基于树自动机的网页数据抽取

• 作者: 宋瀚涛 王茹 陆玉昌
• 来源期刊: 北京理工大学学报
• 学科: 工学
• 关键词: 数据抽取 树自动机 Web网页 HTML
• 年，卷（期）: 2004,（9）
• 所属期刊栏目: 信息科学与控制
• 页码范围: 790-793
• 页数: 4页
• 分类号: TP312
• 字数: 3052字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-0645.2004.09.010

摘要

为了自动将数据从HTML网页中抽取出来,采取树自动机推断方式进行数据抽取.核心思想是将样本网页转化为二叉树并构建出能够接受这些网页二叉树的树自动机,利用所得到的树自动机对待抽取网页的接受和拒绝状态进行数据抽取.该方法充分利用了HTML文档内在的树状结构,设计了简单方便的样本网页标注形式.实验表明,该方法的抽取性能在查全率和F值方面优于其它的一些数据抽取方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	宋瀚涛	北京理工大学信息科学技术学院计算机科学工程系	124	2643	28.0	47.0
2	陆玉昌	清华大学智能技术与系统国家重点实验室	86	4098	32.0	63.0
3	王茹	北京理工大学信息科学技术学院计算机科学工程系	14	103	5.0	10.0