检索结果-内蒙古大学图书馆

河北大学学报（自然科学版） 2003年第1期23卷 106-112页

作者：陈少飞郝亚南李天柱徐林昊杨文柱河北大学数学与计算机学院河北保定071002

web信息抽取技术是当今的一个研究热点。目前出现了基于不同原理的多种信息抽取技术,它们具有不同的性能。本文根据信息抽取的原理,对现有的信息抽取技术进行了分类,结合典型的系统,在语义的附加方式、模式的定义方式、规则的表现形式... 详细信息

web信息抽取技术是当今的一个研究热点。目前出现了基于不同原理的多种信息抽取技术,它们具有不同的性能。本文根据信息抽取的原理,对现有的信息抽取技术进行了分类,结合典型的系统,在语义的附加方式、模式的定义方式、规则的表现形式、语义项的定位方式、对象的定位方式等几方面进行了分析和比较,在此基础上提出了待研究的问题。

关键词： web信息抽取技术研究进展 HTML XML 语义抽取模式抽取原理 web查询抽取规则

来源：评论

学校读者我要写书评

暂无评论

基于分块思想的web信息抽取技术的实现

基于分块思想的Web信息抽取技术的实现

引用

作者：王海洋北京大学

学位级别：硕士

随着互联网的迅猛发展，web已成为全球最大的信息源和知识库。而web信息的主要载体--网页，除了表达主题内容外，还有为维持页面的链接关系而进行的导航设计或出于商业目的而穿插的广告及修饰内容。这些“噪音”给web上基于网页内容的... 详细信息

随着互联网的迅猛发展，web已成为全球最大的信息源和知识库。而web信息的主要载体--网页，除了表达主题内容外，还有为维持页面的链接关系而进行的导航设计或出于商业目的而穿插的广告及修饰内容。这些“噪音”给web上基于网页内容的研究工作带来很多困难。另外随着web上各种研究与应用的深入发展，单纯的网页内容已经不能满足需求，网页元数据得到越来越广泛的使用，因此准确而高效的提取必要的元数据是web上各个研究领域面临的重要问题。\n 目前互联网上主流的web内容页都是由标题、正文、图片、表格、发布时间和来源等要素组成，我们将这些页面统一称之为新闻类内容页，如何从新闻类内容页中更好的进行信息抽取是目前网络信息采集的首要难题。\n 本文在综合国内外学者关于web信息抽取等相关研究的基础上，结合个人在信息采集方面的实践，设计了一种基于分块思想的web信息抽取算法。这种算法不依赖于网页模板和同类网页集，可以全自动、高效率的从新闻类网页中抽取标题、正文、图片、表格、发布时间、来源等元数据信息。在此基础上，本文设计并实现了一个网络信息采集系统一InfoRadar，通过实验数据分析和实际应用效果，对该web信息抽取算法进行了验证。

关键词：分块思想 web信息抽取技术网络信息采集系统

来源：评论

学校读者我要写书评

暂无评论

利用表格信息的web文本分类研究与实现

利用表格信息的Web文本分类研究与实现

引用

作者：廖涛上海大学

学位级别：硕士

随着互联网等信息技术的发展和广泛应用，web已经成为人们获取信息最重要手段之一。如何从这海量的信息资源库中快速、准确地进行分类并提取出有用的信息，变得十分迫切。web信息抽取技术和web文本分类技术作为web信息处理重要的组成部... 详细信息

随着互联网等信息技术的发展和广泛应用，web已经成为人们获取信息最重要手段之一。如何从这海量的信息资源库中快速、准确地进行分类并提取出有用的信息，变得十分迫切。web信息抽取技术和web文本分类技术作为web信息处理重要的组成部分，现在也越来越得到更多人的重视。\n 本文首先通过对web信息抽取技术的研究，提出了一种基于表格结构的web表格信息抽取模型，该模型主要有表格定位模块、表格结构预处理模块和表格信息抽取与重构模块等三个模块组成，根据web表格的结构标记和自定义的启发式规则来抽取表格信息。实验结果表明该模型能够很好的用于web表格信息的抽取，并且可以把不标准的web表格转换成标准的表格形式，用Excel文件格式来存储。同时为了得到表格信息中的特征信息(关键信息)，本文通过观察和研究表格结构的类型，定义了一些启发式规则对表格单元信息类型进行识别，从而区分出表格信息中的特征信息和一般单元信息。\n 然后通过对web文本分类技术和本体理论的研究，本文构建了关于web表格特征信息知识的领域本体，提出并设计了一种用于web文本分类的二次分类模型。该模型使用支持向量机方法对测试样本进行第一次分类，由于设定了较高的分类阈值，一次分类后部分测试样本未确定所属类别；对于未确定所属类别的测试样本，本文抽取样本中的web表格特征信息，与基于领域本体的分类模板进行相似度匹配，进行第二次分类。\n 最后通过实验，本文对比二次分类模型方法和基于支持向量机的分类方法，发现无论是在准确率上，还是在召回率上，二次分类模型方法都明显优于只使用支持向量机的分类方法，从而也验证了二次分类模型方法的可行性，更进一步表明我们可以利用web文本中所包含的多种信息(如web表格信息等)来对文本进行分类，提高web文本分类的准确率和召回率。

