基于包裝器模型的信息抽取算法研究.pdf

1、隨著計算機技術的普及和網(wǎng)絡技術的發(fā)展，Web已經(jīng)發(fā)展為一個巨大的信息倉庫，成為日益重要和最具潛力的全球信息傳遞與共享的資源。然而，想要快速、準確地從海量的資源中找到所需要的信息并被其他程序所應用，就成為了一大難題。因此，需要應用信息抽取技術從大量的半結構化信息中抽取出結構化的、符合主題的數(shù)據(jù)。由于HTML網(wǎng)頁主要是供瀏覽的，并不是用來供操縱和使用的，其中的數(shù)據(jù)很難被應用程序直接使用。因此，將數(shù)據(jù)從網(wǎng)頁中抽取出來并且將它們傳遞給應用程序使

2、用依然是一個復雜、困難但又有意義的任務。 本文對Web信息抽取的一些基本概念做簡要介紹，并簡述Web信息抽取技術的產(chǎn)生和發(fā)展。在此基礎上，詳細介紹當前Web信息抽取技術的一些常用方法，并對這些方法進行分類，進而對這些方法進行對比分析，指出各種方法的優(yōu)缺點。本研究主要體現(xiàn)在兩個方面：一、在WEB頁面匹配算法的基礎上，采用了先去除噪聲的分析與設計思想，對抽取的內(nèi)容先進行去除噪聲處理，將基于視覺的算法與基于DOM樹匹配的算法相結合，提