視頻搜索引擎中的精確文本信息抽取系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、本文設(shè)計(jì)和實(shí)現(xiàn)的精確文本信息抽取系統(tǒng),是視頻搜索引擎中采集系統(tǒng)的一個(gè)獨(dú)立的子系統(tǒng)。在傳統(tǒng)搜索引擎中,要求對文本信息做網(wǎng)頁級別的提取,通過對文本生成摘要的方式來描述搜索結(jié)果。本文設(shè)計(jì)和實(shí)現(xiàn)的精確文本信息抽取系統(tǒng)與傳統(tǒng)搜索引擎提供的通用式文本處理方法不同,可以對網(wǎng)頁中的文本按照事先約定的信息點(diǎn)進(jìn)行精確提取。以這些信息點(diǎn)內(nèi)容來描述所搜索結(jié)果,比用摘要來描述更為準(zhǔn)確有效,對于提供個(gè)性化服務(wù)的視頻搜索引擎來說更為適合。 本文設(shè)計(jì)和實(shí)現(xiàn)了兩

2、種以視頻網(wǎng)頁為單位的模板抽取文本系統(tǒng)。第一個(gè)系統(tǒng)采用人工標(biāo)注規(guī)則模板抽取的方法,該方法的優(yōu)點(diǎn)是能做到準(zhǔn)確無誤的提取文本信息,缺點(diǎn)是需要大量人工干預(yù)和維護(hù)的工作；為解決第一種方法存在的問題,本文設(shè)計(jì)和實(shí)現(xiàn)了另一種采用自動生成模板方法的文本信息抽取系統(tǒng),它可以保證在最少人工干預(yù)的前提下自動生成模板,并根據(jù)模板精確的從網(wǎng)頁中抽取文本信息。 自動生成模板的文本信息抽取系統(tǒng)采用了樹的最小代價(jià)映射算法作為其核心算法,通過該算法對兩棵HTML