基于本体和DOM相结合的Web信息抽取器   总被引：1，自引：0，他引：1  

柳佳刚  陈山  贺令亚 《现代图书情报技术》2009,25(5):44-49

针对基于Web页面信息本体的信息抽取不能准确划定抽取区域的缺点,设计基于本体和DOM相结合的Web信息抽取器。利用DOM树设计对样本页面信息项路径进行归纳学习的算法,该算法能准确划定信息抽取区域,降低页面噪声,实现对Web页面的预处理。实验表明,改进后的抽取方法提高了Web信息的抽准率。  相似文献   

基于DOM的Web信息自动抽取     

吴伟  刘友华 《现代图书情报技术》2004,20(2):68-71

提出了Web页面信息的自动抽取思想，并使用WebBrowser和DOM技术实现了Web页面上网页元素查找、表单自动填写、表单自动提交、自动获得查询结果并自动抽取所需信息的技术，从而实现了Web页面信息的自动抽取。文中还给出了这一方法的实现细节和示例代码。  相似文献   

Web抽取技术在数字图书馆中的应用   总被引：2，自引：0，他引：2  

宋玉忠 《四川图书馆学报》2009,(3):46-49

从Web页面中挖掘有价值的信息是数字图书馆技术应用的一个重要方式。目前Web页面信息描述大多教是用XML表示的,Web数据抽取技术是Web信息挖掘的关键,文章提出了一种面向HTML或XML描述的web页面的web数据抽取模型并阐述了实现过程。  相似文献   

舆情搜索引擎中网页信息的采集与抽取研究     

王兰成 《情报学报》2011,10(10)

网络舆情搜索引擎与通常的网络信息搜索不同,其最终结果要深入到站点和页面内部采集与抽取有效数据,给情报界提出了许多新的研究内容和方法.在对网页信息抽取的模板和页面分析两种方式、基于自然语言处理、包装器归纳和Ontology抽取方法的分析基础上,使用基于包装器归纳方式并在规则生成模块中采用专家模式,设计一种基于样本学习的新闻抽取方法,通过人工分析网页源代码制定和修改抽取规则,然后根据抽取规则进行信息自动抽取,以提高舆情搜索引擎的精度和质量.  相似文献   

搜索引擎返回结果自动抽取     

藕军  任明仑 《现代图书情报技术》2007,2(2):49-52

提出一种从搜索引擎返回结果页面上自动抽取结果记录及后续页面链接信息并生成Wrapper的方法:对于一个有效的结果页面，通过比较其HTML标签树上节点的相似度从而识别出潜在记录块，利用启发式规则从潜在记录块中将结果记录块和后续页面链接分别识别出来，然后利用其在标签树上的位置信息分别构造Wrapper。实验结论及与已有方法的比较表明，该方法简单可行且高效。  相似文献   

基于本体的Web信息抽取研究综述     

金燕 《图书馆学研究》2012,(16):2-6

基于本体的Web信息抽取就是以所构建的本体为核心,利用本体中已定义的概念、分类层次、关系、函数、公理和实例及一些必需的外部资料对Web页面进行信息提取,得到结构化的知识并保存的过程,这一技术已经成为国内外研究的热点之一。文章介绍了信息抽取的历史,给出了基于本体的Web信息抽取一般体系结构模型及相关实现,系统地分析比较了各种基于本体的Web信息抽取方法,指出了目前这些方法实现的关键、得到的结果及其不足之处,展望了Web信息抽取发展的方向。  相似文献   

采用最小DFS的Deep Web结构化数据抽取     

刘荣辉  郑建国  王翔 《图书情报工作》2010,54(14):126-130

通过分析动态数据在其Web 页面中的展示特点,提出一个新的自动化、结构化数据抽取方法。首先基于DOM利用算法实现快速定位数据区,从而避免处理大量噪音数据;其次引入最小DFS编码来表示DOM子树,通过聚类对记录数据区进行区分;最后对少量样本页面训练学习生成抽取规则用于数据抽取。利用原型系统针对实际网站中的页面进行数据抽取,实验结果显示其拥有较高的准确性和效率。  相似文献   

