Structured Data Extraction from Unstructured Text

Abstract

Title: Structured Data Extraction from Unstructured Text Author: Bc. Peter Kóša Department: Department of Software Engineering Supervisor: Mgr. Martin Nečaský, Ph.D., Department of Software Engineering Abstract: In the last 20 years, there has been an ever-growing amount of information present on the Internet and in published texts. However, this information is often in a non-structured format and this causes various problems such as the inability to efficiently search in diverse collections of texts (medical reports, ads, etc.). To overcome these problems, we need efficient tools capable of automatic processing, extracting the important information and storing of these results in some form for later reuse. The purpose of this thesis is to compare existing solutions as well as to compare them with our solution, which was created in the scope of software project SemJob. The SemJob project is introduced and the reader can therefore obtain knowledge about its inner structure and workings. Keywords: structured data extraction, extraction rules, (semi)automatic wrapper induction

Název práce: Extrakcia štruktúrovaných dát z neštruktúrovaného textu Autor: Bc. Peter Kóša Katedra: Katedra softwarového inženýrství Vedoucí diplomové práce: Mgr. Martin Nečaský Ph.D., Katedra softwarového inženýrství Abstrakt: Posledných 20 rokov sa stále zvyšuje množstvo informácií na internete a v publikovaných textoch. Tieto informácie sú ale často v neštruktúrovanej podobe, čo spôsobuje rozličné problémy, ako napríklad nemožnosť efektívne vyhľadávať v rozsiahlych kolekciách textov (lekárske správy, inzeráty, atď.). Na to, aby sme tieto problémy prekonali, potrebujeme efektívne nástroje schopné texty počítačovo spracovať, vyextrahovať z nich dôležité informácie a následne ich v určitej podobe uchovať pre ďalšie použitie. Cieľom tejto práce je porovnať existujúce riešenia medzi sebou ako aj porovnať ich s riešením, ktoré vzniklo v rámci softwarového projektu SemJob. Projekt SemJob je zároveň podrobne predstavený a čitateľ tak získa informácie o jeho vnútornej štruktúre a použitých algoritmoch. Klíčová slova: extrakcia štruktúrovaných dát, extrakčné pravidlá, (semi)automatická indukcia wrapperov