基于結(jié)構(gòu)和視覺特征的網(wǎng)頁信息抽取技術(shù)的研究與實現(xiàn).pdf

1、本文將主要介紹網(wǎng)頁信息抽取領(lǐng)域相關(guān)的工作，包括信息抽取的歷史和網(wǎng)頁信息抽取的形式化定義。并將結(jié)合現(xiàn)在互聯(lián)網(wǎng)的特點總結(jié)網(wǎng)頁信息抽取的特點和難點，討論網(wǎng)頁信息抽取的技術(shù)現(xiàn)狀，根據(jù)不同的分類方法討論現(xiàn)有的網(wǎng)頁信息抽取方法，對當前的方法進行比較。 信息抽取是從一個文檔提取出相關(guān)的結(jié)構(gòu)化信息。網(wǎng)頁信息抽取是在互聯(lián)網(wǎng)環(huán)境下的信息抽取問題。本文討論的信息抽取都是指網(wǎng)頁信息抽取。輸入信息抽取系統(tǒng)的是原始網(wǎng)頁，輸出的是固定格式的信息點。信息點從各

2、種各樣的網(wǎng)頁中被抽取出來，然后以統(tǒng)一的形式集成在一起。這就是信息抽取的主要任務(wù)。 信息以統(tǒng)一的形式集成在一起的一個好處是方便檢查和比較，例如比較來自不同網(wǎng)站的商品信息，這可以幫助互聯(lián)網(wǎng)用戶從更大地范圍尋找自己感興趣的商品。還有一個好處是能對數(shù)據(jù)作自動化處理。結(jié)構(gòu)化的數(shù)據(jù)是開發(fā)人員比較喜歡的數(shù)據(jù)方式，處理起來比原本網(wǎng)絡(luò)上的異構(gòu)數(shù)據(jù)要方便許多。 網(wǎng)頁信息抽取技術(shù)對于從大量的網(wǎng)頁中抽取需要的特定信息說是非常有用的。在網(wǎng)上，同一