基于表格的Web信息抽取.pdf

1、電子商務(wù)的快速發(fā)展使Internet上的商務(wù)信息急速增長，在帶給人們豐富信息的同時也為準確查找信息帶來了不少困難。人們希望能較準確地抽取Web上商務(wù)信息，然后加以分析，發(fā)掘其中有用的商務(wù)模式。通過觀察和分析發(fā)現(xiàn)，Web頁面大量使用表格這種HTML元素，因此本文提出了一種基于表格的Web信息抽取方法，對Web信息抽取進行了一定的分析研究。 本文首先從表格之間的嵌套關(guān)系出發(fā)，針對葉子節(jié)點，提出Web信息抽取時有效表格和無效表格的概念

2、，并分析其特點，用神經(jīng)網(wǎng)絡(luò)的方法加以區(qū)分和識別。本文還提出一種適應(yīng)性較強的抽取方法。這種方法是首先確定表格的標題行和列，然后根據(jù)標題行或列確定表格內(nèi)容與要抽取的內(nèi)容有多少相關(guān)度。最后是抽取信息、填入模板。 為確定表格的標題行和列，本文提出一種簡單的短語語義相似度度量的方法。用這種方法計算表格中各單元格的內(nèi)容有多大的可能性是標題。最后根據(jù)每一單元的值，確定表格的標題。 根據(jù)表格的標題，本文提出一種簡單的方法來度量該表格與所