一种基于SVM 和AdaBoost 的Web 实体信息抽取方法.pdfVIP

第３０卷第４期　　　 计算机应用与软件 Ｖｏｌ３０Ｎｏ．４ ２０１３年４月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ａｐｒ．２０１３ 一种基于ＳＶＭ和ＡｄａＢｏｏｓｔ的Ｗｅｂ实体信息抽取方法 １ ２ １ １ １ 孙　明　陆春生　徐秀星 　李庆忠 　彭朝晖 １（山东大学计算机科学与技术学院　山东济南２５０１０１） ２（中国人力资源和社会保障部信息中心　北京 １００７１６） 摘　要　　提出一种基于ＳＶＭ和ＡｄａＢｏｏｓｔ的Ｗｅｂ实体信息抽取方法。首先提出一种基于ＳＶＭ的Ｗｅｂ页面主数据区域识别方法， 基于Ｗｅｂ实体实例在页面中的展示特征，有效地将Ｗｅｂ页面进行数据区域分割，识别出Ｗｅｂ实体实例所在的主数据区域；然后基 于Ｗｅｂ实体属性标签的特征，提出一种基于ＡｄａＢｏｏｓｔ的集成学习方法，从页面的主数据区域自动地抽取Ｗｅｂ实体信息。在两个真 实数据集上进行实验，并与相关研究工作进行比较，实验结果说明该方法能够取得良好的抽取效果。 关键词　　Ｗｅｂ信息抽取　页面分割　集成学习 中图分类号　ＴＰ３１１　　　　文献标识码　Ａ　　　　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１３．０４．０２８ ＡＷＥＢＥＮＴＩＴＹＩＮＦＯＲＭＡＴＩＯＮＥＸＴＲＡＣＴＩＯＮＭＥＴＨＯＤＢＡＳＥＤＯＮＳＶＭＡＮＤＡＤＡＢＯＯＳＴ １ ２ １ １ １ ＳｕｎＭｉｎｇ　ＬｕＣｈｕｎｓｈｅｎｇ　ＸｕＸｉｕｘｉｎｇ　ＬｉＱｉｎｇｚｈｏｎｇ　ＰｅｎｇＺｈａｏｈｕｉ １（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｊｉｎａｎ２５０１０１，Ｓｈａｎｄｏｎｇ，Ｃｈｉｎａ） ２（ＩｎｆｏｒｍａｔｉｏｎＣｅｎｔｅｒ，ＭｉｎｉｓｔｒｙｏｆＨｕｍａｎＲｅｓｏｕｒｃｅｓａｎｄＳｏｃｉａｌＳｅｃｕｒｉｔｙｏｆＣｈｉｎａ，Ｂｅｉｊｉｎｇ１００７１６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ｉｎｔｈｉｓｐａｐｅｒ，ａＷｅｂｅｎｔｉｔｙｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎＳＶＭａｎｄＡｄａＢｏｏｓｔｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ａｎｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｆｏｒＷｅｂｐａｇｅ’ｓｍａｉｎｄａｔａｒｅｇｉｏｎｂａｓｅｄｏｎＳＶＭｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｓｅｇｍｅｎｔｓＷｅｂｐａｇｅｄａｔａｒｅｇｉｏｎｅｆｆｅｃｔｉｖｅｌｙｂａｓｅｄｏｎｔｈｅｄｉｓｐｌａｙｃｈａｒ ａｃｔｅｒｉｓｔｉｃｓｏｆＷｅｂｅｎｔｉｔｙｉｎｓｔａｎｃｅｓｉｎｔｈｅｐａｇｅ，ｉｄｅｎｔｉｆｉｅｓｔｈｅｍａｉｎｄａｔａａｒｅａｗｈｅｒｅｔｈｅＷｅｂｅｎｔｉｔｙｉｎｓｔａｎｃｅｓｌｏｃａｔｅｓ．Ｓｅｃｏｎｄｌｙ，ｂａｓｅｄｏｎｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅＷｅｂｅｎｔｉｔｙａｔｔｒｉｂｕｔｅｌａｂｅｌｓ，ａｍｅｔｈｏｄｂａｓｅｄｏｎＡｄａＢｏｏｓｔｅｎｓｅｍｂｌｅｌｅａｒｎｉｎｇｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈａｕｔｏｍａｔｉｃａｌｌｙｅｘｔｒａｃｔｓｔｈｅ Ｗｅｂｅｎｔｉｔｉｅｓｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｔｈｅｍａｉｎｄａｔａａｒｅａｏｆｔｈｅｐａｇｅ．Ａｖａｒｉｅｔｙｏｆｅｘｐｅｒｉｍｅｎｔｓａｒｅｃｏｎｄｕｃｔｅｄｏｎｔｗｏｒｅａｌｄａｔａｓｅｔｓ，ａｎｄｔｈｅｃｏｍｐａｒｉｓｏｎ ｉｓｄｏｎｅｗｉｔｈｃｏｒｒｅｌａｔｅｄｒｅｓｅａｒｃｈｗｏｒｋｓａｓｗｅｌｌ，ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓｍｅｔｈｏｄｉｓａｂｌｅｔｏａｃｈｉｅｖｅｆａｉｒｌｙｇｏｏｄｅｘｔｒａｃｔｉｏｎｅｆｆｅｃｔ． Ｋｅｙｗｏｒｄｓ　　Ｗｅｂｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ　Ｐａｇｅｓｅｇｍｅｎｔａｔｉｏｎ　Ｅｎｓｅｍｂｌｅｌｅａｒｎｉｎｇ