基于GATE语义标注的Web信息的自动抽取

摘要：

重点研究基于语义标注样本的web信息自动抽取的实现方法.借助自然语言处理框架GATE,首先引入领域本体对样本网页内容进行语义标注,精确定位出待抽取的语义项,并据此将样本网页解析为S-DOM树.从S-DOM树中抽取出语义项的特征描述,形成样本实例并采用机器学习算法归纳抽取规则,自动生成包装器.抽取过程中,通过比较网页结构的相似度,系统能够感知网页的变化,主动学习并扩展规则库.试验结果表明,由于精确定位保障了学习样本的质量,小样本学习生成的包装器能够达到较为理想的查全率和查准率.

关键词：Web 信息抽取、语义标注、包装器

所属期刊栏目：54

分类号：TH18

资助基金：教育部人文社会科学研究项目08JC870013

在线出版日期：2010-06-30（万方平台首次上网日期，不代表论文的发表时间）

页码：110-114