基于樹(shù)模型的多包裝器信息抽取系統(tǒng)研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)成為人們獲取自己需要的信息的重要途徑，Web信息抽取是一種可以從Web頁(yè)面信息中抽取出結(jié)構(gòu)化的信息的技術(shù)，為人們從浩瀚如海的internet網(wǎng)上獲取信息提供了便利，包裝器技術(shù)就是其中的一種。然而現(xiàn)在Web頁(yè)面上的信息變得越來(lái)越密集，一個(gè)頁(yè)面可能會(huì)提供具有不同含義的數(shù)據(jù)塊信息，這種頁(yè)面被稱作多個(gè)信息塊Web頁(yè)面。在以往的Web信息抽取技術(shù)中，包裝器大部分針對(duì)只含有一個(gè)信息塊的Web頁(yè)面，而不適用于這種多個(gè)信息塊Web

2、頁(yè)面。因此針對(duì)以往包裝器的適應(yīng)性缺點(diǎn)，本文提出了一種對(duì)應(yīng)信息塊的子樹(shù)模型的表示方法，在這個(gè)子樹(shù)模型的基礎(chǔ)上提出了一種基于樹(shù)模型的多包裝器生成算法，并設(shè)計(jì)了基于樹(shù)模型的多包裝器信息抽取系統(tǒng)。
　　 基于樹(shù)模型的多包裝器信息抽取系統(tǒng)首先將多信息塊Web頁(yè)面解析為DOM樹(shù)，然后通過(guò)一種基于DOM樹(shù)的頁(yè)面分塊方法將多信息塊Web頁(yè)面分塊形成多個(gè)子樹(shù)模型，每個(gè)信息塊均對(duì)應(yīng)一個(gè)子樹(shù)模型，提出一種KEY-SubTree的表示方法用來(lái)表示子樹(shù)模

3、型，為每個(gè)子樹(shù)模型賦予KEY-Value值用來(lái)區(qū)分彼此，因此可以根據(jù)KEY-Value值劃分形成以KEY-Value值為區(qū)別關(guān)鍵詞的KEY-SubTree集合。最后在多包裝器生成過(guò)程中，根據(jù)Tree-align算法的思想提出一種基于樹(shù)模型的多包裝器生成算法——Multi-wrapper算法，并用它以KEY-SubTree集合為對(duì)象生成各個(gè)信息塊對(duì)應(yīng)的包裝器，使得頁(yè)面中的每個(gè)信息塊對(duì)應(yīng)一個(gè)包裝器，生成了多個(gè)包裝器。將這多個(gè)包裝器放入一個(gè)包