基于Web信息组织模型的元数据检索技术

维普资讯

第２６卷　

２００６年６月　

文章编号：１００１—９０８１（２００６）０６Ｚ一００８９—０２　

计算机应用　

Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　

Ｖｏ１．２６　

Ｊｕｎｅ　２００６　

基于Ｗｅｂ信息组织模型的元数据检索技术　

高玉珠，刘瑞　

（北京航空航天大学计算机学院，北京１０００８３）　

（ｇａｏｙｚ＠ｎｌｓｄｅ．ｂｕａａ．ｅｄｕ．ｃｎ）　

摘要：针对目前互联网搜索引擎主要使用全文检索技术，无法从Ｗｅｂ页面中提取元数据信息　

情况，设计了一个基于信息组织模型的Ｗｅｂ元数据信息提取和检索系统。使用基于正则表达式的元　

数据信息提取模型，信息提取和索引程序不断从数量巨大的Ｗｅｂ页面中提取元数据信息，对本地元　

数据库进行不断地更新。抽象了多种Ｗｅｂ信息组织模型，设计了相应的信息检索模型，并且这些模　

型可以大范围地应用于提取Ｗｅｂ站点的元数据，所采用的方法充分利用了Ｗｅｂ页面的数据结构，避　

免了采用复杂的语法、语义分析，为面向多个领域的元数据信息检索做出了一定的研究和探索。　

关键词：元数据；搜索引擎；检索模型；组织模型　

中图分类号：ＴＰ３１１．１３　文献标识码：Ａ　

合Ｅ构成，并且每条边ｅ∈Ｅ连接一个有序顶点对。图Ｇ＝　

（　，Ｅ）。　

０　引言　

搜索引擎以一定的策略在互联网中搜集、发现信息，对信　

息进行理解、提取、组织和处理，并为用户提供检索服务，起到　

信息导航的目的。目前的网络搜索技术只是停留在互联网的　

表面，搜索的仅仅是静态网页，而有很多动态的、结构化的深　

层信息是隐藏在数据库里的，普通的搜索引擎对这些信息无　

法搜索、索引和分析。目前大部分搜索引擎都是基于关键字　

查找和全文的检索技术，虽然搜索到的结果较多，但很多都是　

无用的信息，用户很难从中挑选他们所需要的资源。由于目　

前的搜索技术无法直接深入到数据库，因此面临着三个难题：　

１）如何从数据库得到请求响应，获取数据；２）如何将获取的　

数据进行组织；３）如何整合这些信息并呈现出来。　

ＣＲＹＳＴＡＬ…和ＷＨＩＳＫ　需要语义分析，实现过程比较复杂。　

目前多数Ｗｅｂ站点的Ｗｅｂ页面都是使用了这种信息组　

织方式，站点上所有的页面都通过链接相互指向，构成一个有　

向图。如图１所示，每个结点表示一个页面，箭头表示页面之　

间的链接。　

ＩｎｆｏＥｘｔｒａｃｔｏｒＬ］　为特定网站设计，可扩性较差。ＷｒａｐｐｅｒＬ４　的方　

法适用于具有较好结构的页面情况，但对于没有标出字体大　

小和缩格情况的内容无法进行抽取，因此在设计中除了考虑　

网页的风格之外，还考虑了相互关联的属性模式，以便从Ｗｅｂ　

