基于重復(fù)模式的Web數(shù)據(jù)抽取與集成應(yīng)用.pdf_第1頁(yè)
已閱讀1頁(yè),還剩65頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、信息時(shí)代,Internet已經(jīng)成為人們獲取信息的重要途徑,而基于關(guān)鍵字檢索的Internet搜索引擎又是人們從互聯(lián)網(wǎng)上查找信息的主要方法。從互聯(lián)網(wǎng)獲取信息的主要局限性在于,在互聯(lián)網(wǎng)海量的Web頁(yè)面中很難定位特定的知識(shí);而搜索引擎又很容易將所需知識(shí)淹沒(méi)在大量的低相關(guān)度,甚至無(wú)關(guān)網(wǎng)頁(yè)中。另一方面隨著信息技術(shù)的進(jìn)步和人們的實(shí)際需要,涌現(xiàn)出了一些全新的基于Web的應(yīng)用,例如監(jiān)控股票市場(chǎng)的實(shí)時(shí)行情、各個(gè)電子商務(wù)網(wǎng)站的商品價(jià)格比較等等。僅憑傳統(tǒng)搜索

2、引擎技術(shù)和Web查詢技術(shù)無(wú)法真正滿足這些新興的需求。與信息檢索技術(shù)不同的是,數(shù)據(jù)抽取技術(shù)更側(cè)重于從Web文檔集合中發(fā)現(xiàn)相關(guān)聯(lián)的文檔,并從中抽取出用戶感興趣的信息,即將HTML等半結(jié)構(gòu)化的數(shù)據(jù)轉(zhuǎn)換成為結(jié)構(gòu)化的數(shù)據(jù)。
  Web數(shù)據(jù)庫(kù)的廣泛使用使得大量高質(zhì)量的信息無(wú)法被傳統(tǒng)的搜索引擎索搜索到。這種基于數(shù)據(jù)庫(kù)的應(yīng)用被稱之為DeepWeb。Web數(shù)據(jù)庫(kù)依據(jù)用戶特定的查詢要求或條件動(dòng)態(tài)的生成Web頁(yè)面,即查詢相關(guān)Web頁(yè)面中的數(shù)據(jù)記錄之間具

3、有極高的代碼結(jié)構(gòu)相似性,也就是說(shuō)Web數(shù)據(jù)記錄對(duì)應(yīng)的DOM子樹(shù)之間自然也就具有很高的結(jié)構(gòu)相似性。
  本文從分析Web文檔與DOM樹(shù)的對(duì)應(yīng)關(guān)系入手,提出了一種基于重復(fù)模式的高效Web自動(dòng)抽取算法——DES算法,同時(shí)利用集成工具ODI進(jìn)行數(shù)據(jù)集成,獲得可以直接被其它的應(yīng)用程序利用結(jié)構(gòu)化數(shù)據(jù),進(jìn)一步完成信息檢索、數(shù)據(jù)挖掘、機(jī)器翻譯、文本摘要等后續(xù)Web信息處理。HTML對(duì)應(yīng)的DOM樹(shù)是該方法的Web數(shù)據(jù)結(jié)構(gòu)化和分析抽取的基礎(chǔ)。該抽取算

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論