SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Extracting Valuable Data from Researchers' Homepages: Challenges and Techniques

sadah avatar
sadah
11 diapositives · 246 Views · Oct 01, 2014

This document outlines the process of harvesting useful data from researchers' homepages, highlighting the benefits of accessing basic information, educational history, and publications. It discusses the challenges posed by diverse layouts and varied content structures among personal pages, making data extraction difficult. The study references existing works and methodologies, including tokenization and visual-based content structure extraction, to enhance retrieval accuracy and efficiency. Key techniques and tools such as CRF and SVM are also explored, providing a comprehensive overview of the field.

#extracting valuable data from researchers' homepages: challenges and techniques #extracting valuable data from researchers' homepages: challenges and techniques ppt #powerpoint #presentation
Extracting Valuable Data from Researchers' Homepages: Challenges and Techniques - slide 1
01 / 11Extracting Valuable Data from Researchers' Homepages: Challenges and Techniques
1 / 17

Télécharger la présentation

Extracting Valuable Data from Researchers' Homepages: Challenges and Techniques
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Harvesting useful data from researchers’ homepages

  2. Outline • Researchers’ homepages • Challenges • Related works

  3. Researchers’ homepages • Lots of useful information about the researchers themselves • Basic information • Contact information • Educational history • Publications

  4. Challenges • Different layouts • Templates • Personal pages • Different content • Pages introducing researchers • CV-like • Personal pages • Different content structures • Tables / lists • Natural language text

  5. Challenges • Different data presentations • hangli at microsoft dot com • cs.duke.edu, junyang • ASJMZheng@ntu.edu.sg • erafalin(at)cs.tufts.edu • <Image src=’email.jpg’/> • Natalio.Krasnogor -replace all this by at symbol- nottingham.ac.uk • wmt then the at-sign then uci dot edu

  6. Related works – Tang et al (2008) • Tang et al.(2008) – ArnetMiner • Separate text into tokens (5 token types) • Assign possible tags to each tokens (CRF) • Extract profile properties (Amilcare tool and SVM) • F1 = 83.37% (1,000 researchers) • Name disambiguation: may be simpler in our case

  7. Related works - Cai et al (2003) • Cai et al (2003) - Visual-based content structure extraction • Underlying documentation presentation independent • Visual-based Page Segmentation (VIPS) • By combining DOM structure and visual cues (tag, color, text, size)

  8. Related works - Cai et al (2003)

  9. Related works - Cai et al (2003) • Strength • Domain independent  layout independent • No data training required • Good results in evaluation report (97% of pages correctly detected) • Applicability • Can be used to improve speed and correctness of the retrieval • Different levels of complexicity in homepages layouts

  10. References • J. Tang, D. Zhang, and L. Yao. Social network extraction of academic researchers. In Proc. of ICDM’2007 pp292-301, 2007. • D. Cai, S. Yu, J.R. Wen and W.Y. Ma (2003). Extracting content structure for web pages based on visual representation. In the 5th APWC, pp. 406-417 • C.H. Lee (2004). PARCELS: PARser for Content Extraction and Logical Structure (Stylistic detection). Honours Thesis, School of Computing, NUS, 2004. • J. Chen, K. Xiao (2008). Perception-oriented Online news extraction. In JCDL 2008 pp.363 • Amilcare Webpage - http://nlp.shef.ac.uk/amilcare/amilcare.html • Wikipedia Webpage – http://en.wikipedia.org • W3Schools Webpage – http://www.w3schools.com/default.asp

  11. Thank You !