DynamicView中信息抽取系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、萬維網(wǎng)(WWW)技術(shù)的不斷發(fā)展促進(jìn)了Web信息檢索(Web Information Retrieval，WIR)和Web信息抽取技術(shù)(Web Information Extraction，WIE)的迅猛發(fā)展，如何從Web中抽取相關(guān)信息引起了人們的廣泛關(guān)注。 Web信息檢索可用于從Web上的海量頁面中找到相關(guān)信息所在的頁面地址。與Web信息檢索不同，Web信息抽取可以從一個(gè)具體的Web頁面中抽取出相關(guān)信息，并以結(jié)構(gòu)化的形式描述。

2、 現(xiàn)有的Web信息抽取算法可以分為以下兩類：一是基于頁面半結(jié)構(gòu)化特征的信息抽取，例如html頁面結(jié)構(gòu)文法推斷(Grammar Inference)和頁面分段(Page Segmentation)；二是基于自然語言文本特征的抽取，例如模版．槽填充(Template Filling)。與自然語言文本(Free TeXt)信息抽取相比，Web上某個(gè)具體領(lǐng)域中已標(biāo)記的頁面數(shù)量較少，因此如何在減少手工工作量的基礎(chǔ)上保證較高的信息抽取系統(tǒng)的精

3、度和召回率是有待解決的重要問題之一。 本文在分析現(xiàn)有信息抽取算法的基礎(chǔ)上，從DynamicView項(xiàng)目中信息抽取面臨的問題出發(fā)，以準(zhǔn)確探測(cè)研究員主頁中的研究興趣為目的，設(shè)計(jì)了基于列表頁面導(dǎo)航特性和結(jié)構(gòu)模版規(guī)則參數(shù)學(xué)習(xí)的研究員主頁發(fā)現(xiàn)算法和基于頁面分段技術(shù)的研究興趣信息抽取算法。前者用于獲取研究員的姓名及其主頁地址，它將Web信息檢索技術(shù)和Web信息抽取技術(shù)結(jié)合，能夠高精度地獲取具有相同特征的頁面集合的問題。后者通過基于分隔符的頁