專利名稱：一種可視化信息的抽取方法
技術領域：
本發明涉及一種可視化的信息抽取方法，具體涉及自然語言處理領域，其中的信息提取規則可視化且該方法具有較強的實用性。
背景技術：
隨著互聯網上信息量的爆炸式增長，使用戶從Web上獲得有用的信息變得日益困難。如何從Web中快速、有效的獲取信息仍然是困擾Web用戶的一個問題，在這種背景之下，出現了 Web信息抽取技術。信息抽取，從20世紀80年代末以來，在Tipster文本項目、MUC ( Message Understanding Conference,消息理解會議)和 ACE ( Automatic ContentExtraction,自動內容提取)等因素的推動下，信息采集技術迅速的發展。基于隱馬爾科夫模型的信息抽取方法需要相關領域的專家事先構建出該領域的最優數學模型，且模型參數的制定需要大量的樣本數據，抽取效率較低。基于本體實現的表格信息抽取方法不依賴于所抽取的WEB頁面的設計格式，也沒有對其內容提出任何表示限制，但該方法只適用于一定的應用領域，當應用領域改變時相應的本體需要重新構造。基于自然語言處理方式的信息抽取方法適用于含有大量自由文本且句子成分完整的Web頁面，但該方法沒有充分利用Web文檔的層次結構，且處理速度慢，導致該方法的適用范圍較小。相較于現有技術，本發明具有以下特點:1、抽取規則的直觀、簡單化制定。現有可視化的抽取規則制定是以網頁DOM樹的形式。對于結構復雜的網頁樹，由于網頁節點較多，需要唯一確定抽取規則的XPATH路徑，且該方法需要具有相關的信息抽取知識，因此抽取規則制定復雜。
發明內容
本發明的目的是提供一種可視化信息的抽取方法。本發明的目的是按以下方式實現的，信息提取的是通過內嵌瀏覽器手動選擇提取區域，在后臺自動形成抽取的方式，信息抽取規則的制定依賴于可視化的內嵌Iframe自動生成。本發明的有益效果是:本發明解決的技術問題是提供一種可視化的信息抽取方法，信息提取的規則通過內嵌瀏覽器手動選擇提取區域，后臺自動形成抽取規則，使得抽取規則的制定簡單直觀且該規則具有較廣的適用性。本發明提供的信息抽取規則制定區別于傳統的信息抽取規則的制定，它是以基于某一類型的信息抽取模板頁面，在規則制定頁面中內嵌Iframe新聞頁面，由用戶通過鼠標圈定感興趣的提取信息區域或文字，系統自動記錄用戶的鼠標動作，用戶只需要確定抽取區域的類型:如信息抽取標題或內容等，抽取規則保存入數據庫。該規則適用于來自同一數據源的頁面，規則由唯一的前后標識確定，具有較強的適用性。本發明提成的可視化信息提取，方便用戶直觀快速構建信息提取規則，且抽取規則具有較強的適用性。
具體實施例方式下面對本發明的內容以一個具體實例來描述這一方法的過程。用戶對一新聞頁面的各個新聞要素(信息標題、信息發布時間和信息內容)制定抽取規則。首先，用戶用鼠標拖拽選擇的內容或將該內容復制到內容框中，通過識別標簽抽取規則自動生成。除說明書所述的技術特征外，均為本專業技術人員的已知技術。
權利要求
1.一種可視化信息的抽取方法，其特征在于信息提取的是通過內嵌瀏覽器手動選擇提取區域，在后臺自動形成抽取的方式，信息抽取規則的制定依賴于可視化的內嵌Iframe自動生成，具體抽取步驟如下: 用戶對一新聞頁面的各個新聞要素，包括:信息標題、信息發布時間和信息內容，制定抽取規則，首先，用戶用鼠標拖拽選擇的內容或將該內容復制到內容框中，通過識別標簽抽取規則自動生成。
全文摘要
本發明提供一種可視化信息的抽取方法，信息提取的是通過內嵌瀏覽器手動選擇提取區域，在后臺自動形成抽取的方式，信息抽取規則的制定依賴于可視化的內嵌Iframe自動生成，具體抽取步驟如下用戶對一新聞頁面的各個新聞要素，包括信息標題、信息發布時間和信息內容，制定抽取規則，首先，用戶用鼠標拖拽選擇的內容或將該內容復制到內容框中，通過識別標簽抽取規則自動生成。
文檔編號G06F3/0483GK103116448SQ20131003497
公開日2013年5月22日 申請日期2013年1月30日 優先權日2013年1月30日
發明者高濱 申請人:浪潮電子信息產業股份有限公司