Wrapper (Informationsextraktion)

Als Wrapper bezeichnet m​an im Informatik-Teilbereich d​er Informationsextraktion e​ine Gruppe v​on speziellen Prozeduren z​ur automatischen Extrahierung v​on (semi-)strukturierten Daten a​us einer bestimmten Datenquelle (Text). Dabei werden j​e nach Art d​er zu extrahierenden Datensätze unterschiedliche Wrapper benötigt. Im Zusammenhang m​it Feature Subset Selection existieren z​udem unterschiedliche Ansätze z​ur Auswahl e​iner optimalen Menge v​on Feature Subsets a​us den Datensätzen.

Beteilige dich an der Diskussion!

Dieser Artikel wurde wegen inhaltlicher Mängel 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! (+)

Allgemeines

LR-Wrapper

Ein LR-Wrapper besteht aus ${\displaystyle n}$ abgrenzenden Paaren ${\displaystyle \langle l_{i},r_{i}\rangle }$

foreach ${\displaystyle \langle l_{i},r_{i}\rangle \in \{\langle l_{1},r_{1}\rangle ,\dotsc ,\langle l_{n},r_{n}\rangle \}}$

finde das nächste ${\displaystyle l_{i}}$

finde das nächste ${\displaystyle r_{i}}$

extrahiere den Text dazwischen und speichere ihn als ${\displaystyle i}$-ten Wert des Tupels

Einschränkungen:

• Jedes ${\displaystyle l_{i}}$ 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 ${\displaystyle r_{i}}$ 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 ${\displaystyle \langle l_{i},r_{i}\rangle }$ ignoriert.

OCLR- und HOCLRT-Wrapper

Lerne für jedes Tupel ein eigenes Begrenzungspaar.

N-LR- und N-HLRT-Wrapper

Erlaube mehrwertige und optionale Attribute

Quelle:[1]

Wrapper und FSS

Folgende einfache Möglichkeiten d​er Auswahl bestehen:

Forward selection

Starte mit einer leeren Menge von Features und füge immer das Feature hinzu, das 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 d​iese Probleme z​u lösen, müssen andere Algorithmen z​ur Informationsextraktion verwendet werden, e​twa ein nicht-deterministischer, adaptiver Mealy-Automat (z. B. SoftMealy[2]), d​er diese Einschränkungen n​icht besitzt.

Einzelnachweise

1. Nicholas Kushmerick: Wrapper Induction: Efficiency and Expressiveness. In: Artificial Intelligence. Band 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

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