基于包裝器的web信息抽取算法實現(xiàn)【開題報告+文獻綜述+畢業(yè)設(shè)計】

1、1畢業(yè)設(shè)計文獻綜述畢業(yè)設(shè)計文獻綜述計算機科學(xué)與技術(shù)計算機科學(xué)與技術(shù)基于包裝器的基于包裝器的WebWeb信息抽取算法實現(xiàn)信息抽取算法實現(xiàn)一、選題的背景與意義當(dāng)今社會隨著互聯(lián)網(wǎng)的迅速發(fā)展，互聯(lián)網(wǎng)上流通的信息也在爆炸性地增長，并正在成為我們工作和生活中不可或缺的一員。然而，由于WWW是一個虛擬的開放環(huán)境，任何人和任何團體都可以在其上發(fā)表文章或言論。為幫助互聯(lián)網(wǎng)用戶有效地發(fā)布與接受信息，眾多的互聯(lián)網(wǎng)搜索引擎不斷出現(xiàn)，向廣大用戶提供基本的信息檢索

2、服務(wù)，怎樣快速有效經(jīng)濟地檢索到某個主題的所有相關(guān)信息，就成了一個十分熱門的課題。Web信息抽取技術(shù)就是有效解決如何準(zhǔn)確的從Web頁面中抽取所需要內(nèi)容的一項技術(shù)。信息抽?。↖nfomatiomExtraction）就是從新聞，文獻，資料等非結(jié)構(gòu)化或半結(jié)構(gòu)化的電子文件中有針對性地提取感興趣的信息形成結(jié)構(gòu)化的數(shù)據(jù)庫文件，以便用戶檢索和統(tǒng)計，輔助用戶決策。它從用戶的角度來理解現(xiàn)有的信息世界，不是為用戶提供需要的文檔，而是從文檔中抽取用戶所需要的

3、信息。在抽取出信息的同時保持源文檔和抽出信息之間的鏈接，方便用戶參考源文檔。信息抽取通過文本分析，主義分析，結(jié)構(gòu)化生成等過程抽取出有效的語義內(nèi)容。經(jīng)過幾十年的發(fā)展，主流的信息抽取技術(shù)一般可以分為基于自然語言理解，基于機器學(xué)習(xí)，基于Ontology和基于網(wǎng)頁結(jié)構(gòu)分析等方法。1、基于自然語言理解的方法自然語言的理解在傳統(tǒng)的信息抽取問題中已經(jīng)得到了廣泛的研究，采用過濾，詞性和詞匯主義標(biāo)識來建立短語和語句元素間的關(guān)聯(lián)，通過給定的例子學(xué)習(xí)抽取規(guī)則

4、。這些規(guī)則通過語法上的約束來定位元素。2、基于包裝器的方法包裝器歸納方式的信息抽取根據(jù)事先由用戶標(biāo)記的樣本實例，應(yīng)用機器學(xué)習(xí)歸納算法，生成基于分隔符的抽取規(guī)則。其中分隔符實質(zhì)是對感興趣語義項上下文的描述，即根據(jù)語義項的左右邊界來定位語義項。包裝器歸納方式和基3的方法，均取得了不錯的效果。但是國內(nèi)在信息抽取模板自動獲取方面的研究國內(nèi)還是很少，但同時這又是信息抽取研究方面急待解決的一個問題。二、基本內(nèi)容與擬解決的主要問題：(一)基本內(nèi)容：本

5、次課題是基于包裝器的方法來實現(xiàn)WEB文本信息抽取。?包裝器是一種軟件構(gòu)件，負責(zé)將數(shù)據(jù)和查詢請求由一種模式轉(zhuǎn)成另一種模式。?一個包裝器實際上可看作是一類頁面到該頁面所含元組集合的函數(shù)。?在WWW信息應(yīng)用中，包裝器是一個軟件過程，用已經(jīng)定義好的信息抽取規(guī)則，將輸入的WEB頁面中的信息抽取出來，轉(zhuǎn)換成用特定格式描述的信息（結(jié)構(gòu)化信息）包裝器的工作過程如圖1所示本次課題的主要任務(wù)主要分為以下二個方面1、熟悉Java編程工具，掌握Java編程過程