信息集成系統(tǒng)中面向領(lǐng)域的Web信息抽取研究.pdf

1、互聯(lián)網(wǎng)上信息爆炸，如何準(zhǔn)確、快速地檢索出所需的信息以及更有效的利用這些信息，成為亟待解決的問題。在信息集成系統(tǒng)IIS（Information Integration System）中，如何整合各種異質(zhì)的Web數(shù)據(jù)源并對上層應(yīng)用提供統(tǒng)一的接口，為系統(tǒng)提供了最廣泛、最龐大和實時的數(shù)據(jù)，是Web信息抽取系統(tǒng)必須解決的問題。 本文研究的重點包括Web信息抽取規(guī)則和抽取系統(tǒng)框架兩部分，提出并實現(xiàn)了面向領(lǐng)域的信息抽取框架，對Web頁面自適應(yīng)

2、地采用DOM和NLP的方法進行抽取。Wrapper的核心是抽取規(guī)則，即源映射目標(biāo)模式的描述。 本文提出的基于DOM映射的信息抽取方法，采用標(biāo)準(zhǔn)的XML技術(shù)操縱Web頁面，通過歸納學(xué)習(xí)獲取抽取規(guī)則，執(zhí)行規(guī)則解釋引擎獲取抽取結(jié)果。對于非數(shù)據(jù)導(dǎo)向型的Web頁面，引入NLP領(lǐng)域相關(guān)理論，結(jié)合Web頁面標(biāo)簽的特點，將數(shù)據(jù)源轉(zhuǎn)化為分詞/分類處理，采用匹配觸發(fā)的模式，在觸發(fā)事件中計算語義距離來確定所需抽取的信息項。基于NLP的抽取方法彌補DO