摘要
针对Web信息抽取领域中存在的"项缺失"和"项无序"问题,提出一种基于隐马尔可夫模型的Web信息抽取方法。将Web文档解析为一棵扩展的DOM树,映射待抽取的信息项为状态,映射待抽取的信息项在扩展DOM树中的路径为词汇,使用归纳算法构造隐马尔可夫模型。实验结果证明该方法可以获得更好的抽取性能。
To solve disorder among information items and lack of information item in the field of information extraction, this paper proposes a Web information extraction algorithm based on Hidden Markov ModeI(HMM). It parses a Web document into an extended DOM tree, and maps an information item to a state with mapping a path in extended DOM tree about an information item to a vocable. An HMM model is obtained by using induction algorithm. Experiments show that the algorithm has better extraction performance.
出处
《计算机工程》
CAS
CSCD
北大核心
2009年第18期25-27,共3页
Computer Engineering
基金
国家自然科学基金资助项目(60775028)
大连市科技局基金资助重大项目(2007A14GX042)
关键词
信息抽取
隐马尔可夫模型
扩展DOM树
information extraction
Hidden Markov ModeI(HMM)
extended DOM tree