基于視覺(jué)的Web郵件信息提取技術(shù)設(shè)計(jì)與實(shí)現(xiàn).pdf

1、隨著Web技術(shù)的更新,互聯(lián)網(wǎng)迎來(lái)了更加廣闊的發(fā)展,越來(lái)越多的應(yīng)用以Web方式推出,并且以基于動(dòng)態(tài)Web技術(shù)的深度Web逐漸取代傳統(tǒng)的靜態(tài)Web,對(duì)這些深度Web信息提取一直是近年來(lái)信息提取領(lǐng)域的熱門研究。傳統(tǒng)的信息抽取工作大多都是基于Web頁(yè)面源碼,進(jìn)行手工或者半手工的信息特征標(biāo)識(shí),然后編程提取,更有高級(jí)一點(diǎn)的是采用數(shù)據(jù)挖掘的方式,基于統(tǒng)計(jì)或者訓(xùn)練的方式進(jìn)行抽象信息的提取。然后隨著HTML語(yǔ)言版本的更新,頁(yè)面形態(tài)及標(biāo)簽日新月異,傳統(tǒng)的方

2、法都很難推廣或者保持準(zhǔn)確性。
　　本文針對(duì)于Web郵件頁(yè)面,提出了基于視覺(jué)的郵件信息提取方案。該方案是針對(duì)于目前主流的郵箱,分析其頁(yè)面的視覺(jué)共性,然后基于視覺(jué)信息提取,目的是達(dá)到較高的準(zhǔn)確率和推廣性。本方案是基于IE內(nèi)核接口,采集郵件頁(yè)面的視覺(jué)信息及源碼DOM樹(shù),統(tǒng)一轉(zhuǎn)化成一棵視覺(jué)樹(shù),并對(duì)視覺(jué)樹(shù)進(jìn)行一系列的預(yù)處理,然后應(yīng)用VIPS算法進(jìn)行語(yǔ)義分塊并生成視覺(jué)語(yǔ)義樹(shù),最后在視覺(jué)語(yǔ)義樹(shù)基礎(chǔ)上,按郵件頭信息及正文信息的視覺(jué)特征進(jìn)行數(shù)據(jù)識(shí)別