基于样本实例的Web信息抽取

主要研究了基于HTML文档的信息抽取 ,提出了一种基于样本实例的Web信息抽取的方法 .用户首先选定样本页面和预先定义模式 (基于O -R模型 ) ,然后对样本页面和其中的样本记录进行标记、学习 ,形成信息抽取规则 ,并存入知识库 ;利用知识库对其他同类页面自动抽取所需的信息 ,存入数据库中 .本方法可用于Web查询 ,也可用于信息集成的包装器 .

多信息块Web页面的信息抽取

提出了一个采用新的抽取规则的包装器 ,结合采用基于文档结构抽取规则和基于特征Pattern匹配抽取规则包装器的优点 ,可以适用于含有多个信息块的Web页面。

Web数据抽取技术研究进展

由于Web上存在着大量有用而复杂的信息,近年来学术界和企业界开发了许多从Web中抽取数据的方法和工具。本文总结了Web数据抽取技术的研究进展和从Web中抽取数据的主要原理、过程、方法和抽取规则,并讨论了未来的研究方向。

基于HTML模式代数的Web信息提取方法

高效地生成提取Web信息的包装器有着广阔的应用前景,同时也是至今没有得到有效解决的难题.为此,提出了基于HTML文档的模式代数,该代数包括一致模式集等重要概念以及模式的加法运算.在此基础上,提出了一种提取Web信息的新方法,该方法采用在整个训练例子中学习表示各属性提取规则的一致模式集,再由多个模式组成的一致模式集提取数据,适用于提取具有缺省属性、多值属性、属性具有多种不同顺序的表结构网页和层次结构网页,其有效性在原型系统中通过实验得到验证.

利用Web Service实现电子化供应链管理

e化供应链是电子商务B2B模式的进一步延伸,如何低成本地实现企业间信息平台的无缝连接是实现e化供应链的关键。在分析了e化供应链技术要求的基础上,给出了基于WebService的e化供应链解决方案,并对实现过程进行了讨论。

模式发现在Web抽取中的应用及设计

WWW的迅速发展,使其日益成为人们查找有用数据的重要来源。但因每个Web站点的主题各异、形式多样、结构不同,人们往往要花大量精力在人工定位和抽取有用数据上。提出了一个基于模式发现的数据抽取框架,分析了将PAT树用于模式发现的自动数据抽取技术。初步实验结果表明所得的抽取规则能从多数搜索引擎上获得较高的抽取率。该方法对于从搜索引擎的搜索结果等结构化、半结构化网页中自动抽取重复模式具有较好的效果。

基于XML/CORBA的XML Wrapper系统研究

XML技术是基于Web的电子商务应用研究的热点，CORBA技术能解决跨平台等兼容问题，实现分布式软件集成。文章探讨了XML应用于Web所面临的问题及基于CORBA 的解决方案，构建了一个基于XML/ CORBA新型Web框架的应用系统——XML Wrapper系统。论述了系统设计目标、系统结构、关键技术及实现，最后给出了XML Wrapper系统的特色。

多信息块Web页面中的抽取规则

以往的包装器主要针对仅含有一个数据块的Web页面，而对含有多个信息块的Web页面，简称MIB(Multiple Information Block), Web页面无法处理。该文提出了一个新的抽取规则，结合了基于文档结构的抽取规则和基于特征Pattern匹配的抽取规则的优点，能够有效地抽取MIB Web页面中的信息。

基于Web Services的信息集成方案

随着网络技术的发展,信息的共享和交换显得越来越重要。针对目前网络中信息的异构性、多样性、分布性等特点,提出了一种基于Web Services的异构信息集成方案。该方案主要采用XML技术对各种源信息进行包装,形成了一个虚拟的数据库,从而实现了异构数据源的共享。然后将信息注册在信息注册中心,信息请求方获得XML格式的信息后,使用XML解析器对其解析。该方案有效地解决了"信息孤岛"问题。

Web汉语料的智能抽取与词汇切分

提出一种Web汉语料智能抽取和汉语词切分的包装器。用户无需打开网站,无需点击链接,只需键入URL(UnitResourceLocation,统一资源定位符),即可获取Web汉语料并切分词到汉词库中。给出了系统的总体构架,阐述了各功能模块的设计原理和技术实现。测试结果表明,该包装器能快速、有效地抓取Web页面并分离其中的汉语料,对歧义句、新词汇的识别率分别达到70%和60%,可应用于Web上汉语词汇的收集与分离。

