基于區(qū)域定位的購物網站商品信息抽取方法.pdf

1、伴隨著電子商務的迅速發(fā)展,網上購物越來越受到消費者的喜愛。然而越來越多的商品讓消費者感覺到無法下手購買,要從海量的商品信息中找到最適合自己要求的商品,是一個比較困難和費時的過程。web信息抽取的一個直接應用就是幫助人們在紛繁復雜的商品信息海洋中快速準確地查找所需商品。目前缺乏專門針對購物網站的信息抽取技術,采用通用的Web信息抽取技術,難以快速而準確地定位目標商品信息。所以有必要對購物網站商品信息抽取作進一步研究。
　　 本文通

2、過分析購物網站的頁面結構,針對大多數購物網站HTML頁面的表格結構特性,提出一種新的網頁模型,將購物網站中的商品展示頁面分為三個區(qū)域:核心區(qū)域、準核心區(qū)域和非核心區(qū)域。并在此頁面模型基礎上,提出區(qū)域定位的概念,將商品信息抽取問題分解為頁面預處理、區(qū)域定位和區(qū)域結構分析三個關鍵步驟。
　　 頁面預處理模塊主要負責HTML頁面中的標簽修復、噪聲處理。通過分析頁面結構,對HTML文檔解析來構造DOM樹,把HTML文檔中不需要處理的元素

3、從DOM樹中剔除,比如廣告圖片、腳本代碼等,從而最大限度的減少噪聲信息對抽取工作的影響。
　　 區(qū)域定位模塊主要負責從DOM樹中定位用戶感興趣的商品信息區(qū)域。在區(qū)域定位過程中,結合商品屬性關鍵字,找到匹配節(jié)點,再自底向上,定位準核心區(qū)域,然后根據準核心區(qū)域的期望值及區(qū)域內節(jié)點類型比例,定位核心區(qū)域。
　　 區(qū)域結構分析模塊的主要功能是分析核心區(qū)域的結構,定位商品“屬性-值”對信息,最終抽取目標商品信息。
　　 在