基于本體的網頁中非標記表格抽取的研究與實現(xiàn).pdf

1、目前，國內外垂直搜索引擎發(fā)展迅速，各行業(yè)各種類型的垂直搜索引擎如百花齊放。與傳統(tǒng)搜索引擎相比，垂直搜索的一大特點就是需要對HTML頁面進行信息抽取，但是實現(xiàn)通用自動的抽取系統(tǒng)很困難。
　　本文以上市公司發(fā)布的金融年報為研究對象，金融年報中包含大量的表格，而HTML頁面中的表格分為標記表格與非標記表格，金融年報中的表格屬于非標記表格。
　　本論文的主要研究目的是將本體與機器學習方法結合，探索實現(xiàn)通用自動的非標記表格抽取的方法。

2、
　　另外本文的任務是為金融語義網搜索引擎提供檢索數(shù)據(jù)，語義網文件具有半結構化的特性，所以本文的抽取結果存儲在XML文檔中。
　　通過上面對輸入輸出數(shù)據(jù)格式的分析，本文初步實現(xiàn)一個非標記表格的抽取系統(tǒng)，并且實現(xiàn)了抽取結果的自動測試。
　　本論文主要研究以下幾方面的內容：
　?。?）分析金融年報特征，詳細設計非標記表格抽取的架構；
　?。?）根據(jù)表格抽取需求，研究對HTML頁面進行凈化處理的方法；
　　

3、（3）實現(xiàn)表格結構識別的過程，改進其中的定位、列分割等算法；
　　（4）基于組員已建立的金融領域的本體，判斷表格的展開方式，設計內容抽取的方法；
　?。?）研究實現(xiàn)表格抽取系統(tǒng)的結果準確度自動測試的算法；
　?。?）分析結構識別各階段以及系統(tǒng)抽取結果的不足。
　　現(xiàn)階段國內外對非標記表格抽取的研究主要集中在結構識別階段，研究抽取系統(tǒng)的很少。本文的研究主要在凈化、定位、列分割階段，準確度較高，其他階段也進行了實現(xiàn)，