半結(jié)構(gòu)化文本信息抽取方法研究及應(yīng)用.pdf

1、隨著辦公自動(dòng)化的快速發(fā)展，使得企事業(yè)單位及國家政府機(jī)關(guān)的數(shù)據(jù)存儲(chǔ)及表示形式呈現(xiàn)出分布性、異構(gòu)性的特點(diǎn)。不僅包括企事業(yè)單位及國家政府機(jī)關(guān)內(nèi)使用的關(guān)系數(shù)據(jù)庫、面向?qū)ο髷?shù)據(jù)庫等傳統(tǒng)結(jié)構(gòu)化數(shù)據(jù)，還包括Excel、Xml、Html等不具有像數(shù)據(jù)庫那樣有明確結(jié)構(gòu)的半結(jié)構(gòu)化數(shù)據(jù)，以及音頻、圖像、視頻、原始的文本文件等具有無模式及自描述特點(diǎn)的非結(jié)構(gòu)化數(shù)據(jù)。每個(gè)公司及政府部門都會(huì)有大量的、不同結(jié)構(gòu)形式的數(shù)據(jù)，他們會(huì)根據(jù)不同類型數(shù)據(jù)對應(yīng)的數(shù)據(jù)結(jié)構(gòu)選擇不同的

2、存儲(chǔ)方式。因此，為了實(shí)現(xiàn)公司及政府部門不同結(jié)構(gòu)數(shù)據(jù)之間的查詢和共享，不同結(jié)構(gòu)形式的數(shù)據(jù)集成問題已成為網(wǎng)絡(luò)應(yīng)用、數(shù)據(jù)庫應(yīng)用研究和解決實(shí)際需求的一個(gè)重要研究課題。
　　本文主要研究的是半結(jié)構(gòu)化數(shù)據(jù)與結(jié)構(gòu)化數(shù)據(jù)的集成問題，選擇了一種典型的半結(jié)構(gòu)化數(shù)據(jù)Excel表單，對不同行業(yè)、不同形式的數(shù)百張Excel表單從結(jié)構(gòu)上進(jìn)行了總結(jié)、分析、歸納和分類。在手工和編程實(shí)現(xiàn)對這種半結(jié)構(gòu)化數(shù)據(jù)進(jìn)行數(shù)據(jù)抽取的基礎(chǔ)上，總結(jié)了一些對這種典型的半結(jié)構(gòu)化數(shù)據(jù)的抽

3、取規(guī)則，將這些規(guī)則形式化地描述為不同的指令，形成一套半結(jié)構(gòu)化Excel表單數(shù)據(jù)抽取指令系統(tǒng)。最后，提出了一個(gè)具有通用性的基于指令系統(tǒng)的Excel表單數(shù)據(jù)抽取模型。
　　本文的基于指令系統(tǒng)的Excel表單數(shù)據(jù)抽取模型不僅能夠快速、準(zhǔn)確地對一個(gè)特定的Excel表單數(shù)據(jù)進(jìn)行抽取和加載，還能通過修改指令配置文件對不同樣式的Excel表單數(shù)據(jù)靈活地進(jìn)行自動(dòng)抽取和加載；該模型可以通過指令解釋器中的解釋器規(guī)則庫實(shí)現(xiàn)指令的可擴(kuò)展性，使其具有更強(qiáng)的