试论pdf文档语义信息抽取研究

《试论pdf文档语义信息抽取研究》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、河北大学硕士学位论文PDF文档语义信息抽取研究姓名：张波申请学位级别：硕士专业：计算机应用技术指导教师：李天柱20040601摘要PDF文档应用范围十分广泛，数量极其巨大，而且PDF的应用仍然处于继续发展的状态，它在不断地被更多的用户所接受和采纳。PDF应用的广泛性和它继续蓬勃发展的状态与对PDF文档的有效管理的滞后性形成了一对十分尖锐的矛盾，对PDF基于语义的精确查询和管理势在必行。本系统的将信息抽取技术和机器学习技术的思想相结合，实现了从PDF文档中按语义抽取出有用的数据，并包装成XML文档。本系统的实现主要分为两个过程，一是通过样

2、本学习生成抽取规则，即用户先在PDF视图环境中根据对PDF样本文档理解，创建语义模式，对页面信息附加语义，然后通过用户标记PDF样本文档中的数据项，并在用户创建的语义模式中选择相应的语义项，在语义模式语义项与PDF样本文档中数据项之间建立映射关系；在创建语义模式、建立映射关系的同时，用户将PDF样本文档也提交到预处理模块，经过转化得到样本XML文档；系统针对前面建立的映射关系和样本XML文档进行自动地学习，生成抽取规则；二是利用抽取规则从文档集中抽取出有用数据，并自动包装成包含语义的数据，即用户将PDF文档集及其领域信息一起提交给系统，

3、系统自动地将文档集通过预处理生成Well．formedXML文档集，同时根据领域知识获取相应的抽取规则，然后自动地将抽取规则应用于Well．formedXML文档集，得到具有自描述陛的包含语义的XML文档。本系统对于实现PDF文档基于语义的精确查询和管理具有十分重要的现实意义。关键词PDF；信息抽取；XML；语义AbstractPDFdocumentsarewidelyused，thenumberofPDFusedissignificantlylarge，andtheapplicationofPDFkeepsdeveloping，mor

4、eandmorepeopleorinstitutionsbegintoadoptPDETheuniversityofPDFusedandthestatusoftheitsrapiddevelopmentformastrikingcontrasttoitslowefficiencyofmanagement．semantic—basedqueryandmanagementforPDFmustbedonenow．Thissystemcombinesthetechnologyofinformationextractionwitllthatofm

5、achinelearning．VNuabledataCanbeex仃actedfromPDFdocumentaccordingtosemanticsanditthenwillbewrappedintoXML．Thissystemhastwoprincipleprocesses．Oneisformingextractionrules．UserunderstandsthesampledocumentinPDFvieweratfirst，thencreatessemanticsschemaforitandestablishesthemappi

6、ngbetweensemanticiternofschemaanddataiteminPDEAtthesametimeofuserlearning，thesamplePDFisconvertedintoWell—formedXML．Aftertheuserlearninganddocumentconversion，thesystemautomaticallyproducestherulesfromtheWell—formedXMLaccordingtothemapping．Theotherisinformationextractionb

7、yusingtherulesandinformationwrapping．UsersubmitsthePDFdocumentsandthedomaininformation．ThesystempreproeessesthePDFdocumentsintoWell—formedXMLdocuments，thengetstheex仃actionrulesaccordingtothedomaininformation,thenappliestherulestotheWell—formedXMLdocuments，SOwegettheself-

8、describedandsemi·structured．XML．OursystemhasaimportantmeaningOnthesemantic—basedqueryandmanagementforPD