基于XML的藏文網(wǎng)頁的信息抽取與轉(zhuǎn)存技術(shù)研究.pdf

1、本文是在參加國家863項目“基于網(wǎng)絡(luò)媒體的藏文信息處理技術(shù)及其規(guī)范研究”(項目號：2003AA115530)的基礎(chǔ)上完成的。 隨著網(wǎng)絡(luò)在藏族地區(qū)的迅速發(fā)展以及藏族人民受教育水平的逐步提高，目前以藏文形式發(fā)布的網(wǎng)頁數(shù)目正在逐漸的增加。對于藏族文化的研究人員來講，藏文網(wǎng)頁已經(jīng)成為收集信息的一個主要渠道，手工獲取的繁瑣使得如何利用計算機從藏文網(wǎng)頁中自動獲得有用的信息成為待解決的問題，因此信息抽取成為必要。 本文在對以往的漢文網(wǎng)

2、頁信息抽取技術(shù)的分析基礎(chǔ)上，提出了針對藏文網(wǎng)頁的信息抽取技術(shù)，并構(gòu)造了藏文信息抽取與轉(zhuǎn)存系統(tǒng)，系統(tǒng)基本上實現(xiàn)了藏文網(wǎng)頁的自動采集，信息抽取與轉(zhuǎn)存。 本系統(tǒng)提出了全自動信息抽取的方法：利用主信息塊識別樹自動進(jìn)行主要信息塊的識別，并訓(xùn)練生成主要信息塊的抽取規(guī)則；利用N重后綴樹自動進(jìn)行頁面重復(fù)信息模式提取；在主要信息塊規(guī)則和重復(fù)模式規(guī)則的基礎(chǔ)上自動獲取文本信息點，利用信息項重復(fù)性和小型詞典訓(xùn)練生成信息點抽取規(guī)則與存儲規(guī)則。本文提出的自