Web就業(yè)信息抽取系統(tǒng)的實現(xiàn)研究.pdf

1、隨著Internet的快速發(fā)展，網(wǎng)絡已成為人們查詢信息、獲取數(shù)據(jù)的重要知識庫。面對遍布全球的互聯(lián)網(wǎng)絡構(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)潛在的有意義知識的有效手段，Web挖掘技術(shù)正越來受到人們的關(guān)注。
　　 在高職高專專業(yè)建設中需要從大量的企業(yè)用工信息中得到對專業(yè)建設和課程開設有一定指導意義的人才需求信息，Web信息是這些數(shù)據(jù)來源的重要組成部分，快速、準確、有效地獲取Web上的有價值信息，對指導高職院校專業(yè)建設和

2、核心課程開設有著重要的意義。
　　 因特網(wǎng)頁面所具有的數(shù)據(jù)量大、半結(jié)構(gòu)化且動態(tài)變化的特點,給Web信息抽取帶來了復雜度高、可擴展性和適應性差等問題。XML技術(shù)的出現(xiàn)，為解決基于Web的數(shù)據(jù)抽取提供了一個良好的機遇。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。
　　 本文主要進行了以下幾個方面的工作：
　　 1．針對Web信息抽取中的主要難點是如何有效地確定抽取規(guī)則這一問題。本文給出了一種基

3、于路徑歸納學習的信息抽取方案，并對相關(guān)的技術(shù)進行了探討和研究；
　　 2.在對Web頁特點進行研究的基礎上，利用XML的特點進行Web信息抽取，為此利用Jtidy對其待抽取的Web頁代碼進行優(yōu)化和清洗并轉(zhuǎn)化為XML文檔，再經(jīng)過XML解析獲取Web頁的DOM樹，以利進一步進行信息抽??；
　　 3.采用歸納學習方法給出基于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；通過機器學習生成抽取規(guī)則（集），