数据集概述
该数据集为BigGrams半监督HTML信息提取系统相关的参考数据集，包含从真实网站抓取的网页数据，以及对应网站的人工标注参考实例数据，用于支持半监督信息提取方法的研究与验证。
文件详解
数据集包含一个ZIP压缩文件，解压后包含两个主要文件夹，具体说明如下：
- 压缩文件: bigrams-reference-data-sets.zip（ZIP格式），内部包含两个子文件夹
- websites文件夹: 存储从真实网站抓取的网页数据，涉及网站包括agatameble.pl（电商网站）、filmweb.pl（电影网站）、ptaki.info（鸟类网站）
- reference-seeds文件夹: 存储参考实例数据，包含三个子文件夹（agatameble.pl、filmweb.pl、ptaki.info），每个子文件夹下有reference-seeds.csv文件，记录对应网站网页中各值的人工标注真值
适用场景
- 信息提取研究: 用于半监督HTML信息提取系统的训练、测试与性能验证
- 网页数据处理: 支持网页结构化数据抽取方法的开发与优化
- 自然语言处理: 适用于基于HTML文本的信息抽取算法研究
- 机器学习: 可作为半监督学习模型在信息提取任务中的实验数据集
