基于樹模型的多包裝器信息抽取系統(tǒng)研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡成為人們獲取自己需要的信息的重要途徑，Web信息抽取是一種可以從Web頁面信息中抽取出結(jié)構(gòu)化的信息的技術(shù)，為人們從浩瀚如海的internet網(wǎng)上獲取信息提供了便利，包裝器技術(shù)就是其中的一種。然而現(xiàn)在Web頁面上的信息變得越來越密集，一個頁面可能會提供具有不同含義的數(shù)據(jù)塊信息，這種頁面被稱作多個信息塊Web頁面。在以往的Web信息抽取技術(shù)中，包裝器大部分針對只含有一個信息塊的Web頁面，而不適用于這種多個信息塊Web

2、頁面。因此針對以往包裝器的適應性缺點，本文提出了一種對應信息塊的子樹模型的表示方法，在這個子樹模型的基礎(chǔ)上提出了一種基于樹模型的多包裝器生成算法，并設計了基于樹模型的多包裝器信息抽取系統(tǒng)。
　　 基于樹模型的多包裝器信息抽取系統(tǒng)首先將多信息塊Web頁面解析為DOM樹，然后通過一種基于DOM樹的頁面分塊方法將多信息塊Web頁面分塊形成多個子樹模型，每個信息塊均對應一個子樹模型，提出一種KEY-SubTree的表示方法用來表示子樹模

3、型，為每個子樹模型賦予KEY-Value值用來區(qū)分彼此，因此可以根據(jù)KEY-Value值劃分形成以KEY-Value值為區(qū)別關(guān)鍵詞的KEY-SubTree集合。最后在多包裝器生成過程中，根據(jù)Tree-align算法的思想提出一種基于樹模型的多包裝器生成算法——Multi-wrapper算法，并用它以KEY-SubTree集合為對象生成各個信息塊對應的包裝器，使得頁面中的每個信息塊對應一個包裝器，生成了多個包裝器。將這多個包裝器放入一個包