基于視覺的Web郵件信息提取技術設計與實現.pdf

1、隨著Web技術的更新,互聯網迎來了更加廣闊的發(fā)展,越來越多的應用以Web方式推出,并且以基于動態(tài)Web技術的深度Web逐漸取代傳統(tǒng)的靜態(tài)Web,對這些深度Web信息提取一直是近年來信息提取領域的熱門研究。傳統(tǒng)的信息抽取工作大多都是基于Web頁面源碼,進行手工或者半手工的信息特征標識,然后編程提取,更有高級一點的是采用數據挖掘的方式,基于統(tǒng)計或者訓練的方式進行抽象信息的提取。然后隨著HTML語言版本的更新,頁面形態(tài)及標簽日新月異,傳統(tǒng)的方

2、法都很難推廣或者保持準確性。
　　本文針對于Web郵件頁面,提出了基于視覺的郵件信息提取方案。該方案是針對于目前主流的郵箱,分析其頁面的視覺共性,然后基于視覺信息提取,目的是達到較高的準確率和推廣性。本方案是基于IE內核接口,采集郵件頁面的視覺信息及源碼DOM樹,統(tǒng)一轉化成一棵視覺樹,并對視覺樹進行一系列的預處理,然后應用VIPS算法進行語義分塊并生成視覺語義樹,最后在視覺語義樹基礎上,按郵件頭信息及正文信息的視覺特征進行數據識別