基于自动生成模板的Web信息抽取技术

• 来源期刊: 北京交通大学学报
• 学科: 工学
• 关键词: 信息抽取 模板 文档对象模型 XPath 网络舆情
• 年，卷（期）: 2009,（5）
• 所属期刊栏目: 电子信息通信工程
• 页码范围: 40-45
• 页数: 6页
• 分类号: TP391
• 字数: 5471字
• 语种: 中文

摘要

在网络舆情分析中,人们迫切需要自动化的工具在海量信息中抽取所需要的信息,以供进一步分析利用.针对此问题,提出了基于自动生成模板的Web信息抽取方法,可以消除网页噪声,快速有效地抽取所需的网页信息.该方法通过解析器将Web文档解析成文档对象模型,根据用户需求建立抽取规则,采用自动生成模板机制,并依据模板的抽取规则对网页信息进行抽取.实验证明,该抽取方法具有较高的召回率和准确率.