[发明专利]小样本自动化Web文本数据抽取模板生成与抽取方法无效
| 申请号： | 201210357757.7 | 申请日： | 2012-09-24 |
| 公开（公告）号： | CN102929930A | 公开（公告）日： | 2013-02-13 |
| 发明（设计）人： | 黄宜华;袁春风;刘玉龙;施生生 | 申请（专利权）人： | 南京大学 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30;G06F17/27 |
| 代理公司： | 南京苏高专利商标事务所(普通合伙) 32204 | 代理人： | 夏雪 |
| 地址： | 210093 江苏*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于小样本的自动化Web文本数据抽取模板生成与抽取方法，包括如下步骤：选取一组文本数据样本，该文本数据样本包括多条文本记录；确定比对的单元：利用分隔符切分所述文本记录，使得所述文本记录成为分隔符和单词间隔的序列，该序列称为原始文本序列；在所述原始文本序列中找到一个与其它原始文本序列相似度最高的序列，称为核心序列；将每条原始文本序列以所述核心序列为标准，逐一对齐到一起，形成一组由多个对齐的数据栏衔接而成的对齐文本序列；对每个数据栏计算信息熵，用信息熵识别出该数据栏是模板字段栏或数据字段栏，由此得出模板；利用所述模板完成文本数据的抽取。本发明能自动完成细粒度的文本数据的抽取处理。 | ||
| 搜索关键词： | 样本 自动化 web 文本 数据 抽取 模板 生成 方法 | ||
【主权项】：
一种小样本自动化Web文本数据抽取模板生成与抽取方法，包括如下步骤：(1)选取一组文本数据样本，该文本数据样本包括多条文本记录；(2)确定比对的单元：利用分隔符切分所述文本记录，使得所述文本记录成为分隔符和单词间隔的序列，该序列称为原始文本序列，所述单元有两种类型：分隔符和单词；(3)在所述原始文本序列中找到一个与其它原始文本序列相似度最高的序列，称为核心序列；(4)将每条原始文本序列以所述核心序列为标准，逐一对齐到一起，形成一组由多个对齐的数据栏衔接而成的对齐文本序列；(5)对每个数据栏计算信息熵，用信息熵识别出该数据栏是模板字段栏或数据字段栏，由此得出模板；(6)利用所述模板完成文本数据的抽取。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南京大学，未经南京大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201210357757.7/，转载请声明来源钻瓜专利网。
- 上一篇：一种储层流体识别方法
- 下一篇：套筒约束防屈曲耗能支撑
