一种基于多级规则库的信息提取方法及装置
专利类型：发明专利
语 言：中文
申 请 号：CN201410227611.X
申 请 日：20140527
申 请 人：重庆大学
申请人地址：400044 重庆市沙坪坝区沙坪坝正街174号
公 开 日：20140806
公 开 号：CN103970898A
代 理 人：龚燮英
代理机构：北京众合诚成知识产权代理有限公司 11246
摘 要：一种基于多级规则库的信息提取方法，通过6个步骤实现信息提取：1)获取网页URL地址；2)下载URL地址对应的网页；3)获得网页树型结构图；4)进行网页聚类，从待聚类网页中选取网页作为训练集，通过机器学习方法定义网页的聚类规则；5)搜索结果提取；6)信息汇总显示。其中步骤3)生成网页树型结构和步骤4)中的网页聚类后，检索到的信息查全率可以有效提高，而聚类规则由训练集的方式，通过机器学习自动生成，不需要人工手动聚类，有效提高了搜索的自动化程度，在保证了查全率的前提下，具有大面积使用的条件。本发明所述基于多级规则库的信息提取装置，为信息提取流程提供了硬件基础，其价格便宜，适合大规模使用。
主 权 项：一种基于多级规则库的信息提取方法，其特征在于，所述方法包括以下步骤：1)输入搜索关键字，获取所有与关键字相关的网页URL地址；2)根据步骤1)中获取的网页URL地址，下载URL地址对应的网页；3)对步骤2)中下载的网页进行预处理，获得网页树型结构图；4)根据步骤3)中得到的网页树型结构图，进行网页聚类，从待聚类网页中选取网页作为训练集，通过机器学习方法获取网页模板并定义网页的聚类规则；5)搜索结果提取，根据输入的关键字，采用XPath规则定位节点，再采用XSLT规则进行信息提取；6)根据步骤5)中提取到的结果，对不同类型网页中提取到的信息进行汇总显示。
关 键 词：
法律状态：生效
IPC专利分类号：G06F17/30(2006.01)I