树编辑距离在Web信息抽取中的应用与实现

摘要：

引入编辑距离的概念,探讨如何构造标签树,并利用标签树匹配算法来量化网页结构相似度.该算法被应用于Web信息抽取,通过URL相似度算法进行样本网页的粗聚类,进一步采用树的相似度匹配算法实现细聚类,从而获取模板网页.在模板网页的基础上,再次引人结构相似度算法并结合基于模板网页的抽取规则实现网页的自动化抽取.实验证明,该算法的引入能够有效提高包装器的抽取精度和半自动化能力.

关键词：Web信息抽取、树编辑距离、结构相似度、Web聚类、标签树匹配算法

分类号：TP311(计算技术、计算机技术)

资助基金：2008年度教育部人文社会科学研究项目08JC870013;2009年度中山大学青年教师培育项目2000-3161101

在线出版日期：2011-05-16（万方平台首次上网日期，不代表论文的发表时间）

页码：29-34