Příprava hypertextových dat pro využití v elektronické výuce

Mgr. Jiří Sotona

Diplomová práce

Hypertext data preprocessing for e-learning

Anotace:

Při množství informací dostupných na dnešním webu se přímo nabízí možnost informace z webu extrahovat. Situace je však taková, že většina informací se na webu vyskytuje ve formě HTML dokumentů, které jsou sice strukturované, ale zaměřené převážně na prezentaci. Jak tedy efektivně extrahovat data z HTML dokumentů? Odpovědět na tuto otázku se snaží tako diplomová práce. Jejím obsahem je porovnání dostupných nástrojů a algoritmů pro extrakci textové informace z (X)HTML souborů, porovnání jejich použitelnosti a na základě toho vytvořit nástroj (implementovaný v programovacím jazyce Java) pro extrakci dat z HTML.

Abstract:

Today's web contains large amount of information. It presents itself to extract these information. Today's web consists mainly of HTML documents and the aim of HTML is presentation, not correct semantic structure of data it represents. How then extract information from HTML? This thesis tries to answer the question. The aim is to compare available tools and algorithms for text extraction from (X)HTML documents. And create tool (implemented in Java) for text extraction from HTML documents on the basis of the comparison.

Klíčová slova

HTML, DOM, PARCELS, extrakce, strojové učení, POS, parser, RDFS

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 4. 1. 2007

Obhajoba závěrečné práce

• Obhajoba proběhla 8. 2. 2007
• Vedoucí: RNDr. Tomáš Gregar

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Informatika / Informatika