基于神经网络的多等级报警系统的设计① Web信息抽取及知识表示系统的研究与实现① 谭守标1, 徐超1, 江元1, 宁仁霞1,2 1(安徽大学 电子科学与技术学院，合肥 230039) 2(黄山学院 电子信息工程系，黄山 245021) 摘 要： 研究了从数据密集型Web页面中自动提取结构化数据并形成知识表示系统的问题。基于知识数据库实现动态页面获取，进行预处理后转换为XML文档，采用基于PAT-array的模式发现算法自动发现重复模式，结合基于本体的关键词库自动识别页面数据显示结构模型，利用XML的对象-关系映射技术将数据存入知识数据库，由此实现Web数据自动抽取。同时，利用知识数据库已有知识从互联网抽取新知识，达到知识数据库的自扩展。以交通信息自动抽取及混合交通出行
方案
气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载
生成与表示系统进行的实验表明该系统具有高抽取准确率和良好的适应性。 关键词： Web信息提取；知识表示；数据密集型Web页面；基于本体的关键词库 Research and Realization of a Web Information Extraction and Knowledge Presentation System TAN Shou-Biao1, XU Chao1, JIANG Yuan1, NING Ren-Xia1,2 1(School of Electronic Science and Technology, Anhui University, Hefei 230039, China) 2(Electronic Information Engineering, Huangshan University, Huangshan 245021, China) Abstract： The Web Information Extraction and Knowledge Presentation System is proposed to extract information from data intensive web pages. It downloads dynamic web pages, based on a knowledge database, changes them to XML documents after preprocessing, finds repeated patterns from them, by using a PAT-array based Pattern Discovery Algorithm, recognizes their data display structure models, automatically based on the repeated patterns and an ontology-based keyword library, and then extracts the data and stores them in the knowledge database with the object-relational mapping technology of XML. Through these steps, web data is extracted automatically, and the knowledge database is also expanded automatically. Experiments on the traffic information auto-extraction and mixed traffic travel schemes auto-creation system showed that the system has high precision and is adaptive to web pages in different domains with different structures. Keywords：web information extraction; knowledge presentation; data intensive web pages; ontology-based keyword library 随着Internet的迅猛发展，Web已经成为全球传播与共享科研、教育、商业和社会信息等最重要和最具潜力的巨大信息源。Web信息抽取是指从Web页面所包含的无结构或半结构的信息中识别用户感兴趣的数据，并将其转化为结构和语义更为清晰的格式，以统一的形式集成在一起，使Web信息的再利用成为可能，成为当前研究的一个热点[1]。目前关于Web信息抽取的工作可以大致分为以下几个类别：基于特征模式匹配的信息抽取、基于归纳学习的信息抽取、基于网页结构特征分析的信息抽取、基于本体的Web信息抽取等。由于Web页面的种类繁多且信息抽取目的也不尽相同，不存在一种Web信息抽取系统，能够适应这种千变万化的应用环境。现有各种抽取方法针对不同领域、不同结构页面的通用性上也都存在一些问题[2-9]。 由于目前很多Web页面是动态生成的，以列表或表格的方式集中显示后台数据库中的数据，这种类型的页面对于数据集成等现实应用具有重要意义，抽取准确度也相对较高。本文针对于数据密集型的Web页面，开发出一种新的Web信息抽取和知识表示系统，通过基于PAT-array的模式发现算法[10]和基于本体的 关键词库的结合大大提高了信息抽取算法的准确性和通用性，基于Web信息抽取的混合交通出行方案生成与表示系统的成功实验也证明了本文提出的Web信息抽取算法的实用性。 1 系统概述 本系统总体分成三部分：相关Web页面获取模块、Web信息抽取模块、知识表示模块。系统总体框图如图1所示。 图1 系统总体框图 相关Web页面获取模块：以知识数据库中现有知识为基础，根据Web站点配置信息生成动态URL从互联网上获取与所需知识相关的Web页面。 Web信息抽取模块：采用基于PAT-array的模式发现算法发现数据密集型Web页面中的重复模式，结合基于本体的关键词库自动识别页面数据显示结构模型，利用XML的对象-关系映射技术，将数据存入知识数据库。 知识表示模块：以B/S架构提供知识表示服务，根据用户的输入从知识数据库中智能化搜索并生成用户需要的解决方案。 2 各模块的算法设计与实现 2.1 相关Web页面获取 数据密集型页面往往由Web站点根据用户的查询请求动态生成，从同一站点能得到大量同类型的动态页面。据此，系统以知识数据库为基础，采用Web站点配置方式，根据Web站点响应查询请求方式，人工配置含特定知识的Web站点信息及其动态页面URL生成规则。用知识数据库中现有知识作为查询参数，生成相关Web站点的动态URL，通过HTTP
协议
离婚协议模板下载合伙人协议 下载渠道分销协议免费下载敬业协议下载授课协议下载
自动获取相关Web页面。 如网站www.cngoto.com提供根据地名查询经过该地的所有列车车次信息，其响应查询请求的方式为http://www.cngoto.com/tr/category91.asp? categoryid=$，此处$代表要查询的站名。系统从知识数据库的地点信息中检索得到各个地名，替换$即生成该网站动态URL。 2.2 Web信息抽取 本模块算法
流程
快递问题件怎么处理流程河南自建厂房流程下载关于规范招聘需求审批流程制作流程表下载邮件下载流程设计
如图2所示： 图2 Web信息抽取流程 2.2.1 页面精简 普通网页常常包含很多Header部页面属性信息、脚本、样式、注释、图片、隐含数据、空格、标签属性设置及一些无用标签等，这些信息中不含有集中式数据，对造成后续处理速度缓慢，甚至使后续处理无法进行，需要首先进行页面精简，去掉这些冗余信息。本系统采取采用正则表达式技术进行如下页面精简操作： ① 清除body以外的部分； ② 清除文档中的脚本(
