基于视觉特征的网页信息抽取方法研究

• 作者: 俞晓明 刘悦 王宪发 程学旗 郭岩
• 来源期刊: 中文信息学报
• 学科: 工学
• 关键词: 视觉特征 网络信息抽取 自动生成模板
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 信息抽取与文本挖掘
• 页码范围: 103-112
• 页数: 10页
• 分类号: TP391
• 字数: 7501字
• 语种: 中文

摘要

面对大规模异构网页,基于视觉特征的网页信息抽取方法普遍存在通用性较差、抽取效率较低的问题.针对通用性较差的问题,该文提出了基于视觉特征的使用有监督机器学习的网页信息抽取框架WEMLVF.该框架具有良好的通用性,通过对论坛网站和新闻评论网站的信息抽取实验,验证了该框架的有效性.然后,针对视觉特征提取时间代价过高导致信息抽取效率较低的问题,该文使用WEMLVF,分别提出基于XPath和基于经典包装器归纳算法Sof tM ealy的自动生成信息抽取模板的方法.这两种方法使用视觉特征自动生成信息抽取模板,但模板的表达并不包含视觉特征,使得在使用模板进行信息抽取的过程中无需提取网页的视觉特征,从而既充分利用了视觉特征在信息抽取中的作用,又显著提升了信息抽取的效率,实验结果验证了这一结论.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郭岩	中国科学院计算技术研究所中国科学院网络数据科学与技术重点实验室	24	587	11.0	24.0
2	刘悦	中国科学院计算技术研究所中国科学院网络数据科学与技术重点实验室	56	565	12.0	22.0
3	俞晓明	中国科学院计算技术研究所中国科学院网络数据科学与技术重点实验室	16	138	6.0	11.0
4	王宪发	中国科学院大学计算机与控制学院	1	1	1.0	1.0