😍 🧔 🔸 Web2Text: वेब पेज की सामग्री का गहन संरचित निष्कर्षण ⚕️ 👨‍🌾 👨🏾‍🔧

नमस्कार, हेब्र! मैं आपके लिए लेख "वेब 2 टेक्स्ट: डीप स्ट्रक्चर्ड बॉयलरप्लेट रिमूवल" के लेखक थिज़्स वोगेल्स, ऑक्टेवियन-यूजेन गाइना और कार्स्टन ईकॉफ का एक अनुवाद प्रस्तुत करता हूं।

वेब पेज कई प्राकृतिक भाषा प्रसंस्करण और सूचना पुनर्प्राप्ति कार्यों के लिए जानकारी का एक मूल्यवान स्रोत हैं। इन दस्तावेज़ों से प्रभावी रूप से मुख्य सामग्री निकालना व्युत्पन्न अनुप्रयोगों के प्रदर्शन के लिए महत्वपूर्ण है। इस समस्या को हल करने के लिए, हम एक नए मॉडल को पेश करते हैं जो टेक्स्ट पेज HTMLको टेम्प्लेट ब्लॉक, या मुख्य सामग्री वाले ब्लॉक के रूप में वर्गीकृत करता है। हमारी विधि HTMLदस्तावेज़ के ऑब्जेक्ट मॉडल की विशेषताओं से प्राप्त क्षमताओं के शीर्ष पर छिपे हुए मार्कोव मॉडल ( Document Object Model, DOM) का उपयोग करती है, जो कि संवेदी तंत्रिका नेटवर्क ( Convolutional Neural Network, CNN) का उपयोग कर रही है । प्रस्तावित विधि गुणात्मक रूप से वेब पृष्ठों से पाठ डेटा निकालने के लिए प्रदर्शन में सुधार करती है।

1। परिचय

प्राकृतिक भाषा प्रसंस्करण और सूचना पुनर्प्राप्ति के आधुनिक तरीके पाठ के बड़े संग्रह पर अत्यधिक निर्भर हैं। वर्ल्ड वाइड वेब ऐसे अनुप्रयोगों के लिए सामग्री का एक अटूट स्रोत है। हालांकि, एक आम समस्या यह है कि वेब पेजों में न केवल मुख्य सामग्री (पाठ), बल्कि विज्ञापन, हाइपरलिंक सूची, नेविगेशन, अन्य लेखों के पूर्वावलोकन, बैनर आदि शामिल हैं। यह टेम्प्लेट सामग्री अक्सर व्युत्पन्न अनुप्रयोग [15,24] के प्रदर्शन पर नकारात्मक प्रभाव डालती है। साहित्य में एक वेब पेज पर मुख्य पाठ को बाकी (टेम्पलेट) सामग्री से अलग करने का कार्य "एक मानक टेम्पलेट को हटाना", "वेब पेज को विभाजित करना", या "सामग्री को निकालना" के रूप में जाना जाता है। इस समस्या के लिए ज्ञात लोकप्रिय तरीके नियम-आधारित एल्गोरिदम या मशीन सीखने का उपयोग करते हैं।सबसे सफल दृष्टिकोण पहले इनपुट वेब पेज को टेक्स्ट ब्लॉक में विभाजित करते हैं, और फिर बाइनरी{1, 0}प्रत्येक ब्लॉक को मुख्य सामग्री या टेम्पलेट के रूप में लेबल करना। इस लेख में, हम पैटर्न हटाने के कार्य के लिए तंत्रिका क्षमता के शीर्ष पर छिपे हुए मार्कोव मॉडल का प्रस्ताव करते हैं। हम जटिल न्यूरल नेटवर्क का अध्ययन करने की क्षमता का उपयोग करते हैं, जो कि संकेतों के जटिल nonlinear संयोजनों के आधार पर ब्लॉक में संयुक्त और युग्म क्षमता का अध्ययन करते हैं DOM। पूर्वानुमान के दौरान, हम सबसे संभावित ब्लॉक लेबल पाते हैं {1, 0}, Viterbi एल्गोरिथ्म [23] का उपयोग करके लेबल के अनुक्रम की संयुक्त संभावना को अधिकतम करते हैं। तुलनात्मक डेटा के मानक सेटों पर हमारी पद्धति की प्रभावशीलता का प्रदर्शन किया जाता है।

. 2 . 3 , . 4 -.

2.

HTML- [7] Body Text Extractor (BTE). BTE , , HTML- -. , BTE , . , : (1) HTML, , , (2) , -.

