半结构化web信息抽取研究

《半结构化web信息抽取研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、密级：——编号：——工学硕士学位论文半结构化Web信息抽取研究硕士研究生：指导教师：学位级别：学科、专业：所在单位：论文提交日期：论文答辩日期：学位授予单位：周盛强孙长嵩教授工学硕士计算机应用技术计算机科学与技术学院2009年2月2009年3月哈尔滨工程大学Ⅲ7一⋯⋯川9；洲1号舢8类㈣弘髅M4㈣Y哙尔滨t程大学硕士学位论文摘要随着互联网的侠速发展和普及，入翻越来越依赖于鼹络获取信惠。翔柯从中快速高效的获得想簧的信患成为迫切需要解决的问题，Web僚患抽取技术应运悉生。露前，己经产生了各种各样的方法来生成包装器，餐这些方法有苓网的局限性，在精确度、健壮性

2、和通用性方瑟难以达到很高熬要求。因此，信息抽取的研究重点就是如何构建良好的包装器。本文首先对现有的信息抽取技术和XML技术进行分析与研究，提出一个基于XML技术的Web信息抽取系统。通过该系统用户能够将HTML页蘧中感兴趣的信息点抽取出来，并用结构化和扩展性强的XML来表示抽取结果。该系统具有较好的逶用性期灵活性，用声能够快速定铡应用予不露领域的Web信息掏取包装器。本文应焉XPath技术在数据定位方面的特点，提出一种基于DOM的XPath生成算法。本文利瘸XSLT作为掏取规燹

3、j的描述语言，荠使用XPath来定位待抽取信息赢。对于Web信息抽取的问题

4、利用本文提出的Web信息抽取方法能够较好她解决，露时，系统的召圆率和准确率能够达到较高的酉分比。关键谲：数据挖懿；锗崽捶取；半结构化数攥；Web略尔滨=l二程大学硕士学袋论文AbstractWiththerapiddevelopmentandpopularizationofInteract，moreandmorepeopleobtaininformationfromwcb．TofindnecessaryinformationquicklyandefficientlyfromWebhasb∞omeaseriousproblem。Webinformatio

5、nextractiontechnologycomesinto蜥耀。Manyapproacheshavebeenproposedtogeneratewrapper,buttheyhavetoodifferentlimitationstomakewrapperaccurate，robustorgeneral．So，thepreparingbetterwrapperhasbecometheresearchemphasesofinformationextraction．Afterhavinganalyzedandresearchedthetechnologie

6、sofXMLandinformationextraction,asystemof飘毫§informationextractionbasedonXMLisdevelopedinthispaper．Withthissystem,稿鞫e懋callextractinteres*戳linformationfromHTMLpages，theextractionresultsareexpressedinXMLwhichhavestrongstructureandexpansion。朝瓣systemhasthegeneralityandflexibility．User

7、scanquicklycustomizethewebinformationextractionwrapperappliedtodifferent羽嬲．Inthispaper,byusingthecharacteroftheXPathpositioningtechnologyindataarea,aalgorithmofXPathbasedOnDOMisimplemented．XSLTisusedasthedescriptionlanguageofextractionrulesandXPathisusedtolocateinformationtobeex

8、tracted．期舱methodinW曲informationextractionpresentedinthisdissertation嘲bett娌solvetheproblemof∥曲informationextraction,andalsotheprecisionandrecallofthesystemCanreachahigherproportion．Keywords：datamining；informationextraction；semi·structureddata；Web哈尔滨工程大学学位论文原创性声明本人郑重声明：本论文的所有工作，是在

9、导师的指导下，由作者本人独立完成的。有关观点、方法、数据和文献的引用已在文中指出，并与参考文献