|
注意：原創(chuàng)文章，無版權(quán)，可以任意轉(zhuǎn)載，但必須完整轉(zhuǎn)載全文、url和內(nèi)部解釋性鏈接
WEB結(jié)構(gòu)化信息抽取就是將網(wǎng)頁中的非結(jié)構(gòu)化數(shù)據(jù)按照一定的需求抽取成結(jié)構(gòu)化數(shù)據(jù)。是垂直搜索引擎和通用搜索引擎最大的差別。
如：比較購物搜索那就需要抓取網(wǎng)頁后，對(duì)網(wǎng)頁中的商品信息進(jìn)行抽取，抽取出商品名稱、價(jià)格、簡(jiǎn)介……甚至可以進(jìn)一步將筆記本簡(jiǎn)介細(xì)分成“品牌、型號(hào)、CPU、內(nèi)存、硬盤、顯示屏、……”
房產(chǎn)信息搜索那就應(yīng)該抽取出那應(yīng)該抽取出：類型、地域、地址、房型、面積、裝修情況、租金、聯(lián)系人、聯(lián)系電話……
公司企業(yè)信息搜索那就應(yīng)該抽取出：公司名稱、地址、電話、聯(lián)系人……
…………
結(jié)構(gòu)化信息抽取有兩種方式可以實(shí)現(xiàn)，比較簡(jiǎn)單的是模板方式，還有一種是對(duì)網(wǎng)頁不依賴的網(wǎng)頁庫級(jí)的結(jié)構(gòu)化信息抽取方式。
模板方式是事先對(duì)特定的網(wǎng)頁進(jìn)行配置模板，抽取模板中設(shè)置好的需要的信息，可以針對(duì)有限個(gè)網(wǎng)站的信息進(jìn)行精確的采集。
特點(diǎn)：簡(jiǎn)單、精確、技術(shù)難度低、方便快速部署。
缺點(diǎn)：需要針對(duì)每一個(gè)信息源的網(wǎng)站模板進(jìn)行單獨(dú)的設(shè)定在信息源多樣性的情況下維護(hù)量巨大是不可完成的維護(hù)量。所以這種方式適合少量信息源的信息處理，不是搜索引擎級(jí)的應(yīng)用，很難滿足用戶對(duì)查全率的需求。
網(wǎng)頁庫結(jié)構(gòu)化信息抽取是采用頁面結(jié)構(gòu)分析與智能節(jié)點(diǎn)分析轉(zhuǎn)換的方法，自動(dòng)抽取結(jié)構(gòu)化的數(shù)據(jù)。
特點(diǎn)：可對(duì)任意的正常網(wǎng)頁進(jìn)行抽取，完全自動(dòng)化，不用對(duì)具體網(wǎng)站事先生成模板，對(duì)每個(gè)網(wǎng)頁自動(dòng)實(shí)時(shí)得生成抽取規(guī)則，完全不需要人工干預(yù)。智能抽取準(zhǔn)確率高，不是機(jī)械的匹配，采用智能分析技術(shù)，準(zhǔn)確率能達(dá)到98%以上。能保證較快處理速度，由于采用頁面的智能分析技術(shù)，先去除了垃圾塊，降低分析的壓力，是處理速度大大提高。通用性較好，易于維護(hù)，只需設(shè)定參數(shù)、配置相應(yīng)的特征就能改進(jìn)相應(yīng)的抽取性能；一般的非專業(yè)人員經(jīng)過簡(jiǎn)單培訓(xùn)就能維護(hù)。
缺點(diǎn)：技術(shù)難度高，前期研發(fā)成本高，周期長。適合網(wǎng)頁庫級(jí)別結(jié)構(gòu)化數(shù)據(jù)采集和搜索的高端應(yīng)用。
我們的技術(shù)是對(duì)網(wǎng)頁不依賴的web結(jié)構(gòu)化信息抽取技術(shù)，適合高端的垂直搜索應(yīng)用或者高端的競(jìng)爭(zhēng)情報(bào)分析系統(tǒng)。
| 
