基于XML的文档信息提取技术研究-计算机软件与理论专业论文.docxVIP

——————————————————————————————————————————————————————————————————————————————一～ ——————————————————————————————————————————————————————————————————————————————一～娃f XMI，的文档信息提取技术研究： 摘要 摘要 随煮Web技术的发展，越来越多的信息呈现在用户面前。对海量的信息资源的处 理成为 个非常重要的问题。因此对于网络资源的信息提取技术具有f+分重要的意义。 然而传统的面向纯文本的信息提取技术主要基于自然语言处理，局限于特定的领域。而 随着网络的爆炸发展，对于(半)结构化的文本进行信息提取越来越显示出其重要性。 然而目前构成web网页主体的HTML语言出于自身的缺陷制约了对信息资源进行进一 步的开发利用。并且在网络上和平时的日常应用中还涉及到大量其它格式的文档。但由 于应用背景的不同，文档的组织方式和表现方式差别很大。为了对这些文档进行信息处 理和利用，就必须对文档格式进行转换。 因此，本文在综述了基本情况后，分析了采用XML文档进行信息提取的优点，提 出了一个基于XMI。的中间文档格式IEML(Information Extraction Markup Language)， 包括文档的标题、篇章结构、文本格式信息、链接、表格和一些元数据信息等。详述了 将常用的文档格式如PDF、Word等转换为XML中间文档的方法。在这个XML中问文 档的基础上进行了文本内容特征提取的工作。 系统的主要特点如下： ≯实现多种常用格式文档的内容和结构的分析 》定义通用的文档格式描述语言，并基于对文档的形式描述实现对多种文档的识 别、分析 ≯基于中间文档格式提取出文档的标题。 ≯根据具体模板提取出了电子期刊论文的标题、摘要、关键词等信息。 关键词：XML，信息提取，PDF，WORD，文档 一——————————————————————————————————————————————————一 一——————————————————————————————————————————————————一基于XML的文档信息提取技术研究： Abstract Document Information Extraction Based on XML Ge Yibing(Computer Software and Theory) Directed By Bai Shuo With the development of the Web technique，more and more information rapidly expand in the Web，It has attracted much attention to deal with these numerous infommtion resources． Therefore，the progress of the information extraction technology of the Web resources is of great importance．However,the traditional IE tasks from unstructured texts typically are based on NLP and restricted in a specific domain．With the boom ofme Web．there is all urgent need for structural IE systems that extract from(semi一)structured documents．But as a basic foundation of the Web．HTML restrain the farther exploitation and utilization of the information resources due to its own limitation．And a great deal of other format documents are meetin the web and day’3 work．And there are great differences between the mode of organization and representation of documents as a result of different background，Document transformation among different document