多證據(jù)結(jié)合的網(wǎng)頁(yè)信息抽取.pdf

1、伴隨著Internet的高速發(fā)展，互聯(lián)網(wǎng)信息爆炸性增長(zhǎng)，并且不斷在更新，現(xiàn)在已經(jīng)是世界上最大的信息來(lái)源?；ヂ?lián)網(wǎng)絕大部分信息存儲(chǔ)于半結(jié)構(gòu)化的HTML頁(yè)面中，如何從半結(jié)構(gòu)化頁(yè)而提取信息并通過(guò)結(jié)構(gòu)化形式提供給人們是一個(gè)迫切需要解決的問(wèn)題，同時(shí)對(duì)多源Web信息進(jìn)行聚合也是一個(gè)研究熱點(diǎn)，所以研究網(wǎng)頁(yè)信息抽取技術(shù)越發(fā)顯得重要。
　　 現(xiàn)今網(wǎng)頁(yè)往往中存在著大量噪音信息，如導(dǎo)航鏈接、廣告鏈接、版權(quán)信息以及相關(guān)主題內(nèi)容推薦，傳統(tǒng)的基于HTML結(jié)構(gòu)

2、的網(wǎng)頁(yè)信息抽取方法對(duì)于這些噪聲信息的處理能力顯得捉襟見(jiàn)肘。網(wǎng)頁(yè)是經(jīng)瀏覽器解釋和渲染后呈現(xiàn)給用戶查看的，包含有豐富的視覺(jué)信息，如樣式、位置、顯示等，利用這些視覺(jué)特征可以過(guò)濾掉網(wǎng)頁(yè)中的噪聲，提高信息抽取的效率和準(zhǔn)確率。因此，本文將研究基于HTML結(jié)構(gòu)和視覺(jué)特征的方法，以對(duì)網(wǎng)頁(yè)進(jìn)行信息抽取。本文的工作和創(chuàng)新點(diǎn)如下:
　　 提出了一種結(jié)合DOM樹(shù)和視覺(jué)特征的多證據(jù)網(wǎng)頁(yè)信息抽取方法DVF(AWeb Information Extracti

3、on Method Based on DOM and Visual Features)。DVF方法首先利用視覺(jué)特征和DOM樹(shù)結(jié)構(gòu)特點(diǎn)搜索候選目標(biāo)數(shù)據(jù)區(qū)域，然后依據(jù)所占頁(yè)面篇幅大小這一視覺(jué)特性識(shí)別目標(biāo)數(shù)據(jù)區(qū)域，最后抽取數(shù)據(jù)記錄。實(shí)驗(yàn)對(duì)10個(gè)網(wǎng)站進(jìn)行抽取，結(jié)果有8個(gè)網(wǎng)站抽取的召回率和準(zhǔn)確率均為100％。
　　 本文還實(shí)現(xiàn)了一個(gè)基于LBS(Location Based Service)的餐飲信息聚合服務(wù)系統(tǒng)。系統(tǒng)從互聯(lián)網(wǎng)多個(gè)生活資訊服