基于主动学习的web页面信息抽取.pdfVIP

第 23卷 第6期 情 报 学 报 VDo1．23．№6 2004年 12月 ecember，2004 基于主动学习的Web页面信息抽取 张清军 朱才连 (中国科学院测量与地球物理研 究所 ，武汉 430077) 摘要 本文提出一种基于主动学习的Web页面信息抽取方法，可以使用户在标记少量具有代表性的样本页面 的情况下，有效地提高信息抽取规则的覆盖性，从而使包装器具有一定的 自适应性 。 关键词 主动学习 Web信息抽取 包装器 Information Extractionfrom W ebPagesBased onActiveLearning ZhangQingjunandZhuCailian (InstituteofGeodesyandGeophysics，ChineseAcademyofSciences，Wuhan430077) Abstract Inthispaper，anapproachofinformationextractionfromwebpagesbasedonachvelearningispresented．Itcan effectivelyimprovecovetingofinfomr ationextractionrolesbylabelingafew representativewebpages．Sohtewrappercanadaptto changesinthesitesfrom whichhtedata isbe ingextracted． Keywords activelearning，infomrationextractionfromwebpages，wrapper． 包装器 (Wrapper)来完成。在 www 的信息应用中， 1 引 言 包装器…是一种软件过程，这个过程应用 已经定义 好的信息抽取规则，将输入 Web页面的信息数据抽 随着 Intemet的迅猛发展 ，www 逐渐成为了信 取出来 ，转换为用特定 的格式描述的信息。一个包 息发布和获取 的主要平 台，其上数据一直呈几何级 装器一般针对某一个单一数据源中的一类页面。在 数增长。然而用于表达 Web页面信息 的 HTML标 以前的系统中，主要采用人工方法完成包装器的生 记语言存在着先天性 的不足 ：用 HTML语 言发布 的 成 ，实现数据的抽取工作。但是 由于 Web信息量 巨 数据主要 目的是为了显示 ，让人通过浏览器浏览，但 大，新资源频繁加入，现存资源 的格式也经常变动 ， 缺乏结构 ，而且没有语义信息 ，这使得应用程序无法 因此采用人工实现包装器的方法不仅麻烦而且缺乏 直接解析并利用 Web上海量的数据。如何有效地 适应性 。 利用这些信息就变的非常迫切 ，因此 出现 了很多基 通常可以采用半 自动或全 自动的方式生成包装 于 Web信息源的技术和应用 ，其 中信息抽取技术是 器，国外在这方面 的研究取得 了很多的成果。文献 当前研究的一个热点。 [2]采用文档对象模 型 (DOM)实现半 自动化的信息 Web信息抽取就是从 Web页面所包含 的无结 抽取。文献 [3]采用 ECT(EmbeddedCatalogTree)来 构或半结构的信息 中识别用户感兴趣的数据