基于DOM樹的非規(guī)范化表格信息定位技術(shù)

張興蘭 劉巖

摘要摘要：Web表格信息提取已經(jīng)成為構(gòu)建本體的重要內(nèi)容之一，它能自動(dòng)將本體所需的屬性名和屬性值提取出來，節(jié)省大量人工勞動(dòng)。關(guān)于非規(guī)范化表格信息提取的研究比較少，對(duì)本體構(gòu)建造成大量信息缺失。提供一種基于啟發(fā)式規(guī)則的非規(guī)范化表格信息定位算法，其對(duì)定位非規(guī)范化表格準(zhǔn)確率較高。

關(guān)鍵詞關(guān)鍵詞：本體；非規(guī)范化表格；DOM樹

DOIDOI：10.11907/rjdk.161193

中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2016）007001004

引言

隨著Internet的迅速發(fā)展，人類進(jìn)入了信息爆炸時(shí)代。目前，各類信息服務(wù)網(wǎng)站提供了大量的信息資源，而在大量網(wǎng)頁資源中，Web表格極其重要而有規(guī)律，表格（Table）作為一種重要的表現(xiàn)形式已廣泛應(yīng)用于Web網(wǎng)頁中。

在信息爆炸時(shí)代，人們想要精確獲取所希望的資料猶如大海撈針般困難。在這種背景下，人們希望提高有用信息獲取的效率。信息抽取首先是從文本信息抽取發(fā)展而來[1]。目前，Web信息獲取主要有兩種方法：通過搜索引擎查詢或者進(jìn)行Web信息抽取。搜索引擎幫助人們通過關(guān)鍵詞來獲取相關(guān)文檔，用戶從獲得的文檔中自己查找有用的信息。因?yàn)檫@些文檔并不考慮用戶的知識(shí)領(lǐng)域，對(duì)用戶來說并不容易定位到自己需要的資源。然而，Web信息提取自動(dòng)從網(wǎng)絡(luò)里分析和發(fā)現(xiàn)有用的信息，過濾掉不需要的數(shù)據(jù)，可充分提取用戶知識(shí)領(lǐng)域的知識(shí)。由于Web頁面大量使用表格元素，所以對(duì)表格進(jìn)行信息抽取具有重要的現(xiàn)實(shí)意義。

1研究現(xiàn)狀

從上世紀(jì)90年代開始，國外信息抽取技術(shù)發(fā)展比較迅速，涌現(xiàn)出許多相關(guān)的研究項(xiàng)目，并且取得了一定成果。早期相關(guān)研究主要集中于自然語言處理領(lǐng)域，后來逐漸發(fā)展到計(jì)算機(jī)語言學(xué)、人工智能、語義網(wǎng)絡(luò)、知識(shí)庫建設(shè)、人類語言技術(shù)等其它領(lǐng)域。這些研究主要圍繞信息的表示、獲取、建模、理解、抽取、檢索等方面展開。針對(duì)信息抽取的研究發(fā)展很快，因?yàn)橐婚_始這些項(xiàng)目就面向?qū)嶋H應(yīng)用中出現(xiàn)的信息處理問題。隨著信息抽取技術(shù)的成熟，許多相關(guān)研究，特別是有關(guān)信息獲取和信息抽取方面的研究，被廣泛應(yīng)用于各種領(lǐng)域。其中應(yīng)用最多的是情報(bào)領(lǐng)域。信息抽取方面的研究在涉及到恐怖活動(dòng)、風(fēng)險(xiǎn)投資、商業(yè)情報(bào)等領(lǐng)域的信息研究分析和咨詢決策中發(fā)揮著重要作用，而表格信息提取在信息提取領(lǐng)域舉足輕重。

國外關(guān)于Web表格定位的研究中，Hurst[2]歸納了Web表格的兩種特征，即DOM特征（5個(gè)）和幾何模型特征（3個(gè)），并利用兩種訓(xùn)練算法，即貝葉斯（Nave Bayes）相分離，可通過功能設(shè)備層實(shí)現(xiàn)不同的業(yè)務(wù)功能，支持相應(yīng)業(yè)務(wù)處理能力的集群式擴(kuò)展。例如，在功能設(shè)備層實(shí)現(xiàn)多種圖像格式向一種圖像格式的轉(zhuǎn)換，支持多圖像格式歸一化處理的并發(fā)性請(qǐng)求等。由此可見，本文設(shè)計(jì)的集群調(diào)度體系具備較靈活的擴(kuò)展性。

參考文獻(xiàn)參考文獻(xiàn)：

[1]張峻，曾元祥.動(dòng)態(tài)數(shù)字出版理念的幾個(gè)核心問題[J].新媒體研究，2015，1（14）：1617.

[2]北大方正電子有限公司，北京大學(xué).一種網(wǎng)絡(luò)文集制作成書籍的方法[P].CN200610113308.2，