文档中抽取有用信息。　

文中归纳了多种Ｗｅｂ信息组织模型，针对各种信息组织　

方式的特征，提出了相应的Ｗｅｂ信息检索模型，使用基于正　

索系统，完成了Ｗｅｂ信息抽取工作。　

…

１２　

图１　Ｗｅｂ有向链接　

１．２基于序列的信息组织模型　

设基数集合Ｃ＝｛１，２，…，ｎ｝，链接集合Ｕ＝｛ｕｒ２，，ｕｒ２　，　

，

ｕｒ２　｝，映射ｇ：ｃ—　是双射；结果数据信息Ｒ是一个集合　

｛ｒｔ，ｒ２，…，ｒｍ｝，映射ｈ：Ｕ—Ｒ是双射。所以检索函数　

基于这种方式组织的Ｗｅｂ数据信息，可以通过确定其基　

数集合即可得到其链接集合，进而通过链接访问网页得到所　

则表达式模板的方法来描述检索模型，实现了Ｗｅｂ元数据检　

ｆ＝ｇｈ＝Ｃ—Ｒ是双射。

１　Ｗｅｂ信息组织模型　

互联网Ｗｅｂ信息组织模型是指发布在Ｗｅｂ站点上的Ｗｅｂ　

页面及其数据的组织方式。通过抽象Ｗｅｂ信息组织方式，归　

纳出相应的信息提取模型，针对模型设计元数据提取策略。　

本文归纳了三种主要的Ｗｅｂ信息组织模型：（１）基于有　

向图的链接组织模型；（２）基于序列的信息组织模型；（３）基　

于参数的动态组织模型。　

１．１基于有向图的链接组织模型　

有向图（网站）由一个顶点（页面）集合　和边（链接）集　

收稿日期：２００５—１０—１８；修订日期：２００５—１２－０６　

有Ｗｅｂ数据信息。　

对于动态网页，可以序列化ｕｒ２参数的方式将数据发布到　

网站中，｛ｕ　Ｉ。＜ｉ＜ｂ｝。　

１．３基于参数的动态组织模型　

用户在Ｗｅｂ页面中输入参数提交表单进行查询，查询的　

结果依据用户输入的参数而定。参数Ｐ是一个元组（ｐｏ，Ｐ。，　

…

，

Ｐ　），表示有ｎ个参数域；结果数据信息Ｒ是一个集合ｌｒ１，　

ｒ２，…，ｒｍ｝，表示所有的数据集合；检索函数ｆ：Ｐ—Ｒ　。　

基金项目：国家科技部基金资助项目（２００３ＤＫＡ５Ｇ０１５）　

作者简介：高玉珠（１９８０一）。女，天津人，硕士研究生，主要研究方向：互联网检索、信息提取技术；刘瑞（１９７０一），男，陕西宝鸡人，讲师　

博士，主要研究方向：数据库原理与应用、数据仓库、数据挖掘．　

维普资讯

计算机应用　２００６血　

２　Ｗｅｂ信息检索模型　

针对不同的Ｗｅｂ信息组织模型建立相应的信息检索模　

型，使用基于ＸＭＬ的模板进行描述。　

２．１　Ｗｅｂ页面发现机制　

模板分析器：依据系统模板对象，解析模板语义，产生不　

同类型的爬虫程序。对于以上提及的每种Ｗｅｂ信息组织方　

式，系统对应一类信息提取程序（爬虫程序），检索站点的元　

数据。　

元数据提取：根据提取模板，从Ｗｅｂ页面中提取元数据。　

元数据更新、索引：将元数据更新到本地元数据库中，并　

