多證據(jù)結(jié)合的網(wǎng)頁信息抽取.pdf

1、伴隨著Internet的高速發(fā)展，互聯(lián)網(wǎng)信息爆炸性增長，并且不斷在更新，現(xiàn)在已經(jīng)是世界上最大的信息來源。互聯(lián)網(wǎng)絕大部分信息存儲于半結(jié)構(gòu)化的HTML頁面中，如何從半結(jié)構(gòu)化頁而提取信息并通過結(jié)構(gòu)化形式提供給人們是一個迫切需要解決的問題，同時對多源Web信息進(jìn)行聚合也是一個研究熱點(diǎn)，所以研究網(wǎng)頁信息抽取技術(shù)越發(fā)顯得重要。
　　 現(xiàn)今網(wǎng)頁往往中存在著大量噪音信息，如導(dǎo)航鏈接、廣告鏈接、版權(quán)信息以及相關(guān)主題內(nèi)容推薦，傳統(tǒng)的基于HTML結(jié)構(gòu)

2、的網(wǎng)頁信息抽取方法對于這些噪聲信息的處理能力顯得捉襟見肘。網(wǎng)頁是經(jīng)瀏覽器解釋和渲染后呈現(xiàn)給用戶查看的，包含有豐富的視覺信息，如樣式、位置、顯示等，利用這些視覺特征可以過濾掉網(wǎng)頁中的噪聲，提高信息抽取的效率和準(zhǔn)確率。因此，本文將研究基于HTML結(jié)構(gòu)和視覺特征的方法，以對網(wǎng)頁進(jìn)行信息抽取。本文的工作和創(chuàng)新點(diǎn)如下:
　　 提出了一種結(jié)合DOM樹和視覺特征的多證據(jù)網(wǎng)頁信息抽取方法DVF(AWeb Information Extracti

3、on Method Based on DOM and Visual Features)。DVF方法首先利用視覺特征和DOM樹結(jié)構(gòu)特點(diǎn)搜索候選目標(biāo)數(shù)據(jù)區(qū)域，然后依據(jù)所占頁面篇幅大小這一視覺特性識別目標(biāo)數(shù)據(jù)區(qū)域，最后抽取數(shù)據(jù)記錄。實(shí)驗(yàn)對10個網(wǎng)站進(jìn)行抽取，結(jié)果有8個網(wǎng)站抽取的召回率和準(zhǔn)確率均為100％。
　　 本文還實(shí)現(xiàn)了一個基于LBS(Location Based Service)的餐飲信息聚合服務(wù)系統(tǒng)。系統(tǒng)從互聯(lián)網(wǎng)多個生活資訊服