Wrapper (Informationsextraktion)

Dieser Artikel wurde aufgrund von inhaltlichen Mängeln auf der Qualitätssicherungsseite der Redaktion Informatik eingetragen. Dies geschieht, um die Qualität der Artikel aus dem Themengebiet Informatik auf ein akzeptables Niveau zu bringen. Hilf mit, die inhaltlichen Mängel dieses Artikels zu beseitigen und beteilige dich an der Diskussion! (+)

Als Wrapper bezeichnet man im Informatik-Teilbereich der Informationsextraktion eine Gruppe von speziellen Prozeduren zur automatischen Extrahierung von (semi-)strukturierten Daten aus einer bestimmten Datenquelle (Text). Dabei werden je nach Art der zu extrahierenden Datensätze unterschiedliche Wrapper benötigt. Im Zusammenhang mit Feature Subset Selection existieren zudem unterschiedliche Ansätze zur Auswahl einer optimalen Menge von Feature Subsets aus den Datensätzen.

Allgemeines

LR-Wrapper

Ein LR Wrapper besteht aus n abgrenzenden Paaren < l_i,r_i >

foreach $<l_i,r_i> \in \{ <l_1,r_1>, \ldots, <l_n,r_n> \}$

finde das nächste l_i

finde das nächste r_i

extrahiere den Text dazwischen und speichere ihn als i-ten Wert des Tupels

Einschränkungen:

• Jedes l_i muss ein "echtes" Suffix des Textes vor jeder Instanz des Zielobjekts sein. Echt heißt, es muss vor jeder Instanz stehen und darf nirgendwo anders vorkommen. Ansonsten werden falsche Tupel extrahiert.
• Jedes r_i muss ein Präfix des Textes nach jeder Instanz des Zielobjekts sein. Ansonsten wird die Extraktion vorzeitig abgebrochen.

Quelle: ^[1]

Weitere Wrapper

HLRT-Wrapper (Head-Left-Right-Tail-Wrappers)

Lerne einen eigenen Begrenzer für den Kopf und das Ende eines Dokumentes. Vor dem Head und nach dem Tail werden alle Vorkommnisse von < l_i,r_i > ignoriert.

OCLR- und HOCLRT-Wrapper

Lerne für jedes Tupel ein eigenenes Begrenzungspaar.

N-LR- und N-HLRT-Wrapper

Erlaube mehrwertige und optionale Attribute

Quelle: ^[1]

Wrapper und FSS

Folgende einfache Möglichkeiten der Auswahl bestehen:

• Forward selection: Starte mit einer leeren Menge von Features und füge immer das Feature hinzu, dass die Accuracy am meisten erhöht bis die Accuracy nicht mehr deutlich zunimmt.
• Backward elimination: Starte mit allen Features und versuche ungeeignete zu entfernen
• Simple heuristic search: Füge ein Feature nach dem anderen hinzu, bis die Accuracy nicht mehr deutlich zunimmt

Einschränkungen

• Keine Permutationen von Attributen möglich
• Die Begrenzungspaare sind evtl. nicht ausreichend zur Identifizierung von Texten

Um diese Probleme zu lösen, müssen andere Algorithmen zur Informationsextraktion verwendet werden. Etwa ein nicht-deterministischer, adaptiven Mealy-Automaten (z.B. SoftMealy^[2]), der diese Einschränkungen nicht besitzt.

Einzelnachweise

1. ↑ ^{a b} Kushmerick Nicholas: "Wrapper Induction: Efficiency and Expressiveness", Artificial Intelligence 118 (2000), S. 15-68
2. ↑ C.-N. Hsu, M.-T. Dung: Wrapping semistructured web pages with finite-state transducers. In: Proc. Conference on Automatic Learning and Discovery (CONALD-98), 1998.

Literatur

• Chidlovskii, B.; Borghoff, U.; Chevalier, P.: Towards sophisticated wrapping of web-based information repositories. In: Proceedings of the Conference on Computer-Assisted Information Retrieval, 1997, S. 123-155
• Roth, M., and Schwartz, P.: Don’t scrap it, wrap it! In: Proceedings of the 22nd VLDB Conference, 1997, S. 266–275,