Guillaume Wisniewski

Probabilistic Model for Structured Document Mapping

We address the problem of learning automatically to map heterogeneous semi-structured documents onto a mediated target XML schema. We adopt a machine learning approach where the mapping between input and target documents is learned from a training corpus of documents. We first introduce a general stochastic model of semi structured documents generation and transformation. This model relies on the concept of meta-document which is a latent variable providing a link between input and target documents. It allows us to learn the correspondences when the input documents are expressed in a large variety of schemas. We then detail an instance of the general model for the particular task of HTML to XML conversion. This instance is tested on three different corpora using two different inference methods: a dynamic programming method and an approximate LaSO-based method.

Modèle probabiliste pour l'extraction de structures dans les documents web

Le developpement des systemes de gestion de contenu a profondement change la nature du web : de plus en plus de documents sont crees automatiquement et leur mise en page reflete leur structure logique. Dans ce travail, nous montrons que l’information contenue dans la mise en page est suffisante pour inferer une structure semantiquement riche, ce qui ouvre la voie a de nombreuses applications. Le passage d’une information de mise en page a une structure semantique se heurte a deux principaux obstacles : l’heterogeneite des donnees et le caractere implicite de la structure des documents web. Nous decrivons un modele stochastique capable d’apprendre a transformer des documents semi-structures vers un schema defini a priori et presentons une instance particuliere de ce modele adaptee a la transformation de documents heterogenes HTML en XML.