杨文超 乔鸿

山东师范大学管理科学与工程学院 山东 250014

0 引言

Web信息抽取是一个从网页中抽取主题信息的问题。它将现有的Web信息以更为结构化的方式抽取出来。Web 信息抽取技术的核心是从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，并将其转化为结构化、语义更为清晰的格式。构建Web 信息抽取器的方法有很多，这些方法大多数都是有监督的学习方法，通过学习样本网页，归纳出网页的抽取规则。但是，目前常见的信息抽取器存在的一个主要问题：从样本网页中学习到的抽取规则只适用于样本所在的网站。这些抽取器不仅维护成本高，而且可适应性差。

最近，有研究者提出了几种不同的可适应性信息抽取的方法，意在网站结构发生变化时不必修改抽取规则，然而这些方法仍然需要大量人工工作。例如：文献[1]提出一种通过聚类规则来对网页进行分块，最后对其进行剪枝，删除掉无用的信息，提取主题信息。文献[2]提出基于扩展DOM树的Web页面信息抽取，能对多信息块的Web页面进行信息抽取。文献[3]提出的一种可适应性的Web信息抽取方法，但仅仅只是针对单信息块的商品信息抽取，而对于多个信息块的网页只能抽取出第一个信息块，影响了信息抽取的精度。基于文献[3]这种思想，我们提出一种基于DOM 树的可适应性多信息块Web信息抽取，以对任何一种网页结构进行有效的信息抽取。

1 基于DOM树的多信息块信息抽取

Web信息抽取流程图如图1所示。……