網(wǎng)頁事件信息抽取研究.pdf

1、互聯(lián)網(wǎng)以不同的格式為各種用戶提供了廣泛的有用信息,這就使得從不同的分散WEB信息源一致地抽取信息變得非常困難,因此產(chǎn)生了許多抽取各種WEB信息并存儲(chǔ)到關(guān)系數(shù)據(jù)庫的系統(tǒng),它們具有不同程度的靈活性和魯棒性。本文針對特定的事件信息抽取任務(wù),提出了一個(gè)無監(jiān)督的互聯(lián)網(wǎng)事件信息抽取框架,從互聯(lián)網(wǎng)眾多的事件源網(wǎng)站中抽取各種熱門事件。該框架可達(dá)到現(xiàn)實(shí)事件的較高覆蓋率和準(zhǔn)確率,具有廣泛的通用性,可以應(yīng)對大量的事件信息提供方。
　　本文首先分析介紹了

2、已有的WEB信息抽取系統(tǒng),并從不同的角度比較了已有系統(tǒng)的特性,然后針對特定的事件信息抽取任務(wù),根據(jù)表格和詳情頁面兩種不同的表現(xiàn)形式,提出了自己的方法:表格頁面采用基于平行DOM結(jié)構(gòu)的抽取方法,詳情頁面采用基于公共分隔字符提取模式的抽取方法,同時(shí)針對這兩種方法的不足進(jìn)行了討論。
　　本文的實(shí)驗(yàn)數(shù)據(jù)來自15個(gè)知名的事件發(fā)布網(wǎng)站,使用信息抽取系統(tǒng)常用的查全率和查準(zhǔn)率做為評測指標(biāo)。實(shí)驗(yàn)中將本文方法的抽取結(jié)果與常用的包裝器生成算法進(jìn)行比較,