20080806 進度報告。

首先說明之前研究的進度，在寄給老師的信件中已提到。

整個主體概念為：使用者輸入網頁URL之後，經過地址擷取的分析，將地址標示在Google Map上。


第一、就程式整合方面，先前是利用ASP.NET來撰寫整個程式，不過Google Map所提供
的API是利用Javascript，所以必須將這兩個部份做整合，但學生後來將整個程式改成用javascript來撰寫，也較能省去整合程式語言上的時間。

第二、整體概念上，學生已完成的部分有，輸入網頁URL，將網頁原始碼進行消去Tag的動作，再利用split把文字內容切成一個個token存於陣列當中。觀察大部分的地址資訊，學生利用street type作為關鍵詞的判斷依據，抓取關鍵詞的前後二到三個token，與關鍵詞形成字串後存入陣列中，其中學生所使用的street type關鍵詞有：Street、Road、Way、Avenue、Place、Boulevard、Place、Pkwy，相關的縮寫也有列入考慮。

第三、地址擷取分析的部分，是學生目前最需處理的一塊。信中原本提到網頁架構不一的問題，可能會在每個文字片段中間出現多餘的空格，昨天regular meeting完後，萍華提到說可以用regular expression來解決，之前學生只有利用regular expression來做Tag的消去，所以這部份也經過修改之後，目前已解決這問題。另外就是地址資訊中若沒有出現關鍵字詞需要如何判斷的問題，以及用這樣的方式，可能會因為國家之間的用詞不同而侷限住範圍，因此如果想要不受限各個國家或語言，這個部份也是個問題。

在和老師討論之後，學生目前需要完成的項目有：

1.就先前看過的論文作比較，列出其優缺點，然後比較自己的想法和其他篇論文的差異在哪裡，哪方面可以改善或補強。
2.建議可從Machine Learning的角度切入，這個部份就需要多找相關Machine Learning資料閱讀。
3.老師所給的兩篇參考資料：information extraction from HTML: application of a general machine learning approach.及The WHIRL approach to integration: an Overview。
而另外一篇是學生昨天找的參考資料：address extraction using Hidden Markov Model。

就接下來需要完成的部分，學生會盡量趕上進度。