一种无词典的从Web新闻页面抽取主题的算法     

蔡巍  王永成  尹中航 《情报学报》2008,27(1):12-17

主题抽取是自然语言处理研究的重要问题之一.目前流行的方法是"词典 匹配",但该方法用于处理动态变化的网页信息时,词典难于及时更新等弊病就表现出来.本文作者在研究中文新闻网页内容、结构特点的基础上,提出了一种利用Web页面结构无需词典的主题抽取算法.我们使用该方法对新华网财经新闻语料1000篇进行主题抽取实验,并与手工抽取的主题进行比较,结果表明,重合率高达93%以上.  相似文献   

基于CPN网络的Web正文抽取技术研究   总被引：1，自引：0，他引：1  

陈敬文  彭哲 《现代图书情报技术》2008,24(11):65-71

 通过研究使用CPN神经网络进行页面正文抽取,针对传统抽取技术在通用性、可扩展性和可维护性方面的不足提出一种解决问题的思路。  相似文献   

线上藏品图文布局对观众信息获取的影响——一项眼动研究          下载免费PDF全文

郑霞  程华 《自然科学博物馆研究》2021,(1):16-22

线上藏品不同的图文布局方式会影响观众的注意过程,进而影响观众对相应图文信息的获取效果。本文通过眼动实验,研究了观众浏览藏品页面文物图片与说明文字时上图下文、上文下图、左图右文、左文右图四种页面布局方式对观众注意行为的影响,同时关注了四种形式下观众对页面中所包含的文物大小、形制、纹饰、工艺、历史文化意义等多项信息的获取情况,从而探究线上藏品图文布局对观众信息获取的影响,进而为线上藏品页面的设置提供借鉴,使其更好地以观众的注意特点为导向促进藏品信息的传播。  相似文献   

Web概念挖掘中标引源加权方案初探   总被引：15，自引：3，他引：15  

侯汉清  章成志  郑红 《情报学报》2005,24(1):87-92

通过对随机采集的1 800篇涉及经济、心理、文学、教育4个学科类别的网页进行人工自由标引、人工打分、词频统计,并进行统计数据的分析,得出网页内容主题与网页题名、文章标题、第一段首句、第一段尾句、第二段首句、第二段尾句、首段、尾段以及HTML标记等12个标引源的关系,分析中文网页的不同部位的主题表达能力,并为之设计加权标引时的适当权值。在我们的Web文本挖掘系统中,进行加权的对比实验表明,此权重方案优于前人的方案。  相似文献   

基于GATE语义标注的Web信息的自动抽取   总被引：1，自引：0，他引：1  

聂卉  黄贵鹏 《图书情报工作》2010,54(5):110-114

重点研究基于语义标注样本的Web信息自动抽取的实现方法。借助自然语言处理框架GATE,首先引入领域本体对样本网页内容进行语义标注,精确定位出待抽取的语义项,并据此将样本网页解析为S DOM树。从S DOM树中抽取出语义项的特征描述,形成样本实例并采用机器学习算法归纳抽取规则,自动生成包装器。抽取过程中,通过比较网页结构的相似度,系统能够感知网页的变化,主动学习并扩展规则库。试验结果表明,由于精确定位保障了学习样本的质量,小样本学习生成的包装器能够达到较为理想的查全率和查准率。  相似文献   

数值信息抽取研究进展综述     

吴超  郑彦宁  化柏林 《中国图书馆学报》2014,40(2):107-119

通过对数值信息抽取文献的调研,先从文献类型、学科领域、高频  相似文献   

数字图书馆都柏林核心集网页文本的知识集成与检索研究   总被引：3，自引：0，他引：3       下载免费PDF全文

王兰成  李超  何志浩 《中国图书馆学报》2007,33(2)

