基于特定領域?qū)ο蠹壌怪彼阉髦械膶ο蟪槿栴}的研究.pdf

1、隨著信息時代的到來，互聯(lián)網(wǎng)上如雨后春筍一般出現(xiàn)了各種信息站點，給人們提供了大量的有用信息。但是出現(xiàn)了一個新的挑戰(zhàn)，就是如何能讓人快速定位到自己所需的信息，搜索引擎正是在這一背景下醞釀而生，用戶可以通過它快速查找信息。搜索引擎由最開始的半機械半人工的目錄式搜索發(fā)展到現(xiàn)在主流的全文搜索引擎和垂直搜索引擎，但就目前最成熟的全文搜索技術，在單個領域上的網(wǎng)頁收集能力，還是有一定的欠缺，導致查準率和查全率達不到理想的目標。雖然垂直搜索技術在單個領域

2、上的信息收集能力有所增強，但是依然像全文搜索一樣，提供基于網(wǎng)頁級的搜索服務，需要用戶進行再次過濾。因此就出現(xiàn)了對象級垂直搜索這一新的搜索模式，它是提供基于特定領域的對象級搜索，提交給用戶的查詢結(jié)果是搜索系統(tǒng)經(jīng)過一系列的抽取集成所形成的對象實體。
　　但是目前現(xiàn)有的對象級搜索引擎在對象信息抽取模塊，都屬于半自動化模式，前期需要大量人力對部分網(wǎng)頁進行標注，從而獲取對象抽取的先驗知識。因此本文針對這種情況，研究并改進了RoadRunne

3、r全自動抽取算法，設計實現(xiàn)了對象級垂直搜索引擎中的自動信息抽取模塊。
　　本文主要在以下兩個方面進行了改進：
　?。?）改進了簡單樹匹配算法，提高了判斷相似的準確率。原始的簡單樹匹配算法對網(wǎng)頁DOM樹結(jié)構中所有標簽節(jié)點進行統(tǒng)一處理，并沒有考慮到迭代標簽的特殊性，改進后對迭代標簽進行了一定的處理后再進行匹配比較。
　?。?）改進了RoadRunner算法的屬性標注模塊，利用不同包裝器之間抽取對象的關聯(lián)進行交叉標注，提高了