基于逆向匹配的电子商务网站实体模板半自动构建方法  

Reverse Match Based Semi-automatic Entity Template Extraction for E-commerce Websites

作　　者：傅彦[1] 徐昭邦 夏虎[1] 周俊临[1] 

机构地区：[1]电子科技大学计算机科学与工程学院互联网科学中心,四川成都611731

出　　处：《中文信息学报》2015年第2期157-162,178,共7页Journal of Chinese Information Processing

基　　金：国家自然科学基金(61103109;11105024;61003231);中央高校基本科研业务费(ZYGX2011J057;ZYGX2012J071;ZYGX2012J085);四川省科技项目(2010HH0002;2011GZ0106;20112Z0001;2012RZ0002;2012RZ0003);高等学校博士学科点专项科研基金(20120185120017)

摘　　要：Web页面中的主题信息一般分布比较集中,可利用网页的这一特性进行网页主题信息的自动提取。网页源代码中的HTML标签不规范,使得正向匹配难以生成嵌套结构准确的DOM树,该文提出一种通过逆向匹配的方法,构建完整的网页源代码DOM树。通过对DOM树进行剪枝,删除无关节点,对保留下来的信息块的节点标签进行人工选择与唯一性判定,从而生成提取模板。该方法能够实现对电子商务网站源网页中的主题信息进行提取,是一种半自动、通用的方法,可用于信息检索系统中的信息采集。Generally, the distribution of the subject information in the Web page is centralized . Therefore,we can utilize this characteristics＇ of Web page to extract the subject information automatically. Due to the fact that the HT- ML label in the page source code is not well qualified, it is difficult to construct a DOM tree with accurate structure through the forward matching. This article presents a new method which applies the reverse matching to construct a complete DOM tree. By deleting the insignificant node the DOM tree, we can select from the remained information node labels manually to finalize the templeaterdeeiden if they are unique. This is a general and semi- automatic method, and experiments on the e-commerce webpages are reported in this paper.

关 键 词：逆向匹配 DOM树 模板构建 信息提取 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]