML tags. These methods cluster Web pages according to their type or style, rather than classifying them into predefined genres. The one method is based on the tree structure of HTML tags, and the other is based on the frequency of HTML tags considering the n-gram of tags and the location of tags. In evaluation experiment, our methods achieved better performance than the Bag-Of-Words method and the Multi-way Distributional Clustering (MDC) method. The frequency method achieved as a good performance as the tree-structured method. In evaluation experiment of the overall processing time, the frequency method was faster than the tree-structured method.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 49, 号 8, p. 2910-2921, 発行日 2008-08-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764