Автоматическое аннотирование html-документов по стандарту Microdata
https://doi.org/10.26907/1562-5419-2024-27-5-730-744
Аннотация
Описана разработка на основе методов машинного обучения приложения для автоматического аннотирования веб-страниц по стандарту Microdata с возможностью расширения для других стандартов и с внедрением данных в JSX-файлы. Собраны и подготовлены датасеты для обучения моделей Machine Learning (ML). Собраны и проанализированы метрики модели ML.
Об авторах
Тимур Фердинандович Ибрагимов
Казанский (Приволжский) федеральный университет
Россия
Россия
Александр Андреевич Ференец
Казанский (Приволжский) федеральный университет
Россия
Россия
Список литературы
1. HTML5 (HyperText Markup Language). URL: https://html.spec.whatwg.org/multipage/introduction.html.
2. JSX. URL: https://www.typescriptlang.org/docs/handbook/jsx.html.
3. Microdata. URL: https://html.spec.whatwg.org/multipage/microdata.html.
4. JSON-LD. URL: https://json-ld.org.
5. Brinkmann A., Primpeli A., Bizer Ch. The Web Data Commons Schema.org Data Set Series. URL: https://www.uni-mannheim.de/media/Einrichtungen/dws/Files_Research/Web-based_Systems/pub/Brinkmann-etal-TheWDCSchemaorgDataSetSeries-WWW2023.pdf.
6. Schemas. URL: https://schema.org/docs/schemas.html.
7. RDFa. URL: https://www.w3.org/TR/html-rdfa.
8. Microformats. URL: https://microformats.org.
9. Local Business Schema Generator – MicroData & JSON-LD. URL: https://microdatagenerator.org/localbusiness-microdata-generator.
10. Structured Data Markup Helper. URL: https://www.google.com/webmasters/markup-helper/u/0.
11. Entity SEO Tools. URL: https://inlinks.com/.
12. Web-segment. URL: https://github.com/liaocyintl/web-segment.
13. Utiu N., Ionescu V.-S. Learning Web Content Extraction with DOM Features. URL: http://dx.doi.org/10.1109/ICCP.2018.8516632.
14. Peters M. E., Lecocq D. Content extraction using diverse feature sets // WWW '13 Companion: Proceedings of the 22nd International Conference on World Wide Web, Rio de Janeiro, Brazil, May 13–17, 2013. Association for Computing Machinery, New York, NY, United States: 2013, pages 89–90.
15. Gongqing Wu, Li Li, Xuegang Hu, Xindong Wu Web news extraction via path ratios. URL: https://dl.acm.org/doi/abs/10.1145/2505515.2505558.
16. Vadrevu S., Gelgi F., Davulcu H. Semantic partitioning of web pages // Web Information Systems Engineering–WISE 2005: 6th International Conference on Web Information Systems Engineering, New York, NY, USA, November 20–22, 2005. Proceedings 6. – Springer Berlin Heidelberg, 2005. P. 107–118.
17. Extraction Results from the October 2022 Common Crawl Corpus. URL: https://webdatacommons.org/structureddata/#results-2022-1.
18. Common Crawl September/October 2022 Crawl Archive (CC-MAIN-2022-40). URL: https://data.commoncrawl.org/crawl-data/CC-MAIN-2022-40/index.html.
19. SPARQL Query Language. URL: https://www.w3.org/TR/sparql11-query.
20. BERT: https://arxiv.org/abs/1810.04805.
21. Babel. URL: https://babeljs.io/.
22. TypeScript. URL: https://www.typescriptlang.org/.
Рецензия
Для цитирования:
Ибрагимов Т.Ф., Ференец А.А. Автоматическое аннотирование html-документов по стандарту Microdata. Электронные библиотеки. 2024;27(5):730-744. https://doi.org/10.26907/1562-5419-2024-27-5-730-744
For citation:
Ibragimov T.F., Ferenets A.A. Automatic Annotation of HTML Documents using the Microdata Standard. Russian Digital Libraries Journal. 2024;27(5):730-744. (In Russ.) https://doi.org/10.26907/1562-5419-2024-27-5-730-744
Просмотров:
0
Послать статью по эл. почте 