基于視覺信息和DOM樹的Deep Web數(shù)據(jù)自動抽取.pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展,其中已蘊含了海量的信息資源,涵蓋了現(xiàn)實世界的各個領域。相對于Surface Web,Deep Web蘊含著更豐富的數(shù)據(jù)、擁有更多的訪問量和更快的增長速度。但是Deep Web頁面是動態(tài)生成的,難以被傳統(tǒng)搜索引擎索引到。因此,如何有效地獲取和利用 Deep Web頁面的數(shù)據(jù)成為一個重要的研究方向。Deep Web數(shù)據(jù)通過查詢結(jié)果頁面表現(xiàn)出來,但是網(wǎng)頁中的數(shù)據(jù)形式各異、缺乏結(jié)構性,便于用戶瀏覽卻難以利用。本文基于網(wǎng)頁的

2、視覺信息和 DOM樹結(jié)構,對 Deep Web查詢結(jié)果頁面的數(shù)據(jù)自動抽取進行了研究,主要研究內(nèi)容如下:
　　(1)定位數(shù)據(jù)區(qū)域。首先通過分析 Deep Web查詢結(jié)果頁面中數(shù)據(jù)區(qū)域的特點,找到能夠使之定位的視覺特征。然后收集了相關頁面作為樣本,并對樣本中的節(jié)點進行手工標注。通過 Weka訓練得到相應的決策樹,最后使用該決策樹對應的規(guī)則來定位數(shù)據(jù)區(qū)域。
　　(2)抽取數(shù)據(jù)記錄。這個過程分為兩步:定位數(shù)據(jù)記錄和去噪。第一步,根據(jù)

3、網(wǎng)頁中數(shù)據(jù)記錄的 DOM樹的結(jié)構特點及其視覺特征,提出了數(shù)據(jù)記錄定位算法,但是由此得到的節(jié)點中不僅包含了數(shù)據(jù)記錄節(jié)點,還有少量的噪音;第二步,通過 xpath定義了數(shù)據(jù)記錄的相似度,并通過相似度比較進行去噪,從而得到數(shù)據(jù)記錄節(jié)點。
　　(3)對齊數(shù)據(jù)項。首先將數(shù)據(jù)記錄劃分成相應的數(shù)據(jù)項,然后為便于對齊設計了相應的數(shù)據(jù)結(jié)構,并基于 xpath給出了對齊數(shù)據(jù)項的算法。
　　(4)模板。針對數(shù)據(jù)區(qū)域、數(shù)據(jù)記錄以及數(shù)據(jù)項各自的特點,

4、提出了相應的模板。通過模板的使用,不僅在抽取過程中避免了大量重復的計算,提高了抽取速度,而且方便實現(xiàn)連續(xù)頁面的數(shù)據(jù)項抽取。
　　論文的創(chuàng)新點如下:(1)引入了 xpath的概念,通過 xpath定義了數(shù)據(jù)記錄的相似度,從而進行數(shù)據(jù)記錄的去噪。并通過 xpath的比較完成了數(shù)據(jù)項的對齊。(2)提出了數(shù)據(jù)項粒度的概念,并給出了將數(shù)據(jù)記錄劃分為數(shù)據(jù)項的相應方法。
　　在以上研究的基礎上,設計開發(fā)了 Deep Web查詢結(jié)果頁面的數(shù)