基于DOM信息抽取技術(shù)的網(wǎng)頁(yè)自動(dòng)翻譯方法的應(yīng)用研究.pdf

1、21世紀(jì)是一個(gè)信息時(shí)代,隨著國(guó)際間各種交流的日益頻繁,語(yǔ)言的多樣性成了交流的一大障礙。機(jī)器翻譯(Machine Translation)可以幫助實(shí)現(xiàn)人與人之間的輔助語(yǔ)言交流,作為自然語(yǔ)言處理領(lǐng)域的一個(gè)分支,它涉及了很多其他領(lǐng)域的知識(shí),由于人類(lèi)對(duì)語(yǔ)言知識(shí)了解的有限性與計(jì)算機(jī)處理自然語(yǔ)言的局限性,機(jī)器翻譯成了一個(gè)全世界研究學(xué)者的難題。機(jī)器翻譯是自然語(yǔ)言處理的一個(gè)重要研究領(lǐng)域,在當(dāng)今信息社會(huì)有著廣泛的應(yīng)用前景。
　　 隨著互聯(lián)網(wǎng)的快速

2、發(fā)展和普及,人們?cè)絹?lái)越依賴于網(wǎng)絡(luò)獲取信息。如何從中快速高效的獲得想要的信息成為迫切需要解決的問(wèn)題,Web信息抽取技術(shù)應(yīng)運(yùn)而生。目前,已經(jīng)產(chǎn)生了各種各樣的方法來(lái)生成包裝器,但這些方法有不同的局限性,在精確度、健壯性和通用性方面難以達(dá)到很高的要求。因此,信息抽取的研究重點(diǎn)就是如何構(gòu)建良好的包裝器。
　　 本文首先對(duì)現(xiàn)有的信息抽取技術(shù)和XML技術(shù)進(jìn)行分析與研究,提出一個(gè)基于XML技術(shù)的Web信息抽取系統(tǒng)。通過(guò)該系統(tǒng)用戶能夠?qū)⒕W(wǎng)頁(yè)中HT

3、ML頁(yè)面中感興趣的信息點(diǎn)抽取出來(lái),并用結(jié)構(gòu)化和擴(kuò)展性強(qiáng)的XML來(lái)表示抽取結(jié)果。該系統(tǒng)具有較好的通用性和靈活性,用戶能夠快速定制應(yīng)用于不同領(lǐng)域的Web信息抽取包裝器。本文應(yīng)用XPath技術(shù)在數(shù)據(jù)定位方面的特點(diǎn),提出一種基于DOM的XPath生成算法。本文利用XSLT作為抽取規(guī)則的描述語(yǔ)言,并使用XPath來(lái)定位待抽取信息點(diǎn)。
　　 綜合多種框架,利用貝葉斯模型對(duì)中文進(jìn)行了分詞并通過(guò)與語(yǔ)料庫(kù)的進(jìn)一步結(jié)合,實(shí)現(xiàn)了基于DOM信息抽取技術(shù)