没有合适的资源?快使用搜索试试~ 我知道了~
基于heritrix的web信息抽取学位论文.doc
0 下载量 11 浏览量
2023-07-02
16:09:34
上传
评论
收藏 41KB DOC 举报
温馨提示
试读
15页
基于heritrix的web信息抽取学位论文.doc
资源推荐
资源详情
资源评论
基于 Heritrix 的 Web 信息抽取.txt28 生活是一位睿智的长者,生活是一位博学的老师,它
常常春风化雨,润物无声地为我们指点迷津,给我们人生的启迪。不要吝惜自己的爱,敞开
自己的胸怀,多多给予,你会发现,你也已经沐浴在了爱河里。基于.. Heirx 的.. We
rtib 信息抽取
陈俊彬曹树金
中山大学资讯管理系广州 5100
006
[摘要]针对现阶段 Web 信息抽取技术的不足,提出一种基于 Heritrix 的精确抽取方法,由三
个分别独立的功能模
块共同完成。与一般信息抽取不同,本方法注重于在精确抽取的前提下实现通用化,做到可
以根据数据库表的字
段来进行最小单位的信息抽取,并且较好地解决信息采集通用性和准确性之间的矛盾。..
[关键词]HrtiHMLasrWeb 数据采集
eirx 信息抽取.. Tpre[分类号]G250.73
WebInfrtotatosdorti
omainExrcinBaenHeirx
eun ahnChnJnbiCoSuji
DepartmentofInformationManagement,SunYat—senUniversity,Guangzhou510006
[Abtathsaeitoueaehdoac
ccrtifrainetatoaeoeirxac
ccrigthhrafWeno
src]TipprnrdcsmtofuaenomtoxrcinbsdnHrtiodnotesotgeobifrmaroxrcintcnlg . h
ytmiooeftrersetvdueeetfosaafifrtoxrcin,inetatoehooyTessescmpsdoheepciemol.Dif
ffrnrmuulwyonomainetato
thtd iounpeciionael
llaeeraty.Icnetrattemiim uitofifortiocodigthefedoaln
emehosfcsorsswsgnlitaxchnmunnmanacrnotilftbei
daase.
tba
[KewrseirxifrtoxrcinHTprebifrtocusto
yod]HrtinomainetatoMLasrWenomainaqiiin
的信息抽取技术需要用户的大量参与,但自动化程度
不高;而自动化程度高的抽取技术其准确率和适应性
较低,实用性较差。即使是机器学习,也要通过大量的
Web 信息抽取(Webinformationextraction,WIE)的样本学习来提高获取规则的自动化程度,
这意味着系
目标是把文本里包含的信息进行结构化处理,转化成统需要经过较长时间的学习才能获得较
好的查准率。
特定的结构,以便于理解和利用。随着.. Intemet 的迅猛纵观信息抽取技术的发展历史,研
究者们提出了
发展,Web 已经成为全球传播与共享科研、教育、商业不少优秀的抽取策略.。从实现方法的
原理出发,可
和社会信息等最重要和最具潜力的巨大信息源。面对以将信息抽取技术划分为 4 个类别:①
基于自然语言
如此巨大的互联网信息库,如何快速、有效、经济地得理解方式;②基于 ontology 方式;③
基于网页结构特征
到某个主题的所有相关信息就成了当前一个十分热门方式;④基于统计学习的方式。基于自
然语言理解方
的研究课题。与传统的信息资源相比,Web 上信息资式的信息抽取在一定程度上借鉴了自然
语言处理技
源有着分布性、异构性、开放性、动态性和庞大性等特术,利用子句结构、短语和子句间的
关系建立基于语法
点,这些特点导致 Web 上数据的信息接口和组织形式和语义的抽取规则,实现信息抽取。其
缺点是抽取速
各不相同,也使得 Web 上的信息资源不能被有效的利度慢,使用范围窄,很难做到通用。基
于 ontology 方式
用。在这样的背景下,Web 信息抽取技术成为了研究主要是利用对数据本身的描述信息实现
抽取,对网页
的热点。结构的依赖较少。只要事先创建的应用领域的 ontolo-
g)r 足够强大,系统可以对某一应用领域中各种网页实
2 艾献绿述现信息抽取。目前只能对特定领域构建,并且还只能
采用半自动的方式由人工参与,这样使得该方法要求
在.. Web 信息抽取领域中,信息抽取的准确性和通很高,工作量巨大。基于网页结构特征方
式的特点
用性之间的矛盾一直是该研究领域的难题。性能较好是根据 Web 页面的结构来定位信息,在
信息抽取之前
收稿 ri 期:20
008—07—2
22 修日期:20
008—09—11 本文起 Ij:贞码:1
112—115 本文责任编辑:易【三
112。LIBRARY AND INFORM ATION SERVICE。
剩余14页未读,继续阅读
资源评论
Mmnnnbb123
- 粉丝: 690
- 资源: 8万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功