且建立数据索引。　

本地元数据库：维护元数据信息索引的数据库。　

外部查询接口：为用户检索Ｗｅｂ信息设计的数据查询接　

口，接口直接查询本地元数据库，将元数据返回给客户端。　

根据ｗｅｂ信息组织方式不同，Ｗｅｂ页面发现机制也不　

同。本文针对以上三种信息组织方式建立了相应的Ｗｅｂ页　

面发现机制。　

（１）有向图链接模型　

链接模型假设元数据所在的Ｗｅｂ页面地址存在一种规　

则，系统只检索符合这种规则的Ｗｅｂ页面提取元数据。设集　

【　ｌ　

合Ａ是网站所有页面的集合，定义规则函数：　

，　、　

ｒＴｒｕｅ如果　符合链接规则ｒ　

一一　ＬＦａｌｓｅ如果　不符合链接规则ｒ　

其中　为输人的链接，ｒ为定义的规则。　

设　为需要检索的页面集合，则　＝｛　Ｊ　∈Ａ　Ａ　ｇ（　，ｒ）。　

通过网络爬虫程序遍历网站所有的链接取得集合Ａ；对Ａ中每　

个元素进行规则匹配，得到链接集合Ｌ。　

（２）序列模型　

序列模型包括基数集合、序列参数、基本链接。序列参数　

是一个字符串常量ｓ，基本链接是一个字符串常量ｂ；根据基　

数集合Ｃ＝｛１，２，…，ｌ＇ｔ｝，通过链接构造函数ｈ（ｃ　ｂ）即可求　

得序列模型的链接集合　＝｛＾（ｃ，ｓ，ｂ）Ｊ　ｃ∈Ｃ｝。　

（３）动态参数模型　

设有ｎ个参数，标记为Ｐ　，…，Ｐ　，其定义域分别为Ｐ，，Ｐ：，　

…

，

Ｐ　，设函数Ｐ为链接构造函数ｅ（ｐ　，Ｐ：，…，Ｐ　），则Ｌ＝　

｛Ｐ（ｐｌ，Ｐ２，…，Ｐ　）ＪＰｌ∈Ｐｌ　Ａ　Ｐ２∈Ｐ２　Ａ…Ａ　Ｐ　∈Ｐ　｝是模　

型的链接集合。Ｐ（ｐｌ，Ｐ２，…，Ｐ　）参数Ｐ１，Ｐ：，…，Ｐ　对应于Ｗｅｂ　

页面中表单的域，定义域Ｐ　，Ｐ２，…，Ｐ　的确定，需要根据Ｗｅｂ　

页面中表单域的可输入值范围确定。　

２．２元数据提取规则　

元数据的提取采用正则表达式的方法，从Ｗｅｂ页面中匹　

配出元数据。一个正则表达式可以匹配出元数据的多个属性　

值。　

３　系统实现　

３．１系统概要　

本文按照以上提及的三种ｗｅｂ信息组织模型，分别建立　

了相应的信息提取模型，构造了元数据提取的模板。在此基　

础上，系统通过面向对象动态插件的技术，支持对新模板的扩　

充。对于不同的Ｗｅｂ信息组织方式，信息提取的方式必然不　

同。系统中，信息提取通过爬虫程序实现，系统定义了抽象的　

信息提取接口，通过实现爬虫接Ｈ即可支持不同类型的模板，　

从而实现对不同信息组织方式的网站进行信息检索。　

系统的模块结构图如图２所示。　

元数据提取模板：以ＸＭＬ格式定义了爬虫程序在指定网　

站提取结构化数据的方式以及元数据各数据域的提取规则。　

模板提取：提取和管理系统中各种元数据模板。系统将　

模板信息以ＸＭＬ的方式存储，对于不同的Ｗｅｂ站点都有相　