DOM, HTML [11,19,6]. , , <table>, .

DOM . . [24] [22]. , -, -, -. .

. [10] , . HTML , , , . , , (), , (). DOM [4,21]. . [3] DOM, , . . [21] / , DOM .

«», . FIASCO . [2] (SVM) HTML- , DOM , . . [17] SVM . . [20] , , . , . CleanEval [1].

. 1. Web2Text. DOM (Collapsed DOM) - , . DOM. , , : . . , , , .

, DOM. , , . , - , .

3.

— - (- ) [1]. . 1.

3.1.

, - (X) HTML-. ( DOM) Jsoup [12].

. 2. DOM. : HTML, — DOM, — DOM.

DOM, i) , , ii) , , : , <br>, <checkbox>, <head>, <hr>, <iframe>, <img>, <input>. DOM. DOM- . 2 DOM, (<ul>), DOM. (, « »), . Collapsed () DOM (CDOM).

3.2.

. - , , . - , : i) HTML, ii) DOM, iii) DOM . DOM, . , , HTML. , DOM- ( #text) . , , . , Web2Text , , — .

3.3.

— , , , . , CDOM . .

. , CDOM, , CDOM. 128 , , « - <p>», « », « », « », « - » .. , , .

. 25 . . , , , 2, 3, 4 > 4. , HTML-, ..

3.4. (Convolutional Neural Network, CNN)

, , . , . p_i (l_i = 1), p_i (l_i = 0) , l_i i , . . p_{i, i + 1} (l_i = 1, l_{i + 1} = 1), p_{i, i + 1} (l_i = 1, l_{i + 1} = 0), p_{i, i + 1} (l_i = 0, l_{i + 1} = 1) p_{i, i + 1} (l_i = 0, l_{i + 1} = 0) — . .

CNN 5 , ReLU , (50, 50, 50, 10, 2) (50, 50, 50, 10, 4) . 1 (1, 1, 3, 3, 3) . CNN , , , . CNN , , , . , , . 2 , softmax. 4 , . , i . (dropout) 0,2 L2 10^-4.

l^∗_i — i, θ_unary — , n — .

θ_pairwise — .

3.5.

- . (b₀, b₁, ..., b_n) (l₀, l₁, ..., l_n) ∈ {0, 1}ⁿ :

λ — . λ = 0,1 . [23], CNN.

4.

. Web2Text - . , . Web2Text .

4.1.

CleanEval 2007 [1] . 188 -. (60 ) (676 ). (55 ) (5 ). 10000 , , . CleanEval : (531 ), (58 ) (148 ).

. , ( CleanEval) . “- — ” ( ). , , . (, [20]) . (, ) (-, ). .

-, 10 . - ( ). , - , « ». -. , , , , 2/3 .

4.2.

[14] 10_–3 5000 . - 128 - 9 . , . , .

4.3.

Web2Text , . BTE [7] Unfluff [8] . [17,16] — , , (. 1). CRF [20] CleanEval. (Conditional Random Field, CRF) , . , 4.1, CRF - . , , , , CleanEval. CleanEval, , .

. CRF [20] 9 705 . , CNN 17 960 , CNN 12 870 . 30 830. , .

4.4.

1 . , . , Web2Text (Accuracy), Recall F1 , CleanEval. , , , 3.2. , , Web2Text CNN, .

1. - CleanEval. : (55 — , 5 — , 676 — ) (531 — , 58 — , 148 — ). , .

. Web2Text 54 -; 35 DOM , 19 . Macbook Intel Core i5 2,8 .

4.5.

, , , . HTML, .

- ClueWeb12. . CW12-A 733M - (27,3 ) CW12-B 52M (1,95 ). Indri. 50 TREC Web Track 2013 [5].

2. . (*) HTML. (†) , .

2 , -. HTML . , , †. , , CW12-A, , , CW12-B. - . , (QL) , (RM). , . , (BTE, article-ext, large-ext, Unfluff) , . (CRF, Web2Text) . , Web2Text 0,05. , Web2Text CleanEval, 4.1.

5.

Web2Text -. , CRF [9], , DOM . CleanEval . , , , .

6.

, - .
, .

