基于B2B垂直搜索的网页信息抽取系统研究.pdfVIP

第23卷　 第2期 计算机技术与发展 Vol.23　 No.2 2013年2月 　 　 　 　 　 　 　 　 　 　 COMPUTERTECHNOLOGYANDDEVELOPMENT　 　 　 　 　 　 　 　 　 　 Feb.　 2013 基于B2B垂直搜索的网页信息抽取系统研究 1 2 刘　 丹 ,崔　 阳 (1.南海舰队司令部,广东湛江 524001; 2. 中国劳动关系学院,北京 100048) 摘　 要:为了解决从网页中准确抽取产品信息这一B2B垂直搜索引擎的关键问题,以站点树为模型,首先分析了企业网站 的结构特征,在此基础上构建了一个面向B2B垂直搜索引擎的网页信息抽取系统。 该系统利用站点树在企业站点大量网 页中识别出产品页,并进行去噪处理,然后使用基于规则的方法抽取产品页中包含的产品描述信息和参数信息。 通过该 系统抽取到的各类产品信息较为准确,且效率得到明显提高,适用于B2B垂直搜索引擎中对产品的描述、分类及搜索。 关键词:B2B垂直搜索;网页信息抽取;企业站点树;去噪 中图分类号:TP393.09　 　 　 　 　 　 文献标识码:A　 　 　 　 　 　 文章编号:1673-629X(2013)02-0153-04 doi:10.3969/j.jssn. 1673-2013.02.041 ResearchonSystemofWebInformationExtractionBased onB2BVerticalSearchEngine 1 2 LIUDan ,CUIYang (1.HeadquartersoftheSouthChinaSeaFleet,Zhanjiang524001,China; 2.ChinaInstituteofIndustrialRelations,Beijing 100048,China) Abstract:Tosolvetheproblemofinformationextractiononwebpages,whichisoneofthekeytechnologiesofB2Bverticalsearchen- gine,takingwebsiteasmodel,structureofthecorporationwebsiteisanalyzedfirstly,basedonwhichasystemofwebinformationextrac- tionforB2Bverticalsearchengineisconstructed.Thewebsitetreeisusedinthesystemforidentificationandnoiseeliminationofthe productpages,andthendescriptionandparameterinformationoftheproductscontainedinproductpagesareextractedaccordingtothe rules.Allkindsofinformationextractedaccuratelyandefficientlybythesystemcanbeusedfordescription,classificationandsearchingof theproductsinB2Bverticalsearchengine. Keywords:B2Bverticalsearchengine;webinformationextraction;corporationwebsitetree;noiseelimination 0　 引　 言