基于標(biāo)點符號統(tǒng)計特征的中文類型網(wǎng)頁正文抽取.pdf

1、信息技術(shù)的快速發(fā)展,已經(jīng)讓web成為一個龐大的信息源,用戶準(zhǔn)確從web獲取所需要的信息的必要手段是信息抽取,如何快速準(zhǔn)確地從web文檔中查詢到人們感興趣的信息成為必須認(rèn)真對待的重要問題。
　　傳統(tǒng)意義上的信息抽取技術(shù)是為文本的信息抽取而設(shè)計的,通常主要運用自然語言處理的技術(shù)。但是由于抽取信息時,除了文本內(nèi)容之外沒有其他可以使用的信息,所以信息抽取技術(shù)的發(fā)展相當(dāng)?shù)木徛?。如何提?web文檔信息抽取的效率成為我們的研究熱點,對于中文類

2、型的 web文檔進行信息抽取有相當(dāng)重要的實際意義。
　　本文針對以上問題,對web文檔信息抽取的深入地系統(tǒng)地研究,取得了以下兩項研究成果。
　　1.通過試驗觀察得出標(biāo)點符號在web文檔中的分布特征,發(fā)現(xiàn)標(biāo)點符號可以作為web文檔信息抽取的依據(jù)。
　　2.針對中文類型網(wǎng)頁,提出一種以標(biāo)點符號統(tǒng)計特征為基礎(chǔ)的抽取web文檔正文的方法。該方法首先把web文檔轉(zhuǎn)換成與之相對應(yīng)的DOM樹,然后由標(biāo)點符號的統(tǒng)計特征構(gòu)造葉子結(jié)點的特