從HTML文檔中基于模式的信息提取.pdf

1、萬(wàn)維網(wǎng)是資訊的大量的未標(biāo)記遍布不同源的不同格式來(lái)源。這既極大的機(jī)遇和挑戰(zhàn)在利用這種大量的非結(jié)構(gòu)化資料建立知識(shí)庫(kù)，提取相關(guān)資訊。資訊提取(IE)系統(tǒng)作為前臺(tái)的結(jié)束和核心階段在不同的自然語(yǔ)言程式設(shè)計(jì)任務(wù)。由於IE已證明其效率在域特定的任務(wù)，這個(gè)專案?jìng)?cè)重于一個(gè)域:商標(biāo)資料提取。萃取模式然后是基于文本的運(yùn)算式和在出現(xiàn)前後的文本中找到的元素後目標(biāo)文本研究設(shè)計(jì)。
　　有趣的是，web文檔的大部分是寫(xiě)在超文字標(biāo)記語(yǔ)言(HTML)，不含任何手段在

2、語(yǔ)義描述的內(nèi)容，以及所包含的資訊不能直接處理。因此，這個(gè)系統(tǒng)中，基于模式的IE從HTML檔案，重點(diǎn)基于一定的獨(dú)立性的基礎(chǔ)HTML代碼和文檔中的更改更好地抵抗的視覺(jué)資訊的HTML文檔的邏輯結(jié)構(gòu)。此外，也有適合與樹(shù)匹配演算法提取資料，和這一專案中的應(yīng)用建立在JAVA中使用“WebSphinx API&JsoupAPI”來(lái)檢索HTML頁(yè)和解析HTML文本。
　　實(shí)驗(yàn)測(cè)試一般導(dǎo)致很高的性能，對(duì)於提取的所有任務(wù)。系統(tǒng)的執(zhí)行具有較高的精度與實(shí)