半結構化文本信息抽取方法研究及應用.pdf

1、隨著辦公自動化的快速發(fā)展，使得企事業(yè)單位及國家政府機關的數(shù)據(jù)存儲及表示形式呈現(xiàn)出分布性、異構性的特點。不僅包括企事業(yè)單位及國家政府機關內使用的關系數(shù)據(jù)庫、面向對象數(shù)據(jù)庫等傳統(tǒng)結構化數(shù)據(jù)，還包括Excel、Xml、Html等不具有像數(shù)據(jù)庫那樣有明確結構的半結構化數(shù)據(jù)，以及音頻、圖像、視頻、原始的文本文件等具有無模式及自描述特點的非結構化數(shù)據(jù)。每個公司及政府部門都會有大量的、不同結構形式的數(shù)據(jù)，他們會根據(jù)不同類型數(shù)據(jù)對應的數(shù)據(jù)結構選擇不同的

2、存儲方式。因此，為了實現(xiàn)公司及政府部門不同結構數(shù)據(jù)之間的查詢和共享，不同結構形式的數(shù)據(jù)集成問題已成為網(wǎng)絡應用、數(shù)據(jù)庫應用研究和解決實際需求的一個重要研究課題。
　　本文主要研究的是半結構化數(shù)據(jù)與結構化數(shù)據(jù)的集成問題，選擇了一種典型的半結構化數(shù)據(jù)Excel表單，對不同行業(yè)、不同形式的數(shù)百張Excel表單從結構上進行了總結、分析、歸納和分類。在手工和編程實現(xiàn)對這種半結構化數(shù)據(jù)進行數(shù)據(jù)抽取的基礎上，總結了一些對這種典型的半結構化數(shù)據(jù)的抽

3、取規(guī)則，將這些規(guī)則形式化地描述為不同的指令，形成一套半結構化Excel表單數(shù)據(jù)抽取指令系統(tǒng)。最后，提出了一個具有通用性的基于指令系統(tǒng)的Excel表單數(shù)據(jù)抽取模型。
　　本文的基于指令系統(tǒng)的Excel表單數(shù)據(jù)抽取模型不僅能夠快速、準確地對一個特定的Excel表單數(shù)據(jù)進行抽取和加載，還能通過修改指令配置文件對不同樣式的Excel表單數(shù)據(jù)靈活地進行自動抽取和加載；該模型可以通過指令解釋器中的解釋器規(guī)則庫實現(xiàn)指令的可擴展性，使其具有更強的