Web信息抽取規(guī)則的優(yōu)化及規(guī)則的XQuery表達(dá).pdf

1、隨著Internet的飛速發(fā)展，WorldWideWeb已經(jīng)發(fā)展成為全球傳播與共享科研、教育、商業(yè)和社會生活等方面最重要和最具潛力的信息資源。而以HTML標(biāo)記語言發(fā)布的Web信息面向顯示，缺乏模式信息和語義信息，為了更有效的管理和組織Web信息，實(shí)現(xiàn)對Web信息高效的查詢與檢索，XML及其相關(guān)規(guī)范隨之誕生了，并成為了人們公認(rèn)的信息交換標(biāo)準(zhǔn)。XML將Web信息的語義與顯示分離開來，通過定義帶有語義信息的標(biāo)記，提供了應(yīng)用程序處理Web信息時(shí)

2、所需的語義信息。但是，Web上大量存在的有價(jià)值的信息仍然是HTML格式的，為了以結(jié)構(gòu)化和一致的方式訪問Web信息，人們采用了信息抽取技術(shù)，并成為當(dāng)前研究熱點(diǎn)之一。 本文在分析影響信息抽取準(zhǔn)確率和召回率的各種因素的基礎(chǔ)上，改進(jìn)了基于HTML結(jié)構(gòu)的Web信息抽取方法。在仔細(xì)研究這方面的典型系統(tǒng)和方法，深入分析抽取依據(jù)，網(wǎng)頁結(jié)構(gòu)與語義模式匹配性的基礎(chǔ)上，該方法引入了相互聯(lián)系的三層規(guī)則：初始規(guī)則、最優(yōu)規(guī)則和基于XQuery的復(fù)雜對象抽取