ارائه روشی برای استخراج اطلاعات ساختاریافته محدود به دامنه از صفحات وب فارسی

استخراج اطلاعات ساختاریافته از متون وب یکی از وظایف اصلی در حوزه وب‌کاوی، پردازش زبان طبیعی و استخراج اطلاعات است. در سال‌های اخیر، روش‌های مختلفی برای استخراج اطلاعات ساختاریافته از متون انگلیسی وب ارائه شده است. اغلب روش‌های موجود برای استخراج اطلاعات در مورد انواع موجودیت‌ها، به یک آنتولوژی از پیش تعریف‌شده نیاز دارند که شامل دانش کامل در مورد موجودیت‌ها و خصلت‌های آن‌ها است. مشکل اصلی این روش‌ها عدم توانایی آن‌ها در استخراج اطلاعات موجودیت‌هایی است که مشخصات آن‌ها از قبل در آنتولوژی تعریف نشده‌اند. در این پژوهش، روش جدیدی برای استخراج خودکار اطلاعات ساختاریافته محدود به دامنه از متون فارسی صفحات وب ارائه شده است که نیازی به دانش پیش‌زمینه در مورد موجودیت‌ها و خصلت‌های آن‌ها ندارد. روش پیشنهادی شامل سه مولفه پیش‌پردازش، تحلیل معنایی و نگاشت قاب است. تمرکز اصلی روش پیشنهادی به افزودن اطلاعات معنایی به گزاره‌های مسند‌آرگومان و استخراج اطلاعات معنادار و محدود به دامنه از گزاره‌ها معطوف شده است. اطلاعات استخراج‌شده در این روش، هم ساختاریافته بوده و هم به مدخل‌های آنتولوژی عمومی dbpedia نگاشت شده‌اند، به‌نحوی‌که پردازش آن‌ها به‌وسیله ماشین به سهولت انجام می‌شود. برای ارزیابی روش پیشنهادی، یک مجموعه‌داده کوچک در زبان فارسی ایجاد شده است و روش پیشنهادی و سایر روش‌ها بر روی این مجموعه‌داده مورد ارزیابی قرار گرفته‌اند. نتایج آزمایش‌ها برتری روش پیشنهادی را در مقایسه با سایر روش‌ها برحسب برخی از معیارهای کارایی نشان می‌دهد.

presenting a method for extracting structured domain-dependent information from farsi web pages

extracting structured information about entities from web texts is an important task in web mining, natural language processing, and information extraction. information extraction is useful in many applications including search engines, questionanswering systems, recommender systems, machine translation, and etc. an information extraction system aims to identify the entities from the text and extract their related information to form a profile of the target entity.in recent years, several methods have been proposed for extracting structured information from web text. the majority of existing methods for extracting entitycentric information require a predefined ontology. the ontology includes the complete knowledge of the entities and their attributes. the main challenge of these methods is their inability to extract information about entities that are not already defined in the ontology. besides, the existing methods have ignored semantic information extraction and have not linked the extracted information to the general ontology entries. this highlights that introducing new methods for semantic information extraction is an open problem and there is room for more efforts in this field.as an element of research, we proposed a new method for the automatic extraction of semantically structured information from farsi web text. the proposed method does not require background knowledge about the entities and their properties. the proposed method consists of three main phases including preprocessing, semantic analysis and frame extraction. to fulfill these phases, we use a combination of language resources, text processing tools, and distant ontologies. the main focuses of the proposed method are to enrich the predicateargument frames with the semantic information extracted from distant ontologies, extract the entityrelated information from predicateargument frames, and link the extracted information with their corresponding sense in dbpedia ontology. the issue facilitates the processing of farsi texts by computers. to evaluate the proposed method, we created a small farsi dataset containing 100 complete sentences. then, the proposed method is compared with three information extraction methods on this dataset. the results of experiments show the superiority of the proposed method compared to counterpart methods in terms of precision and f1 measures.