基于表格結(jié)構(gòu)的Web信息提取技術(shù)研究.pdf

1、表格結(jié)構(gòu)作為一種簡潔有效的數(shù)據(jù)信息表達(dá)方式，在各種領(lǐng)域的Web頁中都得到了廣泛的應(yīng)用。但因其形式及功能的多樣性，給基于表格結(jié)構(gòu)的Web信息提取帶來了巨大的挑戰(zhàn)，主要體現(xiàn)在基于表格結(jié)構(gòu)的Web信息的理解、定位及提取上。
　　本文從標(biāo)記和視覺特征的角度出發(fā)，將基于表格結(jié)構(gòu)的Web信息劃分為列表和表格，然后針對不同結(jié)構(gòu)分別研究出一種具有領(lǐng)域獨立性的信息提取方法。
　　首先，針對具有各種不同標(biāo)記的列表信息定位困難與單條列表信息提取繁

2、瑣問題，提出了基于HTML結(jié)構(gòu)樹的一體化解決方案。該方案集列表信息的定位與提取于一個統(tǒng)一的算法中，易于實現(xiàn)。
　　其次，提出了一種基于特征向量機器學(xué)習(xí)算法的Web表格識別方法，重點研究了表格特征的構(gòu)建。針對各種數(shù)據(jù)對特征的表征能力不同及特征向量維數(shù)過高等問題，提出了利用統(tǒng)計計算的方法僅從布局和內(nèi)容結(jié)構(gòu)方面構(gòu)建表格的特征。
　　最后，針對傳統(tǒng)的二維條件隨機場模型難以處理標(biāo)注元素間復(fù)雜依賴關(guān)系的問題，結(jié)合表格的結(jié)構(gòu)特征，提出一種