基于 Heritrix 的 Web 信息抽取.txt28 生活是一位睿智的长者，生活是一位博学的老师，它常常春风化雨，润物无声地为我们指点迷津，给我们人生的启迪。不要吝惜自己的爱，敞开自己的胸怀，多多给予，你会发现，你也已经沐浴在了爱河里。基于.. Heirx 的.. Wertib 信息抽取陈俊彬曹树金中山大学资讯管理系广州 5100006 [摘要]针对现阶段 Web 信息抽取技术的不足，提出一种基于 Heritrix 的精确抽取方法，由三个分别独立的功能模块共同完成。与一般信息抽取不同，本方法注重于在精确抽取的前提下实现通用化，做到可以根据数据库表的字段来进行最小单位的信息抽取，并且较好地解决信息采集通用性和准确性之间的矛盾。.. [关键词]HrtiHMLasrWeb 数据采集eirx 信息抽取.. Tpre[分类号]G250．73 WebInfrtotatosdortiomainExrcinBaenHeirx eun ahnChnJnbiCoSujiDepartmentofInformationManagement，SunYat—senUniversity，Guangzhou510006 [AbtathsaeitoueaehdoacccrtifrainetatoaeoeirxacccrigthhrafWenosrc]TipprnrdcsmtofuaenomtoxrcinbsdnHrtiodnotesotgeobifrmaroxrcintcnlg．h ytmiooeftrersetvdueeetfosaafifrtoxrcin，inetatoehooyTessescmpsdoheepciemol．Dif ffrnrmuulwyonomainetatothtd iounpeciionaelllaeeraty．Icnetrattemiim uitofifortiocodigthefedoalnemehosfcsorsswsgnlitaxchnmunnmanacrnotilftbeidaase．tba[KewrseirxifrtoxrcinHTprebifrtocustoyod]HrtinomainetatoMLasrWenomainaqiiin 的信息抽取技术需要用户的大量参加，但自动化程度不高；而自动化程度高的抽取技术其准确率和适应性较低，有用性较差。即使是机器学习，也要通过大量的Web 信息抽取(Webinformationextraction，WIE)的样本学习来提高猎取规则的自动化程度，这意味着系目标是把文本里包含的信息进行结构化处理，转化成统需要经过较长时间的学习才能获得较好的查准率。特定的结构，以便于理解和利用。随着.. Intemet 的迅猛纵观信息抽取技术的进展历史，讨论者们提出了进展，Web 已经成为全球传播与共享科研、教育、商业不少优秀的抽取策略.。从实现方法的原理出发，可和社会信息等最重要和最具潜力的巨大信息源。面对以将信息抽取技术划分为 4 个类别：①基于自然语言如此巨大的互联网信息库，如何快速、有效、经济地得理解方式；②基于 ontology 方式；③基于网页结构特征到某个主题的所有相关信息就成了当前一个十分热门方...