应的元数据提取模板。系统通过数据库保存和配置模板，模　

板提取实现模板信息的提取及其解析，生成系统模板对象。　

元数据　

提取模板　

／，．　

．

本地　

元数据库　

｛查　冀口　

图２系统模块结构　

３．２元数据提取模板　

元数据提取模板主要定义了元数据源、元数据提取规则　

及其元数据存储规则。模板按照Ｗｅｂ信息组织方式进行分　

类，不同类型的模板其组成规则有所不同。不同的Ｗｅｂ站点　

针对其信息组织方式定义一个模板实例，此模板实例相当于　

是模板类型针对该站点的一个实例，具体定义了从站点的哪　

些Ｗｅｂ页面如何提取元数据，并将元数据存储于本地元数据　

库的什么位置。模板包括模板基本信息、信息检索规则和提　

取规则。　

模板基本信息包括：模板名称、关键字、链接信息。　

定义为：　

（ｎａｌｎｅ＞旅行网线路搜索＜／ｎａｆｌｅ＞　

＜ｋｅｙ＞ｃｔｒｉｐｌｉｎｅ＜／ｋｅｙ＞　

＜ｌｉｎｋ＞ｈｔｔｐ：／／ｗｗｗ．ｔｒｉｐ．ｃｏｍ／ｓｕｐｅｒｍａｒｋｅｔ／ｐａｃｋａｇｅ／ｐａｃｋａｇｅｂｅｇｉｎ

．　

ａｓｐ＜／ｌｉｎｋ＞　

信息检索规则：定义了Ｗｅｂ信息检索模型的各元素。　

＜ｔｙｐｅ＞ｓｅｑｕｅｎｃｅ＜／ｔｙｐｅ＞＜！一搜索类型一＞　

ｐａｒａｍｓ＞＜！一传值参数列表．．＞　

＜ｐａｒａｍ＞　

＜ｎａｍｅ＞ｐｋｇ＜／ｎａｍｅ＞　

＜ｖａｌｕｅ　ｔｙｐｅ＝”ｃｏｕｎｔｅｒ”＞　

＜ｆｒｏｍ＞１＜／ｆｒｏｍ＞　

＜ｔｏ＞５ｏｏＯ＜／ｔｏ＞　

＜／ｖａｌｕｅ＞　

＜／ｐａｒａｍ＞　

＜／ｐａｒａｍｓ＞　

提取规则：定义了元数据提取规则定义了元数据的属性　

集合、属性存储地址以及从Ｗｅｂ页面中提取属性值的方法。　

＜ｐｒｏｐｓ＞＜！一－需要提取的属性列表－－＞　

＜ｇｒｏｕｐ＞　

＜ｔａｂｌｅ＞ｈｏｔｅｌｉｎｆｏ＜／ｔａｂｌｅ＞＜！一保存提取信息的数据库表名一＞　

＜ｔｙｐｅ＞１＜／ｔｐｙｅ＞＜！一提取信息的方式，ｎ表示提取ｎ次，０　

循环提取一＞　

＜ｒｅｇｘ＞＜！－－提取信息的正则表达式一＞　

（ｅｘｐ＞＆　ｆｏｎｔ　ｓｉｚｅ＝５＞＼８｝（【＼ｕＯｌＯ０一、ｕ雎ｒ＆】ｔ；＞ＪＪ，）、ｓ　

＆Ｉｔ；／ｆｏｎｔ＞＜／ｅｘｐ　（下转第９７页）　

维普资讯

６月　徐骏等：Ｎａｔｉｖｅ　ＸＭＬ数据库哈希路径索引技术　９７　

们往往需要对特定的数据进行查询优化，特别是那些数据量　

［Ｃ】．Ｒｏｍａ，Ｉｔａｌｙ，２００１．　

很大而且需要经常查询的数据。因此，在哈希路径索引结构　

［２】　ＣＯＯＰＥＲ　Ｂ，ＳＨＡＤＭＯＮ　Ｍ．Ｔｈｅ　Ｉｎｄｅｘ　Ｆａｂｒｉｃ：Ａ　ｍｅｃｈａｎｉｓｍ　ｆｏｒ　ｉｎ—　

中引入传统关系数据库中的层次索引（Ｌａｙｅｒｅｄ　Ｉｎｄｅｘｉｎｇ）技术　

