基于自然标注的网页信息抽取研究.pdfVIP

情报学报 ＪＯＵＲＮＡＬ ＯＦ ＴＨＥ ＣＨＩＮＡ ＳＯＣＩＥＴＹ ＦＯＲ ＳＣＩＥＮＴＩＦＩＣ 　 　 　 ＩＳＳＮ １０００ －０１３５ ＡＮＤ ＴＥＣＨＮＩＣＡＬ ＩＮＦＯＲＭＡＴＩＯＮ ＩＳＳＮ １０００－０１３５ 第卷第期 ， 年月 ３２ ８ ８５３ －８５９ ２０１３ ８ Ｖｏｌ．３２　 Ｎｏ．８，８５３ －８６０ Ａｕｇｕｓｔ　 ２０１３  ｄｏｉ：１０．３７７２／ ｊ．ｉｓｓｎ．１００００１３５．２０１３．０８．００８ １） 基于自然标注的网页信息抽取研究 １ ２ 李志义沈之锐　 （华南师范大学经管学院，广州 ； 广州中国科学院软件应用技术研究所，广州 ） １． 　 ５１０００６ ２． 　 ５１１４５８ 　 　 摘要 随着 网页数量的爆炸式增长和网页噪声不断增多，网上获取重要信息变得越来越困难。本文从一 Ｗｅｂ 个新的角度，提出了一种基于自然标注的网页信息抽取方法。依据这种方法，首先对网页进行聚类，提取具有相似 结构的网页并进行相同的标注，然后采用ＳＶＭ对抽取项进行训练，最后提取到需要抽取的数据。文章的主要贡献 在于对网页中的自然标注进行分析和发现，给出了九大类自然标注的例子，并结合聚类和支持向量机，给出了训练 方法。从实验结果上看，本方法优于其他方法。 　 　 关键词 自然标注　 信息抽取　 聚类　 支持向量机　 语义 Ｗｅｂ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｘｔｒａｃｔｉｏｎ Ｓｔｕｄｙ Ｂａｓｅｄ Ｏｎ Ｎａｔｕｒａｌ Ａｎｎｏｔａｔｉｏｎ Ｌｉ Ｚｈｉｙｉ ａｎｄ Ｓｈｅｎ Ｚｈｉｒｕｉ１ ２ （ ， ； １．Ｅｃｏｎｏｍｉｃ ＆Ｍａｎａｇｅｍｅｎｔ Ｃｏｌｌｅｇｅ ｏｆ ＳＣＮＵ Ｇｕａｎｇｚｈｏｕ ５１０００６ ２．Ｉｎｓｔｉｔｕｔｅ ｏｆ ｓｏｆｔｗａｒｅ Ａｐｐｌｉｅｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ，Ｇｕａｎｇｚｈｏｕ ５１１４５８） Ａｂｓｔｒａｃｔ　 　 Ｗｉｔｈ ｔｈｅ ｅｘｐｌｏｓｉｖｅ ｇｒｏｗｔｈ ｏｆ ｗｅｂｐａｇｅ ａｎｄ ｗｅｂｐａｇｅ ｎｏｉｓｅ ｉｎｃｒｅａｓｉｎｇ，ｐｅｏｐｌｅ ａｃｃｅｓｓ ｔｏ ｇｅｔ ｉｍｐｏｒｔａｎｔ ｉｎｆｏｒｍａｔｉｏｎ ｂｅｃｏｍｅｓ ｍｏｒｅ ａｎｄ ｍｏｒｅ ｄｉｆｆｉｃｕｌｔ． Ｔｈｉｓ ｐａｐｅｒ，ｆｒｏｍ ａ ｎｅｗ ｐｏｉｎｔ ｏｆ ｖｉｅｗ，ｐｒｏｐｏｓｅｄ ａｎ ｉｄｅａ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｎａｔｕｒａｌ ａｎｎｏｔａｔｉｏｎ ｏｆ ｗｅｂｐａｇｅ． Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｉｓ ｍｅｔｈｏｄ，ｆｉｒｓｔｌｙ ｗｅ ｃｌｕｓｔｅｒ ｔｈｅ ｗｅｂｐａｇｅ， ｅｘｔｒａｃｔ ｓｉｍｉｌａｒ ｓｔｒｕｃｔｕｒｅ ｐａｇｅｓ ａｎｄ ａｎｎｏｔａｔｅ ｔｈｅ ｗｅｂｐａｇｅ，ａｎｄ ｔｈｅｎ ｕｓｅ ＳＶＭ ｏｎ ｔｈｅ ｅｘｔｒａ