- 1、本文档共15页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于Heritrix的Web信息抽取.txt28生活是一位睿智的长者,生活是一位博学的老师,它常常春风化雨,润物无声地为我们指点迷津,给我们人生的启迪。不要吝惜自己的爱,敞开自己的胸怀,多多给予,你会发现,你也已经沐浴在了爱河里。基于.. Heirx的.. We
rtib信息抽取
陈俊彬曹树金
中山大学资讯管理系广州5100
006
[摘要]针对现阶段Web信息抽取技术的不足,提出一种基于Heritrix的精确抽取方法,由三个分别独立的功能模
块共同完成。与一般信息抽取不同,本方法注重于在精确抽取的前提下实现通用化,做到可以根据数据库表的字
段来进行最小单位的信息抽取,并且较好地解决信息采集通用性和准确性之间的矛盾。..
[关键词]HrtiHMLasrWeb数据采集
eirx信息抽取.. Tpre[分类号]G250.73
WebInfrtotatosdorti
omainExrcinBaenHeirx
eun ahnChnJnbiCoSuji
DepartmentofInformationManagement,SunYat—senUniversity,Guangzhou510006
[Abtathsaeitoueaehdoac
ccrtifrainetatoaeoeirxac
ccrigthhrafWeno
src]TipprnrdcsmtofuaenomtoxrcinbsdnHrtiodnotesotgeobifrmaroxrcintcnlg.h ytmiooeftrersetvdueeetfosaafifrtoxrcin,inetatoehooyTessescmpsdoheepciemol.Dif
ffrnrmuulwyonomainetato
thtd iounpeciionael
llaeeraty.Icnetrattemiim uitofifortiocodigthefedoaln
emehosfcsorsswsgnlitaxchnmunnmanacrnotilftbei
daase.
tba
[KewrseirxifrtoxrcinHTprebifrtocusto
yod]HrtinomainetatoMLasrWenomainaqiiin
的信息抽取技术需要用户的大量参与,但自动化程度
不高;而自动化程度高的抽取技术其准确率和适应性
较低,实用性较差。即使是机器学习,也要通过大量的
Web信息抽取(Webinformationextraction,WIE)的样本学习来提高获取规则的自动化程度,这意味着系
目标是把文本里包含的信息进行结构化处理,转化成统需要经过较长时间的学习才能获得较好的查准率。
特定的结构,以便于理解和利用。随着.. Intemet的迅猛纵观信息抽取技术的发展历史,研究者们提出了
发展,Web已经成为全球传播与共享科研、教育、商业不少优秀的抽取策略.。从实现方法的原理出发,可
和社会信息等最重要和最具潜力的巨大信息源。面对以将信息抽取技术划分为4个类别:①基于自然语言
如此巨大的互联网信息库,如何快速、有效、经济地得理解方式;②基于ontology方式;③基于网页结构特征
到某个主题的所有相关信息就成了当前一个十分热门方式;④基于统计学习的方式。基于自然语言理解方
的研究课题。与传统的信息资源相比,Web上信息资式的信息抽取在一定程度上借鉴了自然语言处理技
源有着分布性、异构性、开放性、动态性和庞大性等特术,利用子句结构、短语和子句间的关系建立基于语法
点,这些特点导致Web上数据的信息接口和组织形式和语义的抽取规则,实现信息抽取。其缺点是抽取速
各不相同,也使得Web上的信息资源不能被有效的利度慢,使用范围窄,很难做到通用。基于ontology方式
用。在这样的背景下,Web信息抽取技术成为了研究主要是利用对数据本身的描述信息实现抽取,对网页
的热点。结构的依赖较少。只要事先创建的应用领域的ontolo-
g)r足够强大,系统可以对某一应用领域中各种网页实
2艾献绿述现信息抽取。目前只能对特定领域构建,并且还只能
采用半自动的方式由人工参与,这样使得该方法要求
在.. Web信息抽取领域中,信息抽取的准确性和通很高,工作量巨大。基于网页结构特征方式的特点
用性之间的矛盾一直是该研究领域的难题。性能较好是根据Web页面的结构来定位信息,在信息抽取之前
收稿ri期:20
008—07—2
22修日期:20
008—09—11本文起Ij:贞码:1
112—115本文责任编辑:易【三
112。LIBRARY AND INFORM ATION SERVICE。
通过解析器将Web文档解析成语法树,然后通过自动
或半自动的方式产生抽取规则,最终转化为对语法树
的操作来实现信息的抽取,本
您可能关注的文档
- 200立方米每小时水泵提升式调量池建模与设计毕业设计(论文).doc
- led点阵显示屏驱动器的设计与实现毕业设计(论文)(设计).doc
- 板式精馏塔设计毕业设计毕业设计(论文).doc
- 毕业设计(论文)1800吨成品油船初步设计毕业设计.doc
- 毕业设计(论文)c6140卧式车床数控化改造设计(进给伺服系统机械部分计算)(终稿).doc
- 毕业设计(论文)cdma系统的研究与matlab仿真.doc
- 毕业设计(论文)ck5116a立式车床数控的数控化改造.doc
- 毕业设计(论文)erp在我国中小企业管理中的应用研究.doc
- 毕业设计(论文)gmsk调制与解调算法研究.doc
- 毕业设计(论文)--hjc5256gjb混凝土搅拌运输车焊接.doc
- 剧本杀行业报告:内容创作规范与剧本市场拓展策略.docx
- 剧本杀行业区域市场区域文化特色与市场潜力分析报告.docx
- 剧本杀行业区域市场拓展实战案例研究.docx
- 剧本杀行业区域市场拓展路径与模式探索报告.docx
- 剧本杀行业区域市场竞争态势与品牌差异化策略研究报告.docx
- 剧本杀行业2025年西北区域市场市场细分领域竞争态势与品牌竞争策略分析研究报告.docx
- 剧本杀行业2025年西北市场拓展前景预测报告.docx
- 剧本杀行业2025年长沙市场发展潜力分析报告.docx
- 剧本杀行业2025年长三角市场竞争策略与布局分析.docx
- 医疗行业数据合规:2025年数据安全法实施后的合规监管挑战与应对.docx
最近下载
- 《第一单元 生活中的音乐学习项目二 音乐开启心灵之窗》教案(表格式)七年级音乐人教版(2024新版).pdf VIP
- 成功标书大餐——15份浙江省自然科学基金申请书.pdf VIP
- (辽宁富士电梯)系统故障代码及说明.doc VIP
- 2025版高考政治全程一轮复习必修2第一单元生产资料所有制与经济体制第一课我国的生产资料所有制课件.pptx VIP
- 陕西省专业技术人员继续教育2025公需课《党的二十届三中全会精神解读与高质量发展》20学时题库及答案.docx VIP
- 伤口换药护理操作.pptx VIP
- 贵州01-贵州省居住建筑节能设计标准DBJ52-49-20082.pptx VIP
- 《2023年度中国展览数据统计报告》.docx
- 城市名居商住楼房地产估价报告.doc VIP
- [说明]富士变频器维修与故障处理.doc VIP
文档评论(0)