基于表格結(jié)構(gòu)的Web信息提取技術(shù)研究.pdf

1、表格結(jié)構(gòu)作為一種簡(jiǎn)潔有效的數(shù)據(jù)信息表達(dá)方式，在各種領(lǐng)域的Web頁(yè)中都得到了廣泛的應(yīng)用。但因其形式及功能的多樣性，給基于表格結(jié)構(gòu)的Web信息提取帶來(lái)了巨大的挑戰(zhàn)，主要體現(xiàn)在基于表格結(jié)構(gòu)的Web信息的理解、定位及提取上。
　　本文從標(biāo)記和視覺(jué)特征的角度出發(fā)，將基于表格結(jié)構(gòu)的Web信息劃分為列表和表格，然后針對(duì)不同結(jié)構(gòu)分別研究出一種具有領(lǐng)域獨(dú)立性的信息提取方法。
　　首先，針對(duì)具有各種不同標(biāo)記的列表信息定位困難與單條列表信息提取繁

2、瑣問(wèn)題，提出了基于HTML結(jié)構(gòu)樹(shù)的一體化解決方案。該方案集列表信息的定位與提取于一個(gè)統(tǒng)一的算法中，易于實(shí)現(xiàn)。
　　其次，提出了一種基于特征向量機(jī)器學(xué)習(xí)算法的Web表格識(shí)別方法，重點(diǎn)研究了表格特征的構(gòu)建。針對(duì)各種數(shù)據(jù)對(duì)特征的表征能力不同及特征向量維數(shù)過(guò)高等問(wèn)題，提出了利用統(tǒng)計(jì)計(jì)算的方法僅從布局和內(nèi)容結(jié)構(gòu)方面構(gòu)建表格的特征。
　　最后，針對(duì)傳統(tǒng)的二維條件隨機(jī)場(chǎng)模型難以處理標(biāo)注元素間復(fù)雜依賴(lài)關(guān)系的問(wèn)題，結(jié)合表格的結(jié)構(gòu)特征，提出一種