基于图模型的web表格中视觉并列关系的研究-d1spartancom.pdfVIP

1568 小 型 微 型 计 算 机 系 统 2014年 乏．因此本文将Web表格的视觉信息挖掘作为研究对象． 3 Web表格图结构表示模型 本文的主要贡献如下： 1)定义了Web表格的图结构表示模型； 真表格 是指包含了二维网格 的文档实体，且二维网格 2)设计了将 Web表格转换成图模型的Table—To—Graph 在传递单元格间的逻辑关系上蕴含着语义．相对地，”假表 算法； 格”是指使用 HTML语言中的table／table标记用作 3)在图模型基础上定义了多个层次的视觉并列关系，并 分栏功能，使得 HTML页面更美观的功能性表格．只有Web 设计Get—Visual-Alignment算法挖掘出Web表格中的视觉并 中的”真表格”包含了语义丰富的信息 ，因此我们研究的对象 列关系； 是这部分”真表格”，下文中的Web表格均指”真表格”，不再 4)实现了原型系统； 特别标明． 5)通过对比实验验证了表格视觉并列关系对于语义分 web表格中的视觉要素信息主要为两类：单元格之间的 析的帮助． 相对位置关系，以及单元格的字体、粗斜体、文字颜色、文字大 本文余下部分组织结构如下：第2节为相关工作．第3节 小、单元格背景颜色等信息．本文中Web表格的视觉要素抽 阐述Web表格图结构模型及将表格转换成图模型的算法．第 取以单元格作为基本单位．通过将每个单元格抽象为图的一 4节定义了Web表格上的视觉并列关系并设计算法从 图模 个结点，以单元格之间的邻接位置关系来表示图中的边，从而 型中抽取该关系．第5节介绍原型系统实现．第6节为实验评 用图结构模型来形式化地描述一个Web表格． 估．最后是第7节文章总结． 定义 1．单元格的结点模型 给定一个表格的单元格 ，可抽象表示为一个结点模型v 2 相关工作 = (W，，’，c ，b，i，g，e，e，e，e)，其 中W为单元格的文本 内容，为字体 ，，c为文字颜色， 为文字大小，b为文字是否 从Web表格上抽取信息是近年研究 的活跃领域．Car- 粗体，i为文字是否斜体，g为单元格背景颜色．每个单元格v arella等人 川 提出了Web上的表格包含了高质量的关系型 在表格中的绝对位置可以表示在一个直角坐标系中，以整个 数据，设计并实现了WebTables表格抽取系统，将表格按行抽 表格的左上顶点为原点，水平轴 方向从左往右，竖直轴Y方 取出行头作为属性 ，构建了属性共现概率集合．Dalvi等人 向由上往下 (如图2所示)，e e表示 v的上、下边框的垂直 提出了一个WebSets的非监督信息抽取系统，通过逐列检测 坐标，e e为左 、右边框的水平坐标． 表格中具有高共现频率的实体 ，结合Hearst模式设计了聚类 算法从 HTML表格中抽取出概念．实体对．Venefis等人 使 用背景知识库给表格中每列加上标签，注明每列属于哪个类 别 ，并给列与列之间加上二元关系的标注．Sanna等人 标 注每行标签的基础上，定义了表格与表格之间的相关度，并设 计算法检测一个表格的所有相关表格集合．Limaye等人 利 用