Samodejno prepoznavanje vsebinskih blokov znotraj spletišč

BREZOVNIK, MITJA (avtor), Žitnik, Slavko (mentor)

Informacije so dandanes enostavno dostopne, informiranost pa ključnega pomena. S to mislijo smo se lotili izdelave rešitve, ki bo omogočala luščenje vsebine člankov iz slovenskih novičarskih portalov. Glavni problem s katerim se pri tovrstnih rešitvah soočimo je ločitev vsebine od nepotrebnih informacij, kot so oglasi, komentarji in ostali postavitveni elementi spletnih strani. Za rešitev tega problema smo ubrali pristop, ki temelji na značilnostih plitkih besedil. Na njegovi osnovi smo zasnovali jezikovni model, ki smo ga zgradili s pomočjo slovenskega korpusa 10000 slovenskih člankov iz 5 različnih novičarskih portalov. Končni izdelek predstavlja ekstraktor, ki omogoča pridobitev vsebine slovenskih člankov in jih predstavi v strukturirani obliki.

• Jezik: Slovenski jezik
• Ključne besede: ekstrakcija, članki, značilnosti plitkih besedil
• Vrsta gradiva: Diplomsko delo/naloga
• Tipologija: 2.11 - Diplomsko delo
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2021
• PID: 20.500.12556/RUL-124580
• COBISS.SI-ID: 50546435
• Datum objave v RUL: 04.02.2021

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Automatic identification of content blocks from Web sites

Izvleček

Nowadays information is easily accessible and even more so valuable. With this in mind, we set about creating a solution that will enable content extraction of articles found in Slovenian news portals. The main problem we face with such solutions is separating the content from unnecessary information, such as ads, comments and other layout elements of web pages. To solve this problem, we implemented a solution based on shallow text features. On its basis, we designed a language model, which was built with the help of Slovenian news corpus that contains 10000 articles from 5 different news portals. The final product is an extractor that allows content extraction of Slovenian articles and presents them in a structured form.

• Ključne besede: extraction, articles, shallow text features