基于區(qū)域定位的購(gòu)物網(wǎng)站商品信息抽取方法.pdf

1、伴隨著電子商務(wù)的迅速發(fā)展,網(wǎng)上購(gòu)物越來(lái)越受到消費(fèi)者的喜愛。然而越來(lái)越多的商品讓消費(fèi)者感覺到無(wú)法下手購(gòu)買,要從海量的商品信息中找到最適合自己要求的商品,是一個(gè)比較困難和費(fèi)時(shí)的過(guò)程。web信息抽取的一個(gè)直接應(yīng)用就是幫助人們?cè)诩姺睆?fù)雜的商品信息海洋中快速準(zhǔn)確地查找所需商品。目前缺乏專門針對(duì)購(gòu)物網(wǎng)站的信息抽取技術(shù),采用通用的Web信息抽取技術(shù),難以快速而準(zhǔn)確地定位目標(biāo)商品信息。所以有必要對(duì)購(gòu)物網(wǎng)站商品信息抽取作進(jìn)一步研究。
　　 本文通

2、過(guò)分析購(gòu)物網(wǎng)站的頁(yè)面結(jié)構(gòu),針對(duì)大多數(shù)購(gòu)物網(wǎng)站HTML頁(yè)面的表格結(jié)構(gòu)特性,提出一種新的網(wǎng)頁(yè)模型,將購(gòu)物網(wǎng)站中的商品展示頁(yè)面分為三個(gè)區(qū)域:核心區(qū)域、準(zhǔn)核心區(qū)域和非核心區(qū)域。并在此頁(yè)面模型基礎(chǔ)上,提出區(qū)域定位的概念,將商品信息抽取問(wèn)題分解為頁(yè)面預(yù)處理、區(qū)域定位和區(qū)域結(jié)構(gòu)分析三個(gè)關(guān)鍵步驟。
　　 頁(yè)面預(yù)處理模塊主要負(fù)責(zé)HTML頁(yè)面中的標(biāo)簽修復(fù)、噪聲處理。通過(guò)分析頁(yè)面結(jié)構(gòu),對(duì)HTML文檔解析來(lái)構(gòu)造DOM樹,把HTML文檔中不需要處理的元素

3、從DOM樹中剔除,比如廣告圖片、腳本代碼等,從而最大限度的減少噪聲信息對(duì)抽取工作的影響。
　　 區(qū)域定位模塊主要負(fù)責(zé)從DOM樹中定位用戶感興趣的商品信息區(qū)域。在區(qū)域定位過(guò)程中,結(jié)合商品屬性關(guān)鍵字,找到匹配節(jié)點(diǎn),再自底向上,定位準(zhǔn)核心區(qū)域,然后根據(jù)準(zhǔn)核心區(qū)域的期望值及區(qū)域內(nèi)節(jié)點(diǎn)類型比例,定位核心區(qū)域。
　　 區(qū)域結(jié)構(gòu)分析模塊的主要功能是分析核心區(qū)域的結(jié)構(gòu),定位商品“屬性-值”對(duì)信息,最終抽取目標(biāo)商品信息。
　　 在