Diplomová práce

Segmentace HTML dokumentu na logické části

Segmentation of an HTML document into logical parts

Bc. Martin Fraňo, učo 139741
Anotace

Väčšina webových stránok obsahuje okrem hlavnej a podstatnej informácie aj množstvo nesúvisiacich dát, ktoré napríklad pri vyhľadávaní nie sú podstatné. Cieľom práce je navrhnúť algoritmus na extrahovanie práve hlavného obsahu webovej stránky.

Abstract

The most of webpages besides relavant data also contain certain amount of useless information, for example in terms of user searching. The main goal of this work is to design an algorithm applicable for extraction of the main content on a webpage.

Klíčová slova
Webové stránky Web Segmentácia HTML dokumentu Vyhľadávanie Cleaneval
Zadání práce
Většina webových stránek obsahuje několik částí, sloužících různým účelům. Některé části jako hlavička, patička, menu se opakují na všech stránkách z jednoho serveru, některé části jsou unikátní a obsahují vlastní obsah (content) stránky. Opakující se části jsou hodně podobné, ale téměř nikdy úplně stejné.

Úkolem práce je navrhnout algoritmus, který rozdělí stránku na jednotlivé logické části a určí typ každé části. Algoritmus by měl být pokud možno nezávislý na jazyku, případně zaměřený/optimalizovaný (zvlášť) pro čestinu a angličtinu. Pro vyhodnocení na angličtině budou použity data z projektu CLEANEVAL (http://cleaneval.sigwac.org.uk/). Při vyhodnocení úspěšnosti spolu s porovnáním s existujícími systémy bude kladen důraz na rozpoznání vlastního obsahu stránky.

Kromě vlastního textu práce bude součástí fungující systém pro segmentaci HTML dokumentů.

Administrativní informace
Práce zkontrolována:
27. 5. 2009 12:17, doc. Mgr. Pavel Rychlý, Ph.D., učo 3692
Plný text práce
1,4 MB / soubor PDF
Jazyk práce
slovenština slovenština
Termín obhajoby
29. 6. 2009
Práce byla úspěšně obhájena

Vedoucí

doc. Mgr. Pavel Rychlý, Ph.D., učo 3692
KSUZD FI MU

Oponent

RNDr. Radim Řehůřek, Ph.D.
abs FI MU
Citovat tuto práci
Masarykova univerzita Fakulta informatiky
Studijní program
Aplikovaná informatika
Obor

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.