基于Web的信息抽取策略設(shè)計與實現(xiàn).pdf

1、隨著Internet的快速發(fā)展，互聯(lián)網(wǎng)已經(jīng)發(fā)展成為一個巨大的分布式信息空間，為用戶提供了一個極具價值的信息源。然而，在利用搜索引擎進行Internet 信息檢索時，返回的搜索結(jié)果數(shù)目非常龐大，用戶常常還是難以快速、準確地從紛繁復雜的海量信息中尋找到自己所需的且比較一致的信息。Web 信息抽取就是解決如何準確有效方便地從Web 網(wǎng)頁中抽取出所需要信息內(nèi)容的一項技術(shù)，是解決該問題的重要途徑之一。
　　 Internet 具有的海量、

2、異構(gòu)、動態(tài)變化等特性使Web 信息抽取不同于傳統(tǒng)信息抽取，同時帶來了新的挑戰(zhàn)。抽取技術(shù)隨著需求的增加而不斷豐富，近年來國內(nèi)外涌現(xiàn)了多種信息抽取策略。這些策略各有側(cè)重地解決了Web 信息抽取中面臨的一些問題，但在某些方面存在不同程度的局限或缺陷。針對特定領(lǐng)域數(shù)據(jù)源，如何選擇或設(shè)計更有針對性且更高效準確的抽取策略尚不明確。因此，有必要對針對特定領(lǐng)域數(shù)據(jù)源的Web 信息抽取策略問題作進一步研究。
　　 論文首先介紹了信息抽取技術(shù)的發(fā)展

3、現(xiàn)狀、相關(guān)知識、存在的問題和評價標準，對幾種典型的Web 信息抽取策略進行了綜合分析比較。接著，針對特定領(lǐng)域數(shù)據(jù)源，論文在分析該數(shù)據(jù)源特點的基礎(chǔ)上設(shè)計了半人工規(guī)則的信息抽取策略，同時詳細論述了該策略涉及的主題式蜘蛛、網(wǎng)頁凈化、半人工抽取規(guī)則的定義和抽取規(guī)則的執(zhí)行方法等關(guān)鍵技術(shù)。在此基礎(chǔ)上，論文設(shè)計并實現(xiàn)了一個基于半人工規(guī)則策略的信息抽取系統(tǒng)，并以招聘信息領(lǐng)域數(shù)據(jù)源為例做了相關(guān)實驗。實驗證明，針對滿足一定條件的特定領(lǐng)域數(shù)據(jù)源，該抽取策略具