基于结构分析和实体识别的信息集成.pdfVIP

第41卷第10期 计算机研究与发展 V01．41．No．10 2004年10月JOURNALOFCOMPUTERRESEARCHAND Oct．2004 DEVELOPM畦NT 基于结构分析和实体识别的信息集成 苏志华1 杨冬青1唐世渭1’2王腾蛟1 1(北京大学计算机科学与技术系北京100871) 2(北京大学视觉听觉与信息处理国家重点实验室北京100871) edu．on) (szh@db．pku 摘要针对海量的web数据，提出了一种基于文档结构分析和实体识别的Web信息提取和集成方法，利用XML强 大的数据描述能力，灵活组织集成的Web文档信息内容方法首先将半结构化的HTML文档转化成具有模式结构的 XMl。文档，然后使用实体识别的技术对不同主题区域进一步抽取出格式良好的数据，最后将得到的多数据类型的信息 集成到数据库中，以支持进一步的分析和查询．实验结果证明了该方法的实用和有效性． 关键词信息提取；信息集成；XML；Wrapper；实体识别 13 中图法分类号TP311 InformationBasedonStructuraland Integration AnalysisEntityRecognition WANG suZhi—Hal，YANG Shi。Weil一，and Dong-Qin91，TANG Teng—Jia01 1(DepartmentofComputer 100871) ScienceandTechnology．PekingUniversity，13eijing On 2(NationalLaboratoryMachinePerception，Peking100871) University，BeOing AbstractWebinformationis withthedramatic ofIntemet．Inthis a expandingquickly expanse paper Webinformationextractionand methodis isbasedonstructure and integration proposed，which analysis entity itconvertsthesemistructuredHTMI，documentstoformalXMLdocumentswith extraction．Firstly schema informationcanbeextractedfrom area XMI。technology．Thensignificative interesting using tremendousformalinformationcallbe into database， throughentityrecognitionprocess．Finally integrated whichcan advancedand alsodefinessome whichcandeal support queryanalysis．Thisapproach