信息抽取算法研究及其在科研服務(wù)系統(tǒng)中的應(yīng)用.pdf

1、隨著Internet的迅猛發(fā)展，萬維網(wǎng)已經(jīng)成為全球最大的信息源和知識庫，如何從中抽取出有用的信息，已成為研究學(xué)者關(guān)注的熱點(diǎn)?？蒲蟹?wù)系統(tǒng)是為高校的教師提供一個便捷的從事教學(xué)、科研、管理各項成果，以及與外界交流的服務(wù)網(wǎng)站。該系統(tǒng)的核心部分是文獻(xiàn)管理與教學(xué)信息管理，主要技術(shù)是針對電子期刊數(shù)據(jù)庫網(wǎng)站中文獻(xiàn)信息和教務(wù)處網(wǎng)站中課表信息進(jìn)行抽取。本文分別對兩種網(wǎng)頁的結(jié)構(gòu)進(jìn)行了深入研究，并在研究國內(nèi)外信息抽取方法的基礎(chǔ)上，提出了各自的抽取方法。

2、>　　針對文獻(xiàn)信息抽取問題，鑒于電子期刊數(shù)據(jù)庫網(wǎng)站中網(wǎng)頁大多由相同模板生成，本文充分利用該類網(wǎng)頁的特征，采用基于模板的文獻(xiàn)信息抽取方法。首先，對信息提取的整體結(jié)構(gòu)進(jìn)行了設(shè)計，其次，對主題信息模板生成方法以及主題信息抽取方法進(jìn)行了研究和設(shè)計。在主題信息抽取模板生成方法中，針對文獻(xiàn)網(wǎng)頁的特點(diǎn)，提出一種啟發(fā)式規(guī)則，并結(jié)合DSE算法，生成精確模板生成算法，用于獲取主題信息抽取路徑。仿真結(jié)果表明本文所設(shè)計的方法是可行的，具有一定的適應(yīng)性。

3、　　針對課表信息抽取問題，鑒于課表網(wǎng)頁大多是采用網(wǎng)頁表格的形式表示，本文充分利用該類網(wǎng)頁的特征，采用基于啟發(fā)式的表格信息抽取方法，首先，對表格信息抽取的整體結(jié)構(gòu)進(jìn)行了設(shè)計，其次，對表格定位方法和表格信息抽取方法進(jìn)行了設(shè)計。在表格定位方法設(shè)計中，針對表格網(wǎng)頁的特點(diǎn)，將網(wǎng)頁構(gòu)造出Table-DOM樹，并提出一種啟發(fā)式規(guī)則，用于定位網(wǎng)頁表格的位置。并采用本文提出的基于啟發(fā)式的表格抽取方法獲取主題信息路徑。仿真結(jié)果表明所設(shè)計的方法是可行的，具有

4、一定的適應(yīng)性。
　　針對抽取到的主題信息需要進(jìn)行分類的問題，鑒于主題信息的的特征，本文采用基于支持向量機(jī)的文本分類方法，首先，對基于支持向量機(jī)的文本分類的整體結(jié)構(gòu)進(jìn)行設(shè)計，其次，對文本預(yù)處理方法、特征項選擇與提取方法、模型訓(xùn)練方法和文本分類方法進(jìn)行設(shè)計。針對主題信息為多分類問題，采用了一對一(One-against-One)的多分類算法。最后，根據(jù)文獻(xiàn)抽取信息與課表抽取信息集合作為樣本數(shù)據(jù)進(jìn)行了模擬仿真實驗，結(jié)果表明本文所采用的方