数字图书馆面临着进一步提高信息检索质量的问题,基于都柏林核心集的知识集成和检索能够发挥重要作用。结合Web网页的特点和本体知识,给出一种都柏林核心集网页文本的数据模型。词义扩展的相似匹配是当前知识检索采用的较为实用的方法,基于该模型采用词素匹配的技术并结合词义扩展的信息检索的一些技术,能使信息有效地存储集成和提高信息利用质量,能使开发的知识检索系统有更好的应用性。图1。参考文献7。  相似文献   

An Evaluation of Young Adult Web Pages in Public Library Websites in Japan     

Midori Kanazawa 《Public Library Quarterly》2014,33(4):279-295

This study is the first investigation into the types of contents in young adult (YA) web pages in public library websites in Japan. The study reveals that YA web pages, in general, place more emphasis on providing guidance on YA services, on helping young adults with regular learning, on the use of information resources for reference services, and on improving the communication abilities for young adults, rather than on providing research assistance to adults on YA services. Furthermore, an IRIS (Information Reference Instructional Sharing) Contents Model is proposed for YA web pages, whereas an IRIR (Information Reference Instructional Research) Contents Model is presented for children’s web pages, based on the differences between the contents of YA web pages and those of children’s web pages.  相似文献   

中文学术文献网页的特征     

邹永利  林智昊 《图书馆论坛》2011,31(6):178-185

互联网上免费的中文学术资源数量庞大,但实用的专门检索工具仍然或缺.文章以网络中文学术文献的识别与检索为目标,调查分析网络学术文献网页的特征,并以非学术文献网页作为参照,验证所发现特征的可靠性.研究结果显示,学术文献网页在关键词词频、链接数量和相关链接比例等特征方面与非学术文献网页具有明显差别,差异程度都大于75％,属于程度明显,能较好地用于区分学术文献网页与非学术文献网页,为今后系统开发学术文献网页的自动化识别工具提供了依据和理论支持.  相似文献   

基于领域本体实现Web文本挖掘研究   总被引：1，自引：0，他引：1  

阮光册 《图书情报工作》2011,55(18):116-120

为弥补改进传统Web文本挖掘方法缺乏对文本语义理解的不足,采用本体与Web文本挖掘相结合的方法,探讨基于领域本体的Web文本挖掘方法。首先创建Web文本的本体结构,然后引入领域本体“概念-概念”相似度矩阵,并就概念间关系识别进行描述,最后给出Web文本挖掘的实现方法,发现Web文本信息的内涵。实验中以网络媒体报道为例,通过文本挖掘得出相关结论。  相似文献   

我国期刊网页渴望个性与互动   总被引：8，自引：1，他引：8  

赵军平  王强 《编辑学报》2005,17(6):431-433

对中国期刊网、万方数字化期刊为各入编期刊提供的网页的应用情况进行了调查,同时在新浪等门户网站上用"学报"等关键词进行检索,并点击检索结果,以了解我国期刊网页的现状.指出我国期刊网页存在缺乏个性、与作者和读者互动不够2大问题,认为编辑对期刊品牌效应认识不够是产生上述问题的主要原因.通过对几个成功网站的分析,认为合作办网,逐步建成专业期刊和行业信息互相依托、大学学报与大学科研信息互相依托的综合网站是建设特色期刊网站的发展趋势.  相似文献   

美国公共图书馆志愿者网页调查与分析     

黄黄 《图书馆工作与研究》2012,(2):33-36

本文借助网页调查的方式,收集整理了美国16所公共图书馆的志愿者网页信息,分析了其整体框架结构、具体信息组织、内部链接结构等内容,并归纳了6个共同点和3个特色,阐述了对我国公共图书馆网站志愿者网页建设的参考和借鉴意义。  相似文献   

一种基于网页分割的Web信息检索方法   总被引：2，自引：0，他引：2  

俞扬信  产云洋 《图书情报工作》2009,53(3):108-110

提出一种基于网页内容分割的Web信息检索算法。该算法根据网页半结构化的特点,按照HTML标记和网页的内容将网页进行区域分割。在建立HTML标记树的基础上,利用了的内容相似性和视觉相似性进行节点的整合。在检索和排序中,根据用户的查询,充分利用了区域信息来对相关的检索结果进行排序。  相似文献