基于Web結(jié)構(gòu)的表格信息抽取研究.pdf

1、近年來Internet迅猛發(fā)展，Web已隨之發(fā)展為世界上規(guī)模最大最復(fù)雜的知識庫，越來越多的人從Web中獲取其所需信息，因此，Web信息抽取方法應(yīng)運而生。Web上的數(shù)據(jù)類型多種多樣，有結(jié)構(gòu)化表格數(shù)據(jù)，半結(jié)構(gòu)網(wǎng)頁數(shù)據(jù)和無結(jié)構(gòu)文本等等。Web表格廣泛存在于網(wǎng)絡(luò)購物、供求信息、資料檢索結(jié)果等頁面，從Web表格中抽取結(jié)構(gòu)化表格數(shù)據(jù)，具有重要的研究意義。然而，這種半結(jié)構(gòu)化的Web表格難以被用戶推薦、供求分析等Web應(yīng)用系統(tǒng)直接使用。為此，本文主要研

2、究半結(jié)構(gòu)化的Web表格信息抽取方法。
　　由于Web網(wǎng)頁可解析成樹結(jié)構(gòu)形式，經(jīng)分析，Web表格信息在解析樹中具有層次結(jié)構(gòu)分明，類似的Web表格數(shù)據(jù)域?qū)?yīng)的子樹結(jié)構(gòu)相似等特點。本文提出一個基于樹編輯距離的表格數(shù)據(jù)域抽取算法EtractDRs，其中以樹編輯距離度量子樹結(jié)構(gòu)的相似性，將結(jié)構(gòu)相似度大于設(shè)定閾值的子結(jié)構(gòu)合并，形成候選表格數(shù)據(jù)域，根據(jù)預(yù)定的啟發(fā)式規(guī)則進行判別，得到最終的表格數(shù)據(jù)域。在上述工作基礎(chǔ)上，最終得到所需的數(shù)據(jù)域。本文的