基于垂直搜索引擎信息抽取技術(shù)的研究.pdf

1、在信息化時(shí)代，獲得信息的途徑越來(lái)越多?；ヂ?lián)網(wǎng)作為信息的載體，在傳播效率和信息容量方面都有無(wú)可替代的地位。但是隨著信息量的增加，用戶在互聯(lián)網(wǎng)上獲得真正所需信息的變得越來(lái)越困難。搜索引擎的出現(xiàn)改善了目前的狀況，但是用戶想要獲得專業(yè)化的信息仍然不夠方便。垂直搜索引擎的出現(xiàn)解決了這一問(wèn)題。 在垂直搜索引擎中，結(jié)構(gòu)化信息抽取技術(shù)是垂直搜索引擎的關(guān)鍵技術(shù)之一。基于包裝器的信息抽取是信息抽取技術(shù)中主要的抽取技術(shù)。在包裝器生成過(guò)程中，需要對(duì)網(wǎng)頁(yè)

2、分析并生成針對(duì)該網(wǎng)頁(yè)的抽取規(guī)則。在分析網(wǎng)頁(yè)時(shí)多余的“非主題”信息參與生成抽取規(guī)則不僅會(huì)影響包裝器抽取的效率，而且影響結(jié)果的準(zhǔn)確性。 本文提出了對(duì)原有包裝器生成模式的改進(jìn)。在對(duì)MDR算法修改的基礎(chǔ)上，直接提取出主題信息，只將主題信息參與構(gòu)成抽取規(guī)則。需要提取主題信息的網(wǎng)頁(yè)要滿足數(shù)據(jù)密集這個(gè)前提，因?yàn)樵谔崛≈黝}信息過(guò)程中，要把主題信息區(qū)域中各條信息的樹(shù)結(jié)構(gòu)析取出來(lái)。通過(guò)對(duì)整個(gè)網(wǎng)頁(yè)DOM樹(shù)上同層次的各個(gè)節(jié)點(diǎn)的比較，將具有相似節(jié)點(diǎn)特征的