支持大规模网络档案高效标注的语义URL分析
信息检索
2017-02-03 v1
摘要
长期网络档案包含较长时间段收集的网页文档，其规模很容易达到数百太字节。诸如命名实体之类的语义标注可促进对网络档案数据的智能访问。然而，在此规模上标注整个档案内容通常不可行。访问网络档案内文档的最有效方式是通过其 URL 提供，这些 URL 通常存储在专用索引文件中。归档网页文档的 URL 可包含语义信息，并为归档文档提供获取初始语义标注的高效途径。在本文中，我们分析了语义分析技术（如命名实体抽取）对网络档案中 URL 的适用性。我们在 Popular German Web 数据集上评估了从 URL 抽取命名实体的精度，并分析了 2000 年至 2012 年时间区间内来自 1,444 个流行域的归档 URL 中这些技术适用的比例。我们的结果表明，命名实体识别可成功应用于我们网络档案中的大量 URL，并为高效标注大规模网页文档集合提供了良好的起点。
引用
@article{arxiv.1702.00619,
title = {Semantic URL Analytics to Support Efficient Annotation of Large Scale Web Archives},
author = {Tarcisio Souza and Elena Demidova and Thomas Risse and Helge Holzmann and Gerhard Gossen and Julian Szymanski},
journal= {arXiv preprint arXiv:1702.00619},
year = {2017}
}