ｄｅｘｉｎｇ　ａｎｄ　ｑｕｅｃｌｎｇ　ｔｈｅ　ｓａｌｌｌｅ　ｄａｔａ　ｉｎ　ｍａｎｙ　ｄｉｆｅｒｅｎｔ　ｗａｙｓ［Ｒ】．　

来满足这种需要。我们的例子中在对断路器（ｂｒｅａｋｅｒ）进行　

Ｔｅｃｈｎｉｃａｌ　Ｒｅｐｏｒｔ，２０００．　

索引优化之后，层次哈希路径索引结构如图２所示。　

【３】　ＭＣＨＵＧＨ】，ＡＢ１ＴＥＢＯＵＬ　Ｓ，ＧＯｕ）ＭＡＮ　Ｒ，ｅｔ　ａ１．Ｌｏｒｅ：Ａ　Ｄａｔａ—　

这时，查询从第二层开始，如果系统已经对所要查找的信　

ｂａｓｅ　Ｍａｎａｇｅｍｅｎｔ　Ｓｙｓｔｅｍ　ｆｏｒ　Ｓｅｍｉ　ｓｔｒｕｃｔｕｒｅｄ　Ｄａｔａ［Ｊ】．ＳＩＧＭＯＤ　Ｒｅ—　

ｃｏｒｄ，１９９７，２６（３）：５４—６６．　

息进行了优化（比如例子中查找断路器），则直接在第二层找　

［４】　ＳＯＦＴＷＡＲＥ　ＡＧ．Ｔａｍｉｎｏ　ＸＭＬ　ｄａｔａｂａｓｅ［ＥＢ／ＯＬ】．Ｈｔｔｐ：／／ｗｗｗ．　

到相应的指向所要查找的数据的指针，然后在哈希路径索引　

ｓｏｆｔｗａｒｅａｇ．ｃｏｍ／ｔａｍｉｎｏ／．　

．　

树中找到相应的节点。如果系统没有对所要查找的信息进行　

［５】　Ｗ３Ｃ．Ｄｏｃｕｍｅｎｔ　Ｏｂｊｃｅｔ　Ｍｏｄｅｌ（ＤＯＭ）Ｌｅｖｅｌ　３　Ｃｏｒｅ　Ｓｐｅｃｉｉｆｃａｔｉｏｎ　

优化（比如例子中查找断开开关（ｄｉｓｃｏｎｎｅｃｔ　ｓｗｉｔｃｈ））则与基　

（Ｖｅｒｓｉｏｎ　１．０）［ＥＢ／ＯＬ】．Ｗ３　Ｃ　Ｒｅｃ０ｍｍｅｎｄａｔｉ０ｎ．ｈｔｔｐ：／／ｗｗｗ．　

本哈希路径索引一样，从索引树的根结点开始查找。　

ｗ３．ｏｒｇ／ＴＲ／２００４／ＲＥＣ—ＤＯＭ—Ｌｅｖｅｌ・３一Ｃｏｒｅ－２００４０４０７／．　

［６】　朱虹，童遥．一种新的ＸＭＬ数据库的索引机制［Ｊ】．计算机工程　

３　结语　

与应用，２００５，（２）：１７１—２２６．　

本文借鉴并结合了已经开发出来的Ｎａｔｉｖｅ　ＸＭＬ数据库　

［７】ＬＡＲＳＯＮ　Ｐ．Ｌｉｎｅａｒ　Ｈａｓｈｉｎｇ　ｗｉｔｈ　Ｓｅｐｅｒａｔｏｒｓ—Ａ　Ｄｙｎａｍｉｃ　Ｈａｓｈｉｎｇ　

索引技术和传统关系数据库中的层次索引技术，在此基础上　

Ｓｃｈｅｍｅ　Ａｃｈｉｅｖｉｎｇ　Ｏｎｅ・Ａｃｃｅｓｓ　Ｒｅｔｒｉｅｖａｌ［Ｊ】．ＡＣＭ　Ｔｒａｎｓａｃｔｉｏｎ　ｏｎ　

提出了一种基于哈希路径（ｐａｔｈ　ｈａｓｈｉｎｇ）的索引技术。哈希　

Ｄａｔｂａａｓｅ　Ｓｙｓｔｅｍｓ，１９８８，１９（３）：３６６—３８８．　

路径索引适应了ＸＭＬ文档半结构化、层次多而且不固定的特　

［８】　ＫＮＵＴＨ　Ｄ．Ｔｈｅ　Ａｒｔ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｐｒｏｇｒａｍｍｉｎｇ，Ｖｏ１．ＩＩＩ，Ｓｏｒｔｉｎｇ　

