针对Web信息抽取的数据交叉定位改进方法

• 作者: 倪宏 刘学 董微 邓浩江
• 来源期刊: 网络新媒体技术
• 关键词: Web信息抽取 交叉定位 包装器 内部特征 DOM树
• 年，卷（期）: 2015,（4）
• 所属期刊栏目: 网络通讯与计算技术
• 页码范围: 28-34,40
• 页数: 8页
• 字数: 5037字
• 语种: 中文

摘要

针对包装器在抽取Web网站的过程中抽取精度差、耗时长以及鲁棒性差等问题,提出了一种改进的基于内部特征、自底向上归纳总结的数据交叉定位方法,该方法建立了基于元素文本特征和基于元素属性特征的坐标系,将两种坐标系中的坐标值进行交叉验证获取待抽取的元数据信息.实验结果表明:该方法抽取数据相较于绝对路径方法、相对路径方法、绝对特征路径方法、相对特征路径方法以及交叉定位方法,在召回率略降2.2％的情况下,精确度提高了31.1％,并且相较于交叉定位法,抽取数据的时间提高了17.9秒.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	倪宏	中国科学院声学研究所国家网络新媒体工程技术研究中心	122	525	9.0	16.0
2	董微	中国科学院声学研究所国家网络新媒体工程技术研究中心	23	159	7.0	12.0
6	邓浩江	中国科学院声学研究所国家网络新媒体工程技术研究中心	66	613	9.0	23.0
7	刘学	中国科学院声学研究所国家网络新媒体工程技术研究中心	60	207	8.0	12.0