セクションターゲットを訓練データに使えないだろうか…（コンテンツ抽出）

google_ad_section_start と google_ad_section_end で囲まれている部分を抽出するというのはよくある話だから，これを訓練データにしたという人がいてもおかしくないかなと思ったのですが，そういうことを試した人はいないのでしょうか．

現在，データだけでも作成してみようかと考えています．タグの属性を取り除いたり，テキスト部分を適当な記号列に置き換えたり（ひらがな -> 'h'，カタカナ -> 'k'，漢字 -> 'K' など）というように加工すれば，著作権の問題も解決できますし，圧縮もしやすくなるので，公開も可能かもしれません．

使い物になるか否かはデータを眺めてみないと何とも言えませんが…．

追記（2010-11-12）：とりあえず，手元のウェブコーパスを入力として作成中です．修了までに 2 日ほどかかると思います．