基于视觉特征和领域本体的Web信息抽取.pdfVIP

第21卷 第 2期 计 算 机 技 术 与 发 展 Vo1．21 No．2 2011年 2月 COMPUTER TECHNOLOGY AND DEVELOPMENT Feb． 2011 基于视觉特征和领域本体 的Web信息抽取 张 鑫 ，陈 梅 ，王翰虎 ，王嫣然 (贵州大学 计算机科学与信息学院，贵州 贵阳 550025) 摘 要：为了解决网页信息的自动抽取，该文提山了一种基于视觉特征和领域本体的Web信息抽取算法。该算法 以基于 领域本体的信息拙取为基础 ，根据网页的视觉特征来准确划定信息抽取区域 ，然后结合 DOM树技术和抽取路释的启发式 学习，获得Web页商中信息项的抽取路径。通过信息项的抽取路径 自动生成信息项的领域本体，通过信息项的领域本体 解析出信息项的抽取规则：使用本算法来进行 Web信息的抽取 ，具有查伞率与奁准率高 、时间复杂度低 、用户负担较轻和 自动化程度高的特点。 关键词：视觉特征 ；领域本体；Web信息抽取 ；路径学习；启发式学习 中图分类号 ：TP391．4 文献标识码：A 文章编号：1673—629X(2011)02—0058—04 VisualFeaturesandDomain ontOl0gy—Based W eb InformationExtraction ZHANG Xin，CHEN Mei，W ANG Han-hu，WANG Yan-ran (CollegeofComputerScienceandInformation，GuizhouUniversity，Guiyang550025，China) Abstract：PutforwardaWeb informationextractionalgorithm basedonvisualfeautresanddomainontologyinordertosolvetheproblem OfW ebinformation automaticextraction Thisalgorithm isonbaseofdomain ontology—basedW ebpageinformation extraction．accord— ingtothevisualcharacteristicsofthesampleWebpagetoaccuratelydelineatedtheraeaofinformationexrtaction．andgethteWebpage informationitem extractionpathbycombiningDOM rteetechnologyandextractionpathheuristiclearning Throughthedomainontology which isautomaticallygeneratedbytheextractionpath，gettheextractionrulesoftheinformationitems．Usingthisalgorihtm forW ebin— fomr ationexrtactionhasmanyadvantages，suchashigherrecallandprecisionrate，lowertimecomplexity，lighteruserburdenandhigher degreeofautomation Keywords：visual features；domainontology；Webinfomr ationextraction；pathlearning；discoverylearning 0 引 言 法足 以构建的领域本体为基础生成抽取规则，然后根 随着计算机技术的迅速发展，互联网上的信息正 据抽取规则来进行信息抽取，这种方法有较高的查全 在以指数形式增长，面对