PDF文檔語義信息抽取研究.pdf

1、PDF文檔應(yīng)用范圍十分廣泛,數(shù)量極其巨大,而且PDF的應(yīng)用仍然處于繼續(xù)發(fā)展的狀態(tài),它在不斷地被更多的用戶所接受和采納.PDF應(yīng)用的廣泛性和它繼續(xù)蓬勃發(fā)展的狀態(tài)與對(duì)PDF文檔的有效管理的滯后性形成了一對(duì)十分尖銳的矛盾,對(duì)PDF基于語義的精確查詢和管理勢(shì)在必行.該系統(tǒng)的將信息抽取技術(shù)和機(jī)器學(xué)習(xí)技術(shù)的思想相結(jié)合,實(shí)現(xiàn)了從PDF文檔中按語義抽取出有用的數(shù)據(jù),并包裝成XML文檔.該系統(tǒng)的實(shí)現(xiàn)主要分為兩個(gè)過程,一是通過樣本學(xué)習(xí)生成抽取規(guī)則,即用戶先

2、在PDF視圖環(huán)境中根據(jù)對(duì)PDF樣本文檔理解,創(chuàng)建語義模式,對(duì)頁面信息附加語義,然后通過用戶標(biāo)記PDF樣本文檔中的數(shù)據(jù)項(xiàng),并在用戶創(chuàng)建的語義模式中選擇相應(yīng)的語義項(xiàng),在語義模式語義項(xiàng)與PDF樣本文檔中數(shù)據(jù)項(xiàng)之間建立映射關(guān)系;在創(chuàng)建語義模式、建立映射關(guān)系的同時(shí),用戶將PDF樣本文檔也提交到預(yù)處理模塊,經(jīng)過轉(zhuǎn)化得到樣本XML文檔;系統(tǒng)針對(duì)前面建立的映射關(guān)系和樣本XML文檔進(jìn)行自動(dòng)地學(xué)習(xí),生成抽取規(guī)則;二是利用抽取規(guī)則從文檔集中抽取出有用數(shù)據(jù),并