基于分塊的主題信息抽取研究與應(yīng)用.pdf

1、目前公安信息網(wǎng)和刑偵網(wǎng)上含有大量的刑事案件信息，如果只通過人工的方式瀏覽、搜集、存儲(chǔ)信息，很難做到對信息全面、快速的整理，不利于案件的及時(shí)偵破。本文通過分析公安信息網(wǎng)和刑偵網(wǎng)頁的特點(diǎn)，提出了主題下主題鏈接提取方法和網(wǎng)頁信息抽取方法，并將提出的方法應(yīng)用到大連市公安局網(wǎng)頁信息抽取系統(tǒng)中。
　　 本文通過對目錄型網(wǎng)頁結(jié)構(gòu)特點(diǎn)的研究，具有相同主題的鏈接大部分都放在同一個(gè)布局標(biāo)簽內(nèi)或者其上下文內(nèi)。根據(jù)目錄型網(wǎng)頁的特征以及網(wǎng)絡(luò)蜘蛛技術(shù)提出一

2、種基于語義塊的主題鏈接提取算法，此算法可以確定主題相關(guān)鏈接塊并將主題塊中的鏈接提取出來。通過實(shí)驗(yàn)表明此算法可以減少與主題無關(guān)的鏈接被提取。在主題信息抽取階段，網(wǎng)頁通常由若干個(gè)內(nèi)容塊構(gòu)成，這些內(nèi)容塊通常是由HTML容器標(biāo)簽分割而成的，進(jìn)行網(wǎng)頁布局的標(biāo)簽有