基于文檔結(jié)構(gòu)的半監(jiān)督Blog信息抽取技術(shù).pdf

1、隨著話題檢測(cè)、社區(qū)發(fā)現(xiàn)、垂直搜索引擎等Blog研究的展開，對(duì)于結(jié)構(gòu)化Blog數(shù)據(jù)的渴求也日益強(qiáng)烈，然而傳統(tǒng)Web信息抽取在豐富靈活多變的Blog數(shù)據(jù)源中遇到了很大挑戰(zhàn)，因此專門針對(duì)Blog數(shù)據(jù)的信息抽取技術(shù)研究成為迫切需要。
　　本文首先對(duì)Blog頁(yè)面進(jìn)行了深入的分析，發(fā)現(xiàn)頁(yè)面含有結(jié)構(gòu)信息和語(yǔ)義信息，針對(duì)這一特點(diǎn)提出了一種Blog數(shù)據(jù)特征方法，該方法將原始Blog數(shù)據(jù)轉(zhuǎn)化為值和路徑的表示方式，更有利于信息抽取。另外發(fā)現(xiàn)Blog頁(yè)面

2、模板化、模塊化和個(gè)性化的特點(diǎn)，這會(huì)導(dǎo)致Html結(jié)構(gòu)發(fā)生變化，進(jìn)而信息抽取面對(duì)數(shù)據(jù)源也會(huì)不統(tǒng)一，為解決這些問題，本文提出了基于子樹相似性的Blog頁(yè)面分塊算法（BPS-BSS），該算法通過遞歸地對(duì)頁(yè)面中節(jié)點(diǎn)進(jìn)行層次聚類合并篩選，能夠提取出Blog頁(yè)面中的所有Blog模塊，使信息抽取算法只需要在模塊內(nèi)部抽取信息即可。實(shí)驗(yàn)表明該算法具有很高的準(zhǔn)確性和很低的時(shí)間復(fù)雜度。
　　提取出Blog頁(yè)面中的Blog模塊之后，利用模塊含有的語(yǔ)義信息，

3、本文提出了基于本體論的信息抽取算法，該算法首先建立一一對(duì)應(yīng)的Module概念和Blog概念，每個(gè)Blog概念都含有信息項(xiàng)概念，每個(gè)信息項(xiàng)都含有一些數(shù)據(jù)屬性信息；然后采用半監(jiān)督的方式簡(jiǎn)單地標(biāo)注樣本，利用樣本來(lái)歸納學(xué)習(xí)信息項(xiàng)的數(shù)據(jù)屬性；最后利用信息項(xiàng)的數(shù)據(jù)屬性生成信息項(xiàng)的抽取規(guī)則。由于是在模塊內(nèi)部進(jìn)行信息抽取，實(shí)驗(yàn)表明，這種算法不僅提高了抽取速度也提高了抽取準(zhǔn)確性。
　　基于以上的研究成果，本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)Blog信息抽取的實(shí)驗(yàn)原