基于歸納規(guī)則的從半結(jié)構(gòu)化數(shù)據(jù)中進(jìn)行信息抽取的方法的研究.pdf

1、近幾年來隨著互聯(lián)網(wǎng)的飛速發(fā)展,網(wǎng)絡(luò)上存在著大量的有用的信息,各種各樣的網(wǎng)絡(luò)應(yīng)用程序應(yīng)運而生以解決網(wǎng)絡(luò)上信息的采集和挖掘工作,而其中信息抽取任務(wù)是很多應(yīng)用能夠進(jìn)行的基礎(chǔ),具有相當(dāng)重要的地位,尤其是從半結(jié)構(gòu)化的數(shù)據(jù)中抽取出滿足用戶需要的數(shù)據(jù).半結(jié)構(gòu)化的信息抽取是一個相對較年輕的領(lǐng)域,其有效性和表達(dá)性是衡量抽取效率的兩個主要標(biāo)準(zhǔn);有效性即抽取的效率,表達(dá)性即抽取能力的廣泛性.目前的各類系統(tǒng)在解決抽取問題時很少同時考慮這兩方面,大部分是考慮了有

2、效性忽略了表達(dá)性,或者考慮了表達(dá)性而忽略了有效性.傳統(tǒng)具有良好表達(dá)性的系統(tǒng)在采用機(jī)器學(xué)習(xí)方法時,運用自上而下的方法,從一般到特殊,往往具有很大的搜索空間,同時需要大量的訓(xùn)練實例,降低了其有效性.而具有較高有效性的系統(tǒng)很多的利用了HTML頁面的結(jié)構(gòu)信息,在處理大量較結(jié)構(gòu)化的頁面時比較有效,而在處理結(jié)構(gòu)有所變化的頁面時常常不能完成正確的抽取.該文提出了一種CWIWSK方法,兼顧兩者的優(yōu)點,采用機(jī)器學(xué)習(xí)的方法,采用自下而上的方法,從特殊到一般