Web就業(yè)信息抽取系統(tǒng)的實(shí)現(xiàn)研究.pdf

1、隨著Internet的快速發(fā)展，網(wǎng)絡(luò)已成為人們查詢信息、獲取數(shù)據(jù)的重要知識(shí)庫(kù)。面對(duì)遍布全球的互聯(lián)網(wǎng)絡(luò)構(gòu)成的“數(shù)據(jù)海洋”，作為從浩瀚的Web信息資源中發(fā)現(xiàn)潛在的有意義知識(shí)的有效手段，Web挖掘技術(shù)正越來(lái)受到人們的關(guān)注。
　　 在高職高專專業(yè)建設(shè)中需要從大量的企業(yè)用工信息中得到對(duì)專業(yè)建設(shè)和課程開(kāi)設(shè)有一定指導(dǎo)意義的人才需求信息，Web信息是這些數(shù)據(jù)來(lái)源的重要組成部分，快速、準(zhǔn)確、有效地獲取Web上的有價(jià)值信息，對(duì)指導(dǎo)高職院校專業(yè)建設(shè)和

2、核心課程開(kāi)設(shè)有著重要的意義。
　　 因特網(wǎng)頁(yè)面所具有的數(shù)據(jù)量大、半結(jié)構(gòu)化且動(dòng)態(tài)變化的特點(diǎn),給Web信息抽取帶來(lái)了復(fù)雜度高、可擴(kuò)展性和適應(yīng)性差等問(wèn)題。XML技術(shù)的出現(xiàn)，為解決基于Web的數(shù)據(jù)抽取提供了一個(gè)良好的機(jī)遇。本文的研究是基于XML的Web信息抽取，它屬于Web內(nèi)容挖掘的范疇。
　　 本文主要進(jìn)行了以下幾個(gè)方面的工作：
　　 1．針對(duì)Web信息抽取中的主要難點(diǎn)是如何有效地確定抽取規(guī)則這一問(wèn)題。本文給出了一種基

3、于路徑歸納學(xué)習(xí)的信息抽取方案，并對(duì)相關(guān)的技術(shù)進(jìn)行了探討和研究；
　　 2.在對(duì)Web頁(yè)特點(diǎn)進(jìn)行研究的基礎(chǔ)上，利用XML的特點(diǎn)進(jìn)行Web信息抽取，為此利用Jtidy對(duì)其待抽取的Web頁(yè)代碼進(jìn)行優(yōu)化和清洗并轉(zhuǎn)化為XML文檔，再經(jīng)過(guò)XML解析獲取Web頁(yè)的DOM樹(shù)，以利進(jìn)一步進(jìn)行信息抽??；
　　 3.采用歸納學(xué)習(xí)方法給出基于DOM的抽取規(guī)則生成和數(shù)據(jù)抽取策略，提出了規(guī)則生成的算法和數(shù)據(jù)抽取算法；通過(guò)機(jī)器學(xué)習(xí)生成抽取規(guī)則（集），