Marco Baroni, Francis Chantree, Adam Kilgarriff, and Serge Sharoff. CleanEval: a competition for cleaning web pages. In LREC, 2008.
Daniel Bauer, Judith Degen, Xiaoye Deng, Priska Herger, Jan Gasthaus, Eugenie Giesbrecht, Lina Jansen, Christin Kalina, Thorben Kräger, Robert Märtin, Martin Schmidt, Simon Scholler, Johannes Steger, Egon Stemle, and Stefan Evert. FIASCO: Filtering the internet by automatic subtree classification, osnabruck. In Building and Exploring Web Corpora: Proceedings of the 3rd Web as Corpus Workshop, incorporating CleanEval, volume 4, pages 111–121, 2007.
Deepayan Chakrabarti, Ravi Kumar, and Kunal Punera. Page-level template detection via isotonic smoothing. In Proceedings of the 16th international conference on World Wide Web, pages 61–70. ACM, 2007.
Deepayan Chakrabarti, Ravi Kumar, and Kunal Punera. A graph-theoretic approach to webpage segmentation. In Proceedings of the 17th international conference on World Wide Web, pages 377–386. ACM, 2008.
Kevyn Collins-Thompson, Paul Bennett, Fernando Diaz, Charlie Clarke, and Ellen Voorhees. Overview of the TREC 2013 web track. In Proceedings of the 22nd Text Retrieval Conference (TREC’13), 2013.
Sandip Debnath, Prasenjit Mitra, Nirmal Pal, and C Lee Giles. Automatic identification of informative sections of web pages. IEEE transactions on knowledge and data engineering, 17(9):1233–1246, 2005.
Aidan Finn, Nicholas Kushmerick, and Barry Smyth. Fact or fiction: Content classification for digital libraries. Unrefereed, 2001.
Adam Geitgey. Unfluff – an automatic web page content extractor for node.js!, 2014.
John Gibson, Ben Wellner, and Susan Lubar. Adaptive web-page content identification. In Proceedings of the 9th annual ACM international workshop on Web information and data management, pages 105–112. ACM, 2007.
Thomas Gottron. Content code blurring: A new approach to content extraction. In Database and Expert Systems Application, 2008. DEXA’08. 19th International Workshop on, pages 29–33. IEEE, 2008.
Suhit Gupta, Gail Kaiser, David Neistadt, and Peter Grimm. DOM-based content extraction of HTML documents. In Proceedings of the 12th international conference on World Wide Web, pages 207–214. ACM, 2003.
Jonathan Hedley. Jsoup HTML parser, 2009.
Rong Jin, Alex G Hauptmann, and ChengXiang Zhai. Language model for information retrieval. In Proceedings of the 25th annual international ACM SIGIR conference on Research and development in information retrieval, pages 42–48. ACM, 2002.
Diederik Kingma and Jimmy Ba. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980, 2014.
Christian Kohlschütter. A densitometric analysis of web template content. In Proceedings of the 18th international conference on World wide web, pages 1165– 1166. ACM, 2009.
Christian Kohlschütter et al. Boilerpipe – boilerplate removal and fulltext extraction from HTML pages. Google Code, 2010.
Christian Kohlschütter, Peter Fankhauser, and Wolfgang Nejdl. Boilerplate detection using shallow text features. In Proceedings of the third ACM international conference on Web search and data mining, pages 441–450. ACM, 2010.
Victor Lavrenko and W Bruce Croft. Relevance based language models. In Proceedings of the 24th annual international ACM SIGIR conference on Research and development in information retrieval, pages 120–127. ACM, 2001.
Shian-Hua Lin and Jan-Ming Ho. Discovering informative content blocks from web documents. In Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining, pages 588–593. ACM, 2002.
Miroslav Spousta, Michal Marek, and Pavel Pecina. Victor: the web-page cleaning tool. In 4th Web as Corpus Workshop (WAC4)-Can we beat Google, pages 12–17, 2008.
Fei Sun, Dandan Song, and Lejian Liao. Dom based content extraction via text density. In Proceedings of the 34th international ACM SIGIR conference on Research and development in Information Retrieval, pages 245–254. ACM, 2011.
Karane Vieira, Altigran S Da Silva, Nick Pinto, Edleno S De Moura, Joao Cavalcanti, and Juliana Freire. A fast and robust method for web page template detection and removal. In Proceedings of the 15th ACM international conference on Information and knowledge management, pages 258–267. ACM, 2006.
Andrew J Viterbi. Error bounds for convolutional codes and an asymptotically optimum decoding algorithm. In The Foundations Of The Digital Wireless World: Selected Works of AJ Viterbi, pages 41–50. World Scientific, 2010.
Lan Yi, Bing Liu, and Xiaoli Li. Eliminating noisy information in web pages for data mining. In Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining, pages 296–305. ACM, 2003.

Web2Text: वेब पेज की सामग्री का गहन संरचित निष्कर्षण