CLEANEVAL: home page CLEANEVAL is a shared task and competitive evaluation on the topic of cleaning arbitrary web pages, with the goal of preparing web data for use as a corpus, for linguistic and language technology research and development. The first Cleaneval took place (for Chinese and English) over the summer of 2007, with a workshop in Belgium in September (3rd Web as Corpus workshop (WAC3),
CETR - Content Extraction via Tag Ratios Tim Weninger ∗ William H. Hsu Computing and Information Sciences Dept. Kansas State University Manhattan, KS Jiawei Han Dept. of Computer Science University of Illinois at Urbana-Champaign Urbana, IL Dept. of Computer Science University of Illinois at Urbana-Champaign Urbana, IL weninge1@illinois.edu bhsu@cis.ksu.edu hanj@cs.uiuc.edu ABSTRACT We pre
Publications Contents Journals International Conferences Domestic Conferences Awards Danushka Bollegala, Naoaki Okazaki and Mitsuru Ishizuka: A bottom up Approach to Sentence Ordering for Multi-document Summarization , Information Processing and Management,Elsevier Danushka Bollegala, Yutaka Matsuo and Mitsuru Ishizuka: A Relational Model of Semantic Similarity between Words using Automaticall
Location: Web Spam Detection > Datasets > WEBSPAM-UK2007 WEBSPAM-UK2007 (current dataset) The Web spam datasets in this site are provided to advance research on Web spam detection, thanks to a collaborative effort by a team of volunteers. These labels are intended for research purposes only. We advice you not to use these labels directly for search engine ranking or filtering. See licensing inform
Computer Science Department, Stanford University, Stanford, CA 94305 In this paper, we present Google, a prototype of a large-scale search engine which makes heavy use of the structure present in hypertext. Google is designed to crawl and index the Web efficiently and produce much more satisfying search results than existing systems. The prototype with a full text and hyperlink database of at leas
_ [大学] 大学院講義「ウェブ工学」のネタ選び 10月開講の「ウェブ工学」で何をネタにするかそろそろ考えなくてはいけない。ウェブ工学ってなんだってのはひとまず置いておいて、ウェブ関係のネタで研究ができるようになることを目標とし、それに必要な基礎知識はなにか、というあたりから考えていくことにしよう。とりあえず思いついたものから挙げてみる。 The Anatomy of a Search Engine まずは、これを読めるような基礎知識を教えないといけないだろう。これの後に、この手のサーチエンジンアーキテクチャ論文ってあるのかな?あ、Anna Pattersonの記事とかあったなあ。 Tech Report: SRC-RR-175: The Link Database: Fast リンクデータベースの作り方。PageRankやHITSなどを実際にウェブのスケールで計算しようとするとこのあたり
- 全てのDOMノードを列挙する - ノードは次のように文字列化される。 0: /html[0]/body[0]/div 1: /html[0]/body[0]/div[0]/div 2: /html[0]/body[0]/div[0]/div[0]/ul[0]/li 3: /html[0]/body[0]/div[0]/div[0]/ul[0]/li 4: /html[0]/body[0]/div[0]/div[0]/ul[0]/li 5: /html[0]/body[0]/div[0]/div[0]/ul[0]/li 直前の階層までは添え字つき、最後のノードはタグ名のみにする。 class名、id名は排除する。各々のサイトのルールで記述されたruleよりも タグのネスト構造の方が変化に強いし機械的に抽出しやすいのではないか? 出現回数でソートする。li要素2-5はループであることが分か
_ Webの解析の研究は例となるリサーチクエスチョンの質で決まる? ブログで職業、性別、配偶者の有無が分かる? キーウォーカーがリサーチサービス. こういうサービスはサービスを提供する側よりも,どうもサービスを利用する側のリサーチクエスチョンの立て方の方が重要なのでは,と最近思っている.Webマイニングの研究を見ていても,方法論以前に「○○について調べたい」という例の面白さで研究の質が決まってしまっているように思う.こういう例となるリサーチクエスチョンの立て方から研究の質が決まるのでは,と考えているわけだ.たとえばリンク先のリンク先にある記事にとりあげられている以下の例に注目: 「タイガース」だと大阪府と兵庫県で言及が多く、男性による言及が8割。「日ハム」だと北海道の学生による言及が多い――などといった傾向が読み取れる。 この程度のことならこんな仰々しいサービスを使わずとも予想はつくわけで
1月22・23日に人工知能学会・知識ベースシステム研究会と電子情報通信学会の知能ソフトウェア工学研究会の共催で研究会があったのだが,「Web情報処理」特集と共に,東京大学から豊田正史助教授を招いて招待講演を企画させて頂いた.豊田助教授は,情報大航海プロジェクトと情報爆発プロジェクトの中心人物である喜連川教授の研究室に属していることからわかるように,これらのプロジェクトの技術的基盤を支える人物の一人でもある.この招待講演のスライドは以下の場所で公開されているので,興味がある人は見て頂きたい. http://www.tkl.iis.u-tokyo.ac.jp/~toyoda/bib/papers/kbse-jsai-kbs.pdf 講演に関しては,口頭でかまわないから,普段論文やプレゼン資料に書かないようなこと…たとえば実装の詳細とか,実際の処理時間とか,このようなデータを扱うノウハウとか…も
2006-04-06 近況 その夜, arai さんが "YAPC はすごかった" と興奮気味に話しているのを聞きながら, 私は perl の苦い記憶を玩んでいた. perl に何度も挑戦して全敗したあの頃. 私は perl を挫折したという理由から ruby を使っている. perl が perl でなかったら, 学生の頃にもっと CGI を作ったりして 今時の若者になれたのに.... そう思い, perl を使える人々を羨んでいた. (もちろん単なるいいがかり. なにしろ私の借りてきたサーバは 歴代すべて ruby がインストールされていたのだから.) で, YAPC Asia のスライドのうち perl 指数が低くミーハー指数の高いものを眺めた. mixi と はてな...と思ったら mixi はスライドないじゃん. なので はてなのスライド(PDF) だけ眺める. あまり perl
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く