面向Web表單的信息抽取通用模型.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，互聯(lián)網(wǎng)上的信息量急劇膨脹，但網(wǎng)頁中信息表達(dá)的格式和風(fēng)格隨意、自由。面對多種的信息表達(dá)方式，讓計算機(jī)去自動識別或分類這些信息就變得十分有意義。為了讓計算機(jī)能夠自動識別獲取這些信息，各種信息抽取技術(shù)就應(yīng)運(yùn)而生。 信息抽取技術(shù)的關(guān)鍵技術(shù)是包裝器的生成方法。包裝器(Wrapper)的生成方法是當(dāng)前信息抽取領(lǐng)域的研究熱點(diǎn)。然而當(dāng)前的包裝器生成方法設(shè)計一般針對某一特定的應(yīng)用領(lǐng)域(如股票價格信息、工作招聘信息等)，這樣設(shè)計的

2、包裝器帶有那一特定領(lǐng)域信息的特征，因此其應(yīng)用都有其局限性。 本文提出了一個面向Web表單的信息抽取通用模型，完整的設(shè)計和實(shí)現(xiàn)了模型的定義方法、訓(xùn)練方法、表達(dá)和存儲方式及抽取方式。完整的闡述了對象模型和對象要素定義的結(jié)構(gòu)和方法，并提出了一個采用此模型進(jìn)行信息抽取的通用步驟。該步驟從互聯(lián)網(wǎng)上獲取包含需提取的信息的網(wǎng)頁，然后通過網(wǎng)頁視覺布局等信息分析得到含有具體內(nèi)容的Web表單，然后建立待抽取對象的對象定義模型，最后通過該模型從抽取的

3、Web表單中進(jìn)行特定信息的抽取。在對象模型的定義時采用了專家定義和使用訓(xùn)練庫訓(xùn)練兩種方法相結(jié)合的方法。在最后的系統(tǒng)實(shí)驗(yàn)中，實(shí)踐了使用該模型進(jìn)行信息抽取的完整步驟，首先定義了兩個對象模型(手機(jī)和MP3)，然后從互聯(lián)網(wǎng)中抽取了近萬個這兩種產(chǎn)品的Web表單，最后使用定義的兩個模型進(jìn)行了信息抽取，通過實(shí)驗(yàn)顯示該模型對表單式的信息有較好的抽取效果。 本文主要內(nèi)容總結(jié)為以下幾點(diǎn)： 1．面向Web表單信息抽取通用模型的設(shè)計與實(shí)現(xiàn)；