基于DOM信息抽取技术的网页自动翻译方法的应用研究-软件工程专业论文.docxVIP

1111 1111 1 1 11 11 1 1 1 11 1 1 II III Y1 855380 独创性声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他 ^ 【 人已经发表或撰写过的研究成果，也不包含为获得北京工业大学或其它教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示了谢意。 签名：至至羹 日期：2Q!Q生Q三月 关于论文使用授权的说明 本人完全了解北京工业大学有关保留、使用学位论文的规定，即：：．学校有权 保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部 分内容，可以采用影印、缩印或其他复制手段保存论文。 签名： 彳--1· 导师签名： 奎盔 日期：．2Q!Q生Q§且 毛咳 ·All- · A F w 摘夏摘要 摘夏 摘要 21世纪是一个信息时代，随着国际间各种交流的同益频繁，语言的多样性 成了交流的一大障碍。机器翻译(MachineTranslation)可以帮助实现人与人之间的 辅助语言交流，作为自然语言处理领域的一个分支，它涉及了很多其他领域的知 识，由于人类对语言知识了解的有限性与计算机处理自然语言的局限性，机器翻 译成了一个全世界研究学者的难题。机器翻译是自然语言处理的一个重要研究领 域，在当今信息社会有着广泛的应用前景。 随着互联网的快速发展和普及，人们越来越依赖于网络获取信息。如何从中 快速高效的获得想要的信息成为迫切需要解决的问题，Web信息抽取技术应运而 生。目前，己经产生了各种各样的方法来生成包装器，但这些方法有不同的局限 性，在精确度、健壮性和通用性方面难以达到很高的要求。因此，信息抽取的研 究重点就是如何构建良好的包装器。 本文首先对现有的信息抽取技术和XML技术进行分析与研究，提出一个基 于XML技术的Web信息抽取系统。通过该系统用户能够将网页中HTML页面 中感兴趣的信息点抽取出来，并用结构化和扩展性强的XML来表示抽取结果。 该系统具有较好的通用性和灵活性，用户能够快速定制应用于不同领域的Web 信息抽取包装器。本文应用XPath技术在数据定位方面的特点，提出一种基于 DOM的XPath生成算法。本文利用XSLT作为抽取规则的描述语言，并使用XPath 来定位待抽取信息点。 综合多种框架，利用贝叶斯模型对中文进行了分词并通过与语料库的进一步 结合，实现了基于DOM信息抽取技术的网页翻译。对于网页信息抽取及进一步 实现网页自动翻译的问题利用本文提出的基于DOM的信息抽取方法能够较好地 解决，同时，系统能够达到简便有效的自动翻译应用研究结果。 关键词信息抽取；自动翻译；语料库；文档对象模型 北京丁业大学 T硕 L竿位论文 P .. H 摘贾Abstract 摘贾 Abstract The 2 1 st century iS the information era．With the recent frequent international communication，the variety of language becomes an obstacle．Machine translation Can help people realize the mded communication with each other．Machine translation iS a branch of natural language processing,and it also involves knowledge in other fields． As the finiteness of human beings’understanding in natural language and the narrow limitation of computers in processing natural language，machine translation becomes a problem．Machine translation has been accepted as one of key areas of research in naturM language processing with wide prospects of application． With the rapid development and popularization of the Internet，more and more people obtain information from Web．To find necessary inf