1、隨著計算機的普及和互聯(lián)網(wǎng)的迅猛發(fā)展,Web上形成了大量的電子化文檔,其中蘊涵著諸多可用的信息。因此,在信息抽取技術(shù)(Information Extraction:IE)發(fā)展基礎(chǔ)上的Web信息抽取成為近年來的研究熱點。另一方面,Web文檔中的HTML表格作為一種信息表現(xiàn)形式愈發(fā)重要,有研究表明52%的Web文檔都包含有
標(biāo)簽[Lim[999]。這樣以來如何快速、高效、準確的從這些表格中抽取用戶所關(guān)注的信息就顯得十分必要,需要進 2、一步的研究。
通過對國內(nèi)外技術(shù)進行分析研究,本文將HTML表格信息抽取分為三個階段,分別是表格定位、表格結(jié)構(gòu)分析和表格內(nèi)容信息抽取。表格定位是指從包含大量噪音數(shù)據(jù)、結(jié)構(gòu)復(fù)雜的Web頁面中定位并識別出目標(biāo)表格所在區(qū)域,采用基于啟發(fā)式規(guī)則的方法,在對大量頁面進行觀察的基礎(chǔ)上,總結(jié)規(guī)律,制定規(guī)則;同時為了應(yīng)用規(guī)則將DOM樹改造為以
標(biāo)簽為最小處理顆粒的T-DOM樹,設(shè)計算法對噪音表格進行剪枝,最終輸出目標(biāo)表格。表格結(jié) 3、構(gòu)識別是在此基礎(chǔ)上對HTML表格作進一步研究,本文以單元格之間的差異為基礎(chǔ),計算生成表格整體行、列差異值,通過比較二者大小確定表格展開方式。表格內(nèi)容信息抽取是指對表格內(nèi)用戶感興趣的目標(biāo)數(shù)據(jù)實施具體抽取,本文采用基于封裝器的方法,對于不同信息源,選取樣例表格,經(jīng)過抽取規(guī)則生成算法學(xué)習(xí)生成具體抽取規(guī)則,進而構(gòu)造封裝器,不同封裝器組成規(guī)則庫,再通過信息抽取實施模塊對其他表格進行操作。為了實現(xiàn)封裝器自動生成,本文還引入了領(lǐng)域知識,由計算機自動生
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
/ 78
- 0
- 分享
復(fù)制分享文檔地址
http://www.nydnatest.com/shtml/view-2478402.html
復(fù)制
-
下載本文檔
評論
0/150
提交評論