面向Web的學前教育新聞信息抽取技術研究.pdf

1、隨著計算機和網絡的普及，目前的新聞信息更多的是以電子可讀文本的形式存在，以供讀者檢索查閱，也就是網絡新聞，學前教育學科的新聞也不例外。本文中的學前教育新聞是指以電子可讀文本形式存在的學前教育學科的網絡新聞。對學前教育新聞的信息抽取處理，主要是把新聞中包含的信息進行結構化處理，以統(tǒng)一的形式集成在一起。
　　 伴隨著網絡信息爆炸式的增長，人們被包圍在信息的汪洋大海之中，對學前教育新聞的各種不同的需求，很難有效地利用搜索引擎準確、高效

2、地從信息海洋中抽取所需資源。準確地獲取Web 頁面中的學前教育新聞信息資源正是亟待解決的問題。基于Web的學前教育新聞信息抽取技術的研究，正是伴隨著這樣的需求而出現并不斷豐富的。通過信息抽取，使得學前教育新聞信息得以結構化，便于深層利用，反之，還可以指導學前教育新聞信息的獲取。
　　 針對學前教育網絡新聞“循環(huán)化”的特點，本文利用信息抽取技術對新聞網頁正文進行抽取，以文本的形式保存，為學前教育信息資源庫的建設打下基礎的同時，還從

3、文本中抽取出大量特定的事實信息，如新聞發(fā)表時間、新聞中出現的中文人名、地名等，可以對外提供信息檢索服務。具體包括如下內容：
　　 根據學前教育新聞網頁正文信息的特點，結合以開源代碼形式發(fā)布的HTMLParser 工具包，利用基于規(guī)則的信息抽取方法和現有的網頁噪音凈化等計算機技術，將互聯(lián)網上半結構化的新聞網頁正文抽取出來，以文本形式保存。然后通過統(tǒng)計與規(guī)則相結合的方法，制定新聞發(fā)表時間、中文人名和地名的統(tǒng)計概率模型，抽取出新聞網頁