基于本體的網(wǎng)頁(yè)中非標(biāo)記表格抽取的研究與實(shí)現(xiàn).pdf

1、目前，國(guó)內(nèi)外垂直搜索引擎發(fā)展迅速，各行業(yè)各種類型的垂直搜索引擎如百花齊放。與傳統(tǒng)搜索引擎相比，垂直搜索的一大特點(diǎn)就是需要對(duì)HTML頁(yè)面進(jìn)行信息抽取，但是實(shí)現(xiàn)通用自動(dòng)的抽取系統(tǒng)很困難。
　　本文以上市公司發(fā)布的金融年報(bào)為研究對(duì)象，金融年報(bào)中包含大量的表格，而HTML頁(yè)面中的表格分為標(biāo)記表格與非標(biāo)記表格，金融年報(bào)中的表格屬于非標(biāo)記表格。
　　本論文的主要研究目的是將本體與機(jī)器學(xué)習(xí)方法結(jié)合，探索實(shí)現(xiàn)通用自動(dòng)的非標(biāo)記表格抽取的方法。

2、
　　另外本文的任務(wù)是為金融語(yǔ)義網(wǎng)搜索引擎提供檢索數(shù)據(jù)，語(yǔ)義網(wǎng)文件具有半結(jié)構(gòu)化的特性，所以本文的抽取結(jié)果存儲(chǔ)在XML文檔中。
　　通過(guò)上面對(duì)輸入輸出數(shù)據(jù)格式的分析，本文初步實(shí)現(xiàn)一個(gè)非標(biāo)記表格的抽取系統(tǒng)，并且實(shí)現(xiàn)了抽取結(jié)果的自動(dòng)測(cè)試。
　　本論文主要研究以下幾方面的內(nèi)容：
　?。?）分析金融年報(bào)特征，詳細(xì)設(shè)計(jì)非標(biāo)記表格抽取的架構(gòu)；
　?。?）根據(jù)表格抽取需求，研究對(duì)HTML頁(yè)面進(jìn)行凈化處理的方法；
　　

3、（3）實(shí)現(xiàn)表格結(jié)構(gòu)識(shí)別的過(guò)程，改進(jìn)其中的定位、列分割等算法；
　?。?）基于組員已建立的金融領(lǐng)域的本體，判斷表格的展開(kāi)方式，設(shè)計(jì)內(nèi)容抽取的方法；
　?。?）研究實(shí)現(xiàn)表格抽取系統(tǒng)的結(jié)果準(zhǔn)確度自動(dòng)測(cè)試的算法；
　?。?）分析結(jié)構(gòu)識(shí)別各階段以及系統(tǒng)抽取結(jié)果的不足。
　　現(xiàn)階段國(guó)內(nèi)外對(duì)非標(biāo)記表格抽取的研究主要集中在結(jié)構(gòu)識(shí)別階段，研究抽取系統(tǒng)的很少。本文的研究主要在凈化、定位、列分割階段，準(zhǔn)確度較高，其他階段也進(jìn)行了實(shí)現(xiàn)，