基于包裝器模型的信息抽取算法研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的普及和網(wǎng)絡(luò)技術(shù)的發(fā)展，Web已經(jīng)發(fā)展為一個(gè)巨大的信息倉庫，成為日益重要和最具潛力的全球信息傳遞與共享的資源。然而，想要快速、準(zhǔn)確地從海量的資源中找到所需要的信息并被其他程序所應(yīng)用，就成為了一大難題。因此，需要應(yīng)用信息抽取技術(shù)從大量的半結(jié)構(gòu)化信息中抽取出結(jié)構(gòu)化的、符合主題的數(shù)據(jù)。由于HTML網(wǎng)頁主要是供瀏覽的，并不是用來供操縱和使用的，其中的數(shù)據(jù)很難被應(yīng)用程序直接使用。因此，將數(shù)據(jù)從網(wǎng)頁中抽取出來并且將它們傳遞給應(yīng)用程序使

2、用依然是一個(gè)復(fù)雜、困難但又有意義的任務(wù)。 本文對(duì)Web信息抽取的一些基本概念做簡要介紹，并簡述Web信息抽取技術(shù)的產(chǎn)生和發(fā)展。在此基礎(chǔ)上，詳細(xì)介紹當(dāng)前Web信息抽取技術(shù)的一些常用方法，并對(duì)這些方法進(jìn)行分類，進(jìn)而對(duì)這些方法進(jìn)行對(duì)比分析，指出各種方法的優(yōu)缺點(diǎn)。本研究主要體現(xiàn)在兩個(gè)方面：一、在WEB頁面匹配算法的基礎(chǔ)上，采用了先去除噪聲的分析與設(shè)計(jì)思想，對(duì)抽取的內(nèi)容先進(jìn)行去除噪聲處理，將基于視覺的算法與基于DOM樹匹配的算法相結(jié)合，提