一种将启发式规则和HMM相结合的web信息抽取方法

摘要

目前web已经成为人们获取信息的主要来源,如何从web上抽取信息成为了信息抽取领域研究的热点。由于web文档是基于html语言的半结构化文档,不具备很强的统计学规律故而很难将传统的文本抽取领域中的HMM抽取模型应用在web信息抽取中。本文的思想是将基于HMM模型的统计学抽取方法应用到学术期刊网站文章信息的元数据抽取这类特定条件下的web信息的抽取中,提出了一种将基于html的启发式规则与基于HMM的统计规律相结合的信息抽取方法,该方法运用启发式规则对待抽取的信息进行语义域的划分,并在语义域的基础上建立HMM模型进行信息抽取,实验结果表明,新方法在准确率和招回率上都有所提高。