关键词： web信息抽取技术表格信息启发式规则文本分类支持向量机二次分类模型

来源：评论

学校读者我要写书评

暂无评论

针对模板生成网页的数据自动抽取方法的探讨与应用

针对模板生成网页的数据自动抽取方法的探讨与应用

引用

作者：卢凤琴华东师范大学

学位级别：硕士

随着Internet的迅速发展,互联网已成为一个巨大的信息库,为了有效地利用互联网上的信息,各种web信息抽取技术应运而生。目前,web上的很多网页是网站根据用户请求从后台数据库中选取数据并嵌入到通用的模板中,并结合网站的特定需求而动... 详细信息

随着Internet的迅速发展,互联网已成为一个巨大的信息库,为了有效地利用互联网上的信息,各种web信息抽取技术应运而生。目前,web上的很多网页是网站根据用户请求从后台数据库中选取数据并嵌入到通用的模板中,并结合网站的特定需求而动态生成的,例如电子商务网站的商品描述网页等。针对如何从这类由模板生成的网页中自动地抽取出有效数据的问题,目前常用的经典方法有RoadRunner,EXALG等,其中RoadRunner的实现算法的时间复杂度呈指数级增长,其实用性不强;虽然EXALG方法对RoadRunner方法进行了有效的改进,但是仍然缺乏对网页中可视化布局信息、标记属性和字符串的相似度等重要特征的考虑。因此,本文针对上述这些问题研讨了相关网页模板检测问题的形式化描述,结合该类网页的结构特征,探讨了一种新的模板检测方法;并且利用检测出的模板完成对相关实例网页的数据自动抽取过程;最终将该基于有效模板检测的网页数据自动抽取算法应用于某电子商务网站的相关网页的数据抽取过程中,即对某网站中的商品列表信息和商品详细信息等重要数据实现了自动抽取的工作。与其他方法相比,该方法能够适应于“列表页面”和“详细页面”两种类型的网页,在该类网页数据抽取的查全率和准确率方面有了较大的改进。本文的主要内容和结构安排如下: 首先,介绍针对模板生成网页的数据抽取方法的发展现状以及相关技术,并阐述了论文的研究目标和工作内容。其次,介绍了web数据抽取过程中主流的网页数据抽取技术,系统地剖析了目前广泛采用的经典的网页数据抽取技术中存在的优势与不足,以此为基础,文中研讨了一种有效的针对模板生成网页的数据抽取方法及其实现算法,即针对该类网页,完成了相应网页有效数据的自动抽取工作。接着,重点阐述了文中所研讨的针对模板生成网页的数据自动抽取算法的设计与实现过程。该算法首先将已经净化的HTML页面解析成标签树和标签队列两种数据结构;其次针对大部分网页中存在导航条、广告及版本信息等一些与抽取内容无关的数据信息,采用文中所提出的具体有效的标签树匹配算法过滤上述无关/冗余的数据信息;然后通过该数据自动抽取算法中计算Ctokens的核心子算法将这类HTML页面进行有效的标签归类,以期基于所生成的Ctokens来自动抽取出该类网页的模板结构信息数据和字段层次上的有效网页生成数据。最后,根据文中所研讨的方法及实现算法,尝试性地构造了一个针对模板生成网页的数据自动抽取原型系统,该系统能够完成对相关电子商务网站中该类网页(如:商品的“列表页面”和“详细页面”的具体网页)的有效数据的自动抽裙ぷ?该抽取过程的查全率和准确率都有较大的改进,所完成的工作是具有广泛实际需求和深入推广应用价值的。

关键词： web信息抽取技术网页模板标签树匹配算法 Ctokens

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：