Web元数据信息提取技术的研究.pdfVIP

Web 元数据信息提取技术的研究 于志敏 谢丽聪 韩晓芸 (福州大学 数学与计算机科学学院，福建 福州 350002) 摘要：Web 页元数据提取是一种重要的信息获取技术。本文在简要介绍元数据的概念后给 出了一种web 页元数据的自动提取方法。给出了提取技术的框图和实现细节，包括提取方 法和规则。试验表明了提取方法的有效性。 关键字：Web ，元数据，信息提取 Research on a Web Metadata Extraction Method YU Zhi-min, XIE Li-cong, HAN Xiao-yun (College Of Mathematics and Computer Science, Fuzhou University, Fuzhou Fujian China 350002) Abstract ：The metadata extraction of Web is an important information acquiring technique. After a brief introduction of the conception of metadata, a metadata extraction method is given in this paper. The scheme of this method and some details, including the operation steps and rules, are demonstrated. The effectiveness of this method was proved in experiment. Keywords ：Web; metadata; information extraction 中图分类号：TP391 文献标志码：A 1.引言 Web 页元数据可分为结构化数据和非结构化数据。对于结构化数据己有较为成熟的研 究方法，而由于底层数据结构的设计问题，使得对非结构化数据的处理能力很弱，特别是由 于汉语语言的特殊性[1]，造成关系数据库对中文无法直接进行全文文本检索，对海量数据的 全文检索的速度极慢，效率较低。另一方面，目前的信息检索仅是基于关键词查询的，返回 的检索结果只是文档中含有此关键词，而整篇文章其他内容可能与用户所需相差甚远。 本文对web 文本这种非结构化信息进行研究，提出了一种为web 文本建立一张文本元 数据表，将web 文本结构化的方法[1，2] 。将文本元数据表提供给有哪些信誉好的足球投注网站引擎的索引库，可使搜 索引擎从多个角度查询信息。 2.Web 元数据信息 2.1 元数据 Metadata (或称元数据) 是用于提供某种资源的有关信息的结构数据(structured data)，或 者是描述其他数据的数据(data about other data) 。元数据是描述信息资源或数据的对象的数 据，其使用目的在于：识别资源、评价资源、追踪资源在使用过程中的变化，实现简单高效 的管理大量网络化数据，实现信息资源的有效发现、查找、一体化组织和对使用资源的有效 管理。 2.2 Web 文本元数据表示 Web 中含有大量的未归类的数据，这使得处理Web 数据非常困难。改善这种情况的唯 【， 一方法是为web 上的每一类数据，建立一个web 对象元数据，这样可以使web 信息结构化3 4 】 。Web 文档的元数据可以定义为：面向应用的，能够被计算机所理解和处理的描述 Web 文档特征的数据。要采用元数据来描述 Web 文档，需要从语义上定义基本的描述元素，并 采用一定的格式进行存储。 元数据的标准很多，结合Web 页文本特点及web 文本的应用，我们采用Dublin Core(DC) 元数据标准来描述 web 页文本内容。在开始时，DC 包含十三个核心元素，其后发展成为 15 个。每个元素代表了web 文档的一个特点的属性或特征，所有的元素组合在一起涵