ｎａｄ　Ｓｅａｒｃｈｉｎｇ［Ｍ】．Ｔｈｉｄｒ　Ｅｄｉｔｉｏｎ．Ａｄｄｉｓｏｎ　Ｗｅｓｌｅｙ，Ｒｅａｄｉｎｇ，ＭＡ，　

性，具有很好的扩展性，索引所需的存储空间相对比较少，查　

１９９８．　

找时磁盘Ｉ／Ｏ只需一次的特点，可以在ＸＭＬ文档数据很大时　

［９】ＬＡＲＳＯＮ　Ｐ．Ｐｅｒｆｏｒｍａｎｃｅ　Ａｎａｌｙｓｉｓ　ｏｆ　Ｌｉｎｅａｒ　Ｈａｓｈｉｎｇ　ｗｉｈｔ　Ｐａｒｔｉａｌ　

保持很好搜索速度和性能。　

Ｅｘｐａｎｓｉｏｎｓ［Ｊ】．ＡＣＭ　Ｔｒａｎｓａｃｔｉｏｎ　ｏｎ　Ｄａｔｂａａｓｅ　Ｓｙｓｔｅｍｓ，１９８２，７　

参考文献：　

（４）：５６６—５８７．　

【１】　ＣＯＯＰＥＲ　ＢＦ，ＳＡＭＰＬＥ　Ｎ，ＦＲＡＮＫＬＩＮ　ＭＪ，ｅｔ　ａ１．Ａ　Ｆａｓｔ　ｌｎｄｅｘ　ｆｏｒ　【１０】ＢＯＵＲＲＥＴ　Ｒ．ＸＭＬ　ａｎｄ　Ｄａｔｂａａｓｅｓ　Ｄｅｃｅｍｂｅｒ【ＥＢ／ＯＬ】．ｈｔｔｐ：／／　

Ｓｅｍｉ　ｓｔｒｕｃｔｕｒｅｄ　Ｄａｔａ［Ａ】．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２７ｔｈ　ＶＬＤＢ　Ｃｏｎｆｅｒｅｎｃｅ　

