基于Web的半結(jié)構(gòu)化信息抽取方法研究.pdf

1、隨著Internet的迅猛發(fā)展,Web已經(jīng)成為一個巨大的信息空間,為人們提供了一個極具價值的信息源.然而,因為Web固有的開放性、動態(tài)性和異構(gòu)性,尤其是其上無固定模式的半結(jié)構(gòu)化數(shù)據(jù)呈現(xiàn)日益繁榮的趨勢,使得人們很難準確快速地從WWW上獲取所需的信息.如何快速、準確地從浩瀚的信息資源中尋找到所需信息已經(jīng)成為困擾網(wǎng)絡(luò)用戶的一大難題,也正是該文研究的核心內(nèi)容.該文的主要貢南和特色有以下幾個方面:1.針對Web信息分成的自由文本、結(jié)構(gòu)化文本、半結(jié)

2、構(gòu)化文本,以抽取模式為中心深入研究了其上的幾種具有代表性的web信息抽取方法,并對以上各種方法作出比較;2.對HTML文檔規(guī)范的表式結(jié)構(gòu)信息源,該文提出了利用待抽取屬性在文檔中位置即頁頭、頁尾標記和左右標記來進行抽取方法.3.對HTML文檔更廣泛的信息源,該文提出了以HTML標記樹為基礎(chǔ),把所要提取的信息在樹層次結(jié)構(gòu)中的路徑作為信息抽取的"坐標",并以這個基本原理為基礎(chǔ)設(shè)計了一種歸納學(xué)習(xí)算法來自動地生成提取規(guī)則,然后根據(jù)提取規(guī)劃進行信息