面向OA期刊檢索結(jié)果頁面的信息抽取方法研究.pdf

1、目前，互聯(lián)網(wǎng)上諸多開放存取(Open Access，OA)期刊快速遞增的“孤島”現(xiàn)狀已制約了OA期刊應(yīng)有效能的發(fā)揮。解決該問題的一條途徑就是將不同開放存取期刊的檢索服務(wù)加以整合，建立一個虛擬的數(shù)字資源空間，從而實現(xiàn)資源的快速共享，而OA期刊檢索結(jié)果頁面的信息抽取是其中的關(guān)鍵步驟之一。
　　本文主要研究OA期刊檢索結(jié)果頁面的信息抽取方法，研究的具體內(nèi)容如下。
　　首先，針對目前現(xiàn)有的數(shù)據(jù)區(qū)域定位方法不夠準(zhǔn)確和對期刊網(wǎng)站檢索結(jié)果

2、頁面定位不能適用的問題，通過分析期刊網(wǎng)站檢索結(jié)果頁面中數(shù)據(jù)區(qū)域與非數(shù)據(jù)區(qū)域的區(qū)別，提出了基于統(tǒng)計的數(shù)據(jù)區(qū)域定位算法，并給出了算法描述和實現(xiàn)，該算法以網(wǎng)頁分塊為基礎(chǔ)，然后應(yīng)用統(tǒng)計的方法進行數(shù)據(jù)區(qū)域定位。
　　其次，為了抽取數(shù)據(jù)區(qū)域中論文信息，需要進行數(shù)據(jù)記錄劃分，提出了一種基于聚類的數(shù)據(jù)記錄劃分算法，該算法通過計算子樹在顯示樣式、數(shù)據(jù)類型、標(biāo)記路徑結(jié)構(gòu)、鄰接特征四個方面的相似度，對子樹進行聚類。數(shù)據(jù)記錄劃分后，針對數(shù)據(jù)記錄中數(shù)據(jù)單元