基于視覺(jué)信息和DOM樹(shù)的Deep Web數(shù)據(jù)自動(dòng)抽取.pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展,其中已蘊(yùn)含了海量的信息資源,涵蓋了現(xiàn)實(shí)世界的各個(gè)領(lǐng)域。相對(duì)于Surface Web,Deep Web蘊(yùn)含著更豐富的數(shù)據(jù)、擁有更多的訪問(wèn)量和更快的增長(zhǎng)速度。但是Deep Web頁(yè)面是動(dòng)態(tài)生成的,難以被傳統(tǒng)搜索引擎索引到。因此,如何有效地獲取和利用 Deep Web頁(yè)面的數(shù)據(jù)成為一個(gè)重要的研究方向。Deep Web數(shù)據(jù)通過(guò)查詢結(jié)果頁(yè)面表現(xiàn)出來(lái),但是網(wǎng)頁(yè)中的數(shù)據(jù)形式各異、缺乏結(jié)構(gòu)性,便于用戶瀏覽卻難以利用。本文基于網(wǎng)頁(yè)的

2、視覺(jué)信息和 DOM樹(shù)結(jié)構(gòu),對(duì) Deep Web查詢結(jié)果頁(yè)面的數(shù)據(jù)自動(dòng)抽取進(jìn)行了研究,主要研究?jī)?nèi)容如下:
　　(1)定位數(shù)據(jù)區(qū)域。首先通過(guò)分析 Deep Web查詢結(jié)果頁(yè)面中數(shù)據(jù)區(qū)域的特點(diǎn),找到能夠使之定位的視覺(jué)特征。然后收集了相關(guān)頁(yè)面作為樣本,并對(duì)樣本中的節(jié)點(diǎn)進(jìn)行手工標(biāo)注。通過(guò) Weka訓(xùn)練得到相應(yīng)的決策樹(shù),最后使用該決策樹(shù)對(duì)應(yīng)的規(guī)則來(lái)定位數(shù)據(jù)區(qū)域。
　　(2)抽取數(shù)據(jù)記錄。這個(gè)過(guò)程分為兩步:定位數(shù)據(jù)記錄和去噪。第一步,根據(jù)

3、網(wǎng)頁(yè)中數(shù)據(jù)記錄的 DOM樹(shù)的結(jié)構(gòu)特點(diǎn)及其視覺(jué)特征,提出了數(shù)據(jù)記錄定位算法,但是由此得到的節(jié)點(diǎn)中不僅包含了數(shù)據(jù)記錄節(jié)點(diǎn),還有少量的噪音;第二步,通過(guò) xpath定義了數(shù)據(jù)記錄的相似度,并通過(guò)相似度比較進(jìn)行去噪,從而得到數(shù)據(jù)記錄節(jié)點(diǎn)。
　　(3)對(duì)齊數(shù)據(jù)項(xiàng)。首先將數(shù)據(jù)記錄劃分成相應(yīng)的數(shù)據(jù)項(xiàng),然后為便于對(duì)齊設(shè)計(jì)了相應(yīng)的數(shù)據(jù)結(jié)構(gòu),并基于 xpath給出了對(duì)齊數(shù)據(jù)項(xiàng)的算法。
　　(4)模板。針對(duì)數(shù)據(jù)區(qū)域、數(shù)據(jù)記錄以及數(shù)據(jù)項(xiàng)各自的特點(diǎn),

4、提出了相應(yīng)的模板。通過(guò)模板的使用,不僅在抽取過(guò)程中避免了大量重復(fù)的計(jì)算,提高了抽取速度,而且方便實(shí)現(xiàn)連續(xù)頁(yè)面的數(shù)據(jù)項(xiàng)抽取。
　　論文的創(chuàng)新點(diǎn)如下:(1)引入了 xpath的概念,通過(guò) xpath定義了數(shù)據(jù)記錄的相似度,從而進(jìn)行數(shù)據(jù)記錄的去噪。并通過(guò) xpath的比較完成了數(shù)據(jù)項(xiàng)的對(duì)齊。(2)提出了數(shù)據(jù)項(xiàng)粒度的概念,并給出了將數(shù)據(jù)記錄劃分為數(shù)據(jù)項(xiàng)的相應(yīng)方法。
　　在以上研究的基礎(chǔ)上,設(shè)計(jì)開(kāi)發(fā)了 Deep Web查詢結(jié)果頁(yè)面的數(shù)