基于正则表达式的大规模网页术语对抽取研究.pdfVIP

攀 l l ； 基于正则表达式的大规模网页术语对抽取研究* TheStudyofLarge——scaleW ebTerm ——pairsExtractionbasedonRegularExpressions 程 岚 岚 (天津科技大学计算机科学与信息工程学院 天津 300222) 摘 要 多语术语对的收集对于跨语言信息检索、机器翻译和语言学习等具有重要应用价值，但传统的手工方式或基 于平行语料 的术语收集方法均有各 自的局限性。针对web上存在的大规模术语 网页，基于web挖掘技术，提 出了一 种采用正则表达式的术语对抽取方法。首先是获取网页源文件 ，接着依据 已定义的正则表迭式从 中抽取 出正确的术 语对 ，并存储到本地术语库中。实验结果表明，该方法可实现66．7％的术语 网页的抽取，并且对于可抽取网页，抽取 出的术语对准确率接近 100％。 关键词 术语对抽取 正则表达式 web挖掘 中图分类号 TP391．3