基于樹自動機(jī)的Web信息抽取.pdf

1、隨著互聯(lián)網(wǎng)的高速發(fā)展,傳播信息的重要方法之一便是Web,如何準(zhǔn)確快速地在龐大的互聯(lián)網(wǎng)中獲取信息,目前已經(jīng)有很多的科研工作者將此作為研究方向。在這樣的背景之下,便產(chǎn)生了Web信息抽取技術(shù)。Web信息抽取技術(shù)不僅能夠從互聯(lián)網(wǎng)上獲得用戶需要的信息,另外也能夠?qū)@得的信息作為創(chuàng)建數(shù)據(jù)挖掘系統(tǒng)和智能查詢系統(tǒng)的基礎(chǔ)。因此,信息抽取技術(shù)具有十分廣闊的應(yīng)用前景。
　　信息抽取(IE)是指從一系列的文檔中提取出特定的信息。當(dāng)前大部分信息抽取工作是從

2、半結(jié)構(gòu)化文檔XML或HTML中提取信息,目前現(xiàn)有的技術(shù)是基于字符串的提取方法,像有限自動機(jī)歸納方法。不過,這種方法并沒有利用到XML文檔的樹形結(jié)構(gòu)。在本文中,我們引入了樹自動機(jī)技術(shù),來代替字符串的提取方法。本文首先介紹了Web信息抽取的相關(guān)技術(shù)分類和評價指標(biāo),并分析了樹自動機(jī)、文法推理及信息抽取技術(shù)。在有秩樹自動機(jī)推理方面,本文在k-testable推理算法的基礎(chǔ)上,提出了g-testable和gl-testable算法,提高了抽取的召