資源描述：
《web頁面細(xì)粒度數(shù)據(jù)抽取方法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、2014年2月計(jì)算機(jī)工程與設(shè)計(jì)Feb．2014第35卷第2期COMPUTERENGINEERINGANDDESIGNVo1．35No．2Web頁面細(xì)粒度數(shù)據(jù)抽取方法研究王旭仁，楊碩，何發(fā)鎂，王彥麗，張為群。(1．首都師范大學(xué)信息工程學(xué)院，北京100048；2．北京理工大學(xué)圖書館，北京100081；3．西南大學(xué)計(jì)算機(jī)與信息科學(xué)學(xué)院，重慶400715)摘要：盡管有很多方法用于Web頁面信息抽取，對(duì)細(xì)粒度信息如數(shù)據(jù)項(xiàng)等的抽取需求仍然很迫切。提出了一個(gè)用于結(jié)構(gòu)化數(shù)據(jù)抽取的解決方案，將Web頁面上的信息以更細(xì)的粒度抽取出來。對(duì)包裝器(wrapper)生成時(shí)所依據(jù)的信息進(jìn)行了基于穩(wěn)定性的分
2、類，實(shí)現(xiàn)了模板和種子之間多對(duì)多的自動(dòng)關(guān)聯(lián)(automaticallycorrelating)，并按照信息穩(wěn)定性的高低為每個(gè)字段生成多個(gè)抽取規(guī)則，在抽取信息時(shí)根據(jù)多個(gè)抽取規(guī)則進(jìn)行抽取，只有在所有規(guī)則失效時(shí)才會(huì)導(dǎo)致抽取失敗，提高了抽取系統(tǒng)的魯棒性。實(shí)驗(yàn)結(jié)果表明，該方法具有良好的抽取功率和準(zhǔn)確率。關(guān)鍵詞：信息抽??；web挖掘；包裝器；自動(dòng)關(guān)聯(lián)中圖法分類號(hào)：TP391．3文獻(xiàn)標(biāo)識(shí)號(hào)：A文章編號(hào)：1000—7024(2014)02—0700—05Researchoffiner—grainedWebinformationextractionmethodWANGXu-ren，YANGShuo
3、，HEFa-mei，WANGYan-li，ZHANGWei—qun。(1．InformationEngineeringCollege，CapitalNormalUniversity，Beijing100048，China；2．Library，BeijingInstituteofTechnology，Beijing100081，China；3．ComputerScienceCollege，SouthwestUniversity，Chongqing400715，China)Abstract：Althoughtherearemanyapproachesfordataextractio
4、nfromwebpages，demandforfiner-grainedinformation，suchasiteminformation，isstillurgingespeciallyinorienteddomainsapplications．Asolutionisproposedforstructureddataextrac—tionfromwebpages．Systemcharacteristicsareinthefollowingaspects：generatingthewrapperonthebasisofinformationbasedOl3．stabilitycl
5、assification．Thetemplatesandtheseedsofthemany-to-manyrelationshipsinautomaticwayarerealized。AccordingtOtheinformationstabilitylevelforeachfield，multipleextractionrulesaregenerated．Onlywhenallrulesfail，itisregardedasextractionfailure．Allabovefeaturesimproveextractionsystemrobustness．Experimen
6、talresultsshowthatthemethodhasgoodextractionsuccessfulrateandaccuraterate．Keywords：informationextraction；Webdatamining；wrapper；automaticallycorrelating些系統(tǒng)_7，印只能區(qū)分Web頁面中的記錄或者抽取到記錄的0引言內(nèi)容，沒有對(duì)記錄(records)包含內(nèi)容中更小信息單位Web數(shù)據(jù)挖掘[1]重要的基礎(chǔ)研究?jī)?nèi)容之一是Web頁面一字段／數(shù)據(jù)項(xiàng)(items)作進(jìn)一步分析，抽取的信息粒度數(shù)據(jù)抽取，目前已經(jīng)有一些Web數(shù)據(jù)自動(dòng)抽取方法¨2]和
7、比較粗，不能適應(yīng)對(duì)字段分析要求較高的領(lǐng)域應(yīng)用需要，系統(tǒng)_4如Omini，RoadRunner，IEPAD，MDR，DEPAT例如機(jī)票搜索、房產(chǎn)信息查詢等廣泛行業(yè)應(yīng)用。等¨5]。文獻(xiàn)[6]提出了一種基于隱馬爾可夫模型的中文科以當(dāng)下熱門的房產(chǎn)數(shù)據(jù)搜索為研究對(duì)象，抽取Web字研論文頭部信息和引文信息抽取算法，僅在局部進(jìn)行歸一段級(jí)的數(shù)據(jù)，實(shí)現(xiàn)細(xì)粒度、穩(wěn)定性好的Web數(shù)據(jù)抽取方化處理。文獻(xiàn)[7]采用條件隨機(jī)場(chǎng)(conditionalrandom法。對(duì)來自不同房產(chǎn)網(wǎng)站的大量頁面進(jìn)行觀察分析后發(fā)現(xiàn)：fie
