基于DOM信息抽取技術(shù)的網(wǎng)頁自動翻譯方法的應用研究.pdf

1、21世紀是一個信息時代,隨著國際間各種交流的日益頻繁,語言的多樣性成了交流的一大障礙。機器翻譯(Machine Translation)可以幫助實現(xiàn)人與人之間的輔助語言交流,作為自然語言處理領(lǐng)域的一個分支,它涉及了很多其他領(lǐng)域的知識,由于人類對語言知識了解的有限性與計算機處理自然語言的局限性,機器翻譯成了一個全世界研究學者的難題。機器翻譯是自然語言處理的一個重要研究領(lǐng)域,在當今信息社會有著廣泛的應用前景。
　　 隨著互聯(lián)網(wǎng)的快速

2、發(fā)展和普及,人們越來越依賴于網(wǎng)絡(luò)獲取信息。如何從中快速高效的獲得想要的信息成為迫切需要解決的問題,Web信息抽取技術(shù)應運而生。目前,已經(jīng)產(chǎn)生了各種各樣的方法來生成包裝器,但這些方法有不同的局限性,在精確度、健壯性和通用性方面難以達到很高的要求。因此,信息抽取的研究重點就是如何構(gòu)建良好的包裝器。
　　 本文首先對現(xiàn)有的信息抽取技術(shù)和XML技術(shù)進行分析與研究,提出一個基于XML技術(shù)的Web信息抽取系統(tǒng)。通過該系統(tǒng)用戶能夠?qū)⒕W(wǎng)頁中HT

3、ML頁面中感興趣的信息點抽取出來,并用結(jié)構(gòu)化和擴展性強的XML來表示抽取結(jié)果。該系統(tǒng)具有較好的通用性和靈活性,用戶能夠快速定制應用于不同領(lǐng)域的Web信息抽取包裝器。本文應用XPath技術(shù)在數(shù)據(jù)定位方面的特點,提出一種基于DOM的XPath生成算法。本文利用XSLT作為抽取規(guī)則的描述語言,并使用XPath來定位待抽取信息點。
　　 綜合多種框架,利用貝葉斯模型對中文進行了分詞并通過與語料庫的進一步結(jié)合,實現(xiàn)了基于DOM信息抽取技術(shù)