ｗｗｗ．ｒｐｂｏｕｒｒｅｔ．ｃｏｍ／ｘｍｌ／ＸＭＬＡｎｄＤａｔｂａａｓｅｓ．ｈｔｍ．２００４．　

（上接第９０页）　

＜ｐｒｅｐ＞　

方法能达到很高的正确率；如果Ｗｅｂ站点在发布内容时用了　

＜ｎａｍｅ＞ｈｏｔｅｌｎａｍｅ＜／ｎａｍｅ＞＜！一属性名称一＞　

不同的页面模板，该方法的适应性就比较低。　

＜ｆｉｅｌｄ＞ｈｏｔｅｌｎａｍｅ＜／ｆｉｅｌｄ＞＜！一表中的字段名一＞　

＜ｇｒｏｕｐ＞１＜／ｇｒｏｕｐ＞　

５　结语　

＜！一在正则表达式的哪个ｇｒｏｕｐ中取值一＞　

＜／ｐｒｅｐ＞　

本文归纳了多种Ｗｅｂ信息组织模型，提出了相应的Ｗｅｂ　

信息检索模型，采用基于正则表达式模板的方法实现了面向　

４　实验结果　

领域的元数据检索系统。在这种方法中基于正则表达式的模　

针对旅游行业的元数据信息提取做了实验。提取了两大　

板定义比较困难，需要对正则表达式非常熟悉，作者将进一步　

类元数据信息：全国宾馆信息、全国飞机航班信息。采样站点　

研究利用数据挖掘技术自动生成信息提取规则的方法，设计　

的宾馆信息按照基于序列的信息组织方式，实验构造了此类　

出成熟易用的Ｗｅｂ元数据信息检索系统。　

型模板的一个实例。提取的宾馆信息包括多种属性：宾馆名　

参考文献：　

称、所在城市等信息。实验提取了８９０６个宾馆的信息、１２４５８　

［１】ＡＤＥＬＢＥＲＧ　Ｂ．ＮｏＤＯＳＥ—Ａ　ｔｏｏｌ　ｆｏｒ　ｓｅｍｉ—ａｕｔｏｍａｔｉｃａｌｌｙ　ｅｘｔｒａｃｔｉｎｇ　

条房间类型信息，宾馆基本信息元数据各属性提取结果如表　

ｓｔｒｕｃｔｕｒｅｄ　ａｎｄ　ｓｅｍｉ—ｓｔｒｕｃｔｕｒｅｄ　ｄａｔａ　ｆｒｏｍ　ｔｅｘｔ　ｄｏｃｕｍｅｎｔｓ［Ａ】．Ｐｒｏ－　

ｃｅｅｄｉｎｇｓ　ｏｆ　ＳＩＧＭＯＤ＇９８［Ｃ】．Ｓｅｐｔｉｃ，Ｗａｓｈｉｎｇｔｏｎ，ＵＳＡ＂ＡＣＭ　Ｐｒｅｓｓ，　

１所示。　

１９９８．２８３—２９４．　

表１提取结果　

［２】　ＳＯＤＥＲＬＡＮＤ　Ｓ．Ｌｅａｒｎｉｎｇ　ｔｏ　ｅｘｔｒａｃｔ　ｔｅｘｔ．ｂａｓｅｄ　ｉｆｎｏｒｍａｔｉｏｎ　ｆｒｏｍ　ｔｈｅ　

Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ［Ａ】．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　３ｒｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　

ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ［ｅ１．１９９７．２５１—２５４．　

［３】　ＳＭＩＴＨ　Ｄ，ＬＯＰＥＺ　Ｍ．Ｉｎｆｏｒｍａｔｉｏｎ　ｅｘｔｒａｃｔｉｏｎ　ｆｏｒ　ｓｅｍｉ—ｓｔｒｕｃｔｕｒｅｄ　ｄｏｃ—　

ｕｍｅｎｔｓ［Ａ】．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｌｓｔ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｍａｎａｇｅｍｅｎｔ　ｏｆ　Ｓｅｍｉ．　

ｓｔｒｕｃｔｕｒｅｄ　Ｄａｔａ［Ｃ】．Ａｒｉｚｏｎａ，１９９７．　

［４】　ＡＳＨＩＳＨ　Ｎ，ＫＮＯＢＬＯＣＫ　Ｃ．Ｗｒａｐｐｅｒ　ｇｅｎｅｒａｔｉｏｎ　ｆｏｒ　ｓｅｍｉ—ｓｔｒｕｃｔｕｒｅｄ　

Ｉｎｔｅｒｎｅｔ　ｓｏｕｒｃｅｓ［Ｊ】．ＳＩＧＭＯＤ　Ｒｅｃｏｒｄ，１９９７，２６（４）：８—１５．　

其中，宾馆所在城市依据宾馆的详细地址中提取，所以正　

［５】　ＭＵＳＬＦＡ　１．Ｅｘｔｒａｃｔｉｏｎ　ｐａｔｔｅｒｎｓ　ｆｏｒ　ｉｎｆｏｒｍａｔｉｏｎ　ｅｘｔｒａｃｔｉｏｎ　ｔｓａｋｓ：Ａ　

确率相同。宾馆简介的提取由于８　９０６个宾馆信息页面结构　

ｓｕｒｖｅｙ［Ａ】．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ　ａｎｄ　Ｉｎ—　

有所差别，所以正确率较低。　

ｆｏｒｍａｔｉｏｎ　Ｅｘｔｒａｃｔｉｏｎ［ｅ１．Ｏｒｌｎａｄｏ，Ｆｌｏｒｉｄａ，１９９９．　

从以上结果看出，信息抽取时，包含元数据信息的所有　

［６】　ＦＲＥＴＩ＇ＡＧ　Ｄ．Ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ　ｆｏｒ　ｉｆｎｏｒｍａｔｉｏｎ　ｅｘｔｒａｃｔｉｏｎ　ｉｎ　ｉｆｎｏ￣　

Ｗｅｂ页面，如果页面之间结构差别较小或者无差别的时候，该　

ｍａｌ　ｄｏｍａｉｎｓ［Ｊ】．Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇｉｎ　ｐｒｅｓｓ，２０００，３９：１６９—２０２．