一种全自动生成网页信息抽取Wrapper的方法

Web网页信息抽取是近年来广泛关注的话题。如何最快最准地从大量Web网页中获取主要数据成为该领域的一个研究重点。文章中提出了一种全自动化生成网页信息抽取Wrapper的方法。该方法充分利用网页设计模版的结构化、层次化特点,运用网页链接分类算法和网页结构分离算法,抽取出网页中各个信息单元,并输出相应Wrapper。利用Wrapper能够对同类网页自动地进行信息抽取。实验结果表明,该方法同时实现了对网页中严格的结构化信息和松散的结构化信息的自动化抽取,抽取结果达到非常高的准确率。

基于Web信息挖掘的商业分析系统设计

随着Web上信息的快速增长,如何将潜藏于非结构化文档中的商业信息有效提取并分析服务于商业管理已成为新的研究热点。利用现有的Web信息挖掘技术,针对原始数据的混合异构性,提出信息块多主题分割的方法,在建立的商业领域实体名字典指导下对商业信息进行抽取和分类,并引入一种信用评级机制,构造了一个基于Web信息挖掘的商业信息分析系统(CABWIM),实验结果表明系统能有效地将散落在Web中潜在的商业信息抽取并加工整理,形成真正有实用价值的商业信息。

Web遗留系统服务化包装方法的研究

对Web遗留系统进行服务化包装,是实现遗留系统服务化迁移的关键。传统的白盒服务包装需要侵入原有遗留系统修改代码,运行风险增强,针对此问题设计了一种基于有穷状态自动机形式描述的黑盒包装方案。给出了包装方案的参考模型和模型内包装组件的功能描述,将遗留的Web应用转化为共享的Web服务。通过对Web遗留系统移植过程的实例分析验证了方案的可行性。

一种基于Web Services的信息集成方案

随着网络技术的发展,信息的共享和交换显得越来越重要。针对目前网络中信息的异构性、多样性、分布性等特点,提出了一种基于Web Services的异构信息集成方案。该方案中,主要采用XML技术对各种源信息进行包装,形成了一个虚拟数据库,从而实现了异构数据源的共享。然后将信息注册在信息注册中心,信息请求方获得XML格式的信息后,使用XML解析器对其解析。该方案有效解决了"信息孤岛"问题。

基于Web服务的电力信息集成系统

电力信息是包含多种数据模型的典型异构数据库,电力信息的集成对电力系统的运行决策具有重要的意义。文中采用中介器/包装器结构,基于Web服务技术,提出了一种异构信息集成方法。该方法采用GAV方式定义全局模式到局部模式的映射关系,并用关系表来存储映射关系,从而简化了模式映射算法。将该方法应用到电力信息的集成上,实现了电力信息中气象数据、网供负荷数据、电厂负荷数据的集成。实际应用表明,文中所提出的方法可以有效地实现异构信息的集成。

基于包装器的Deep Web自动语义标注

为最准最全地对页面抽取的数据进行语义标注,提出一种基于包装器自动语义标注的方法。该方法利用多个标注源进行组合标注,有效解决单标注源标注率不高问题,同时针对标注不完全问题,给出利用多个数据源的互补关系来标注,生成高效率的标注包装器对抽取结果自动标注。实验结果证明,该方法具有较高的准确性和效率。

开放式Web信息抽取系统研究与实现

在分析Web信息资源固有特点的基础上,结合国内外已有的研究成果,提出了一个开放式的Web信息抽取系统,该系统的抽取规则不是内置于系统的“硬编码”,而是由系统通过自动学习归纳并结合用户干预生成的开放式规则,从而扩大了Web信息抽取系统的使用范围.

Web信息集成技术研究

信息系统集成技术已经历了二十多年的发展,研究者已提出了很多信息集成的体系结构和实现方案,然而这些方法研究的主要集成对象是传统的异构数据库系统。随着Internet的飞速发展,网络迅速成为一种重要的信息传播和交换的手段,尤其是Web上,有着及其丰富的数据来源。如何获取Web上的有用数据并加以综合利用,即构建Web信息集成系统,成为一个引起广泛关注的研究领域。本文结合自己的研究工作,对这一领域的研究做了简单的综述,对有关的研究问题给出了分析。

基于包装技术的Web Service与MAS集成

针对Web Service与Agent两种技术存在的互补性,提出利用包装技术,将Web Service组件集成到多agent系统(MAS)的方法,设计了集成系统的体系结构,用Java语言来实现包装Agent的结构体系,实现Web Service的智能化和MAS的跨平台交互。

Web遗留系统的服务包装器环境设计

Web遗留系统的白盒服务迁移需要侵入原有系统修改代码,因此会产生运行风险。针对该问题,设计并实现一种黑盒包装器环境。通过为遗留系统配置包装器,忽略原系统内部的复杂性,并在不改变系统部署和运行状态的情况下,将遗留的Web应用转化为Web服务。应用结果表明,基于外部包装和规则配置的黑盒方法更具可控性。