版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、隨著互聯(lián)網(wǎng)的快速發(fā)展,海量的數(shù)據(jù)以網(wǎng)頁的形式發(fā)布到互聯(lián)網(wǎng)上。傳統(tǒng)的網(wǎng)頁是面向用戶而設(shè)計的,人們可以通過瀏覽器可視化的閱讀信息。然而對于機(jī)器來說,這些信息是難以理解的,不僅僅是因為其使用自然語言,也因為網(wǎng)頁的表達(dá)形式具有隨意性。網(wǎng)頁信息抽取技術(shù)是一種對網(wǎng)頁進(jìn)行深度分析的技術(shù),其主要目的是自動的從非結(jié)構(gòu)化的文檔中抽取出結(jié)構(gòu)化的信息。由于網(wǎng)頁主要使用自然文本描述,因此同樣面臨著同文本信息抽取相似的問題與挑戰(zhàn)。
LineX是一個學(xué)
2、術(shù)主頁抽取系統(tǒng),系統(tǒng)能夠自動化的發(fā)現(xiàn)學(xué)術(shù)個人主頁并從學(xué)術(shù)主頁上抽取出作者的個人信息和每年發(fā)表文章的信息。抽取結(jié)果經(jīng)過進(jìn)一步分析被集成到文獻(xiàn)檢索系統(tǒng)中。由于作者主頁在風(fēng)格和內(nèi)容上都存在差異,因此基于規(guī)則的抽取方法往往無法取得很好的效果。LineX的核心抽取算法基于機(jī)器學(xué)習(xí)方法,包括支持向量機(jī)模型和條件隨機(jī)場模型,其中支持向量機(jī)主要用來對信息進(jìn)行分類,而條件隨機(jī)場則用來對信息進(jìn)行字段分割提取。系統(tǒng)首先利用HTML標(biāo)簽的語義特征將頁面分割成文
3、本單元。然后對文本單元進(jìn)行分類和字段提取,之后進(jìn)行裁剪和規(guī)范化映射。在抽取過程中,系統(tǒng)充分利用利用了網(wǎng)頁所提供的額外信息,包括標(biāo)題,DOM樹,標(biāo)簽分隔等。此外針對機(jī)器學(xué)習(xí)算法在一些情況下的盲點,使用了啟發(fā)式規(guī)則來進(jìn)行輔助,提高了整體的抽取效果。
經(jīng)過對互聯(lián)網(wǎng)的數(shù)據(jù)進(jìn)行隨機(jī)抽樣和測試,結(jié)果表明系統(tǒng)對頁面的變化具有較強(qiáng)的適應(yīng)能力,在各項信息的抽取準(zhǔn)確率上都達(dá)到的較高的水平。實驗同時說明詞典特征和HTML特征對最終的識別率起到了
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 知識抽取系統(tǒng)中學(xué)術(shù)概念屬性的抽取.pdf
- 體育領(lǐng)域信息抽取系統(tǒng)的研究.pdf
- 相關(guān)實體抽取和主頁及支持文檔查找研究.pdf
- Web就業(yè)信息抽取系統(tǒng)的實現(xiàn)研究.pdf
- DeepWeb信息抽取系統(tǒng)的研究與實現(xiàn).pdf
- 基于多重規(guī)則的學(xué)術(shù)定義抽取研究.pdf
- 基于語義的領(lǐng)域信息抽取系統(tǒng).pdf
- WEB信息抽取的研究.pdf
- 基于海量學(xué)術(shù)資源的知識元抽取研究.pdf
- 基于本體的產(chǎn)品信息抽取系統(tǒng)的研究.pdf
- 信息集成系統(tǒng)中面向領(lǐng)域的Web信息抽取研究.pdf
- 基于分塊的Web信息抽取系統(tǒng)研究.pdf
- 基于信息抽取問答系統(tǒng)的研究與實現(xiàn).pdf
- 基于信息抽取技術(shù)的知識搜索系統(tǒng).pdf
- 問答系統(tǒng)中的文本信息抽取研究與應(yīng)用.pdf
- 數(shù)值信息的抽取方法研究.pdf
- 基于非結(jié)構(gòu)化文檔數(shù)據(jù)的抽取與分析系統(tǒng)的信息抽取.pdf
- 問答系統(tǒng)中信息檢索和答案抽取的研究.pdf
- 基于本體的信息抽取研究.pdf
- 基于信息抽取的實體知識庫系統(tǒng)研究.pdf
評論
0/150
提交評論