基于自动标引技术的特定领域XML文档自动生成

《基于自动标引技术的特定领域XML文档自动生成》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、哈尔滨工业大学工学硕士学位论文摘要随着因特网的迅速发展和广泛应用，它逐渐成为目前最大的信息资源宝库和最主要的信息交流渠道，由于因特网信息资源的显著特点是量大而无序，故随之出现了“数据丰富，知识贫乏”现象。现有的网页多是用HTML语言编写的，不利于检索和应用，阻碍因特网的进一步发展。XML是解决这一问题的最有力手段，它一经推出就成为一股不可遏止的浪潮席卷全球，不论是学术界还是商业界都将其视为下一代网络的基石。XML它不但利于网络传输，还具备利于存储和操作等优点。为了顺应发展的潮流，人们欲把数据加工转换成XML格式，可目前这种数据加工和存储格式转换多是靠手工完成的，耗时费力.为此

2、，本文针对自动标引和XML的理论与实践进行研究，目的是用计算机来实现对经济领域文献的加工和格式转换，为信息存储和检索提供方便。本文提出了基于自动标引的经济领域XML文档自动生成系统的设计方案，该系统具有HTML文本信息抽取;自动标引出经济文献的重要信息，如主题词、关键词、相关人物、上市公司、相关机构等信息;自动生成XML文档的功能.通过对XML的理论研究，为XML文档设计了简洁、便于检索的DTD，用来规范XML文档的有效性，另外，考虑到用户对XML知识有可能匾乏，提供了直观的显示方式，用XSL语言编了样式单，供用户在IE中浏览生成的XML文档的内容。自动标引采用了基于关键词词

3、典和统计相结合的方法，利用TFIDF算法作为加权算法来统计词频。对文献按其大小进行分类处理，兼顾了标引质量与标引速度的协调，取得了理想的效果。本文中所阐述的方法可以移植到其它类型文献的XML格式转换上，具有很广阔的应用前景。关键词XML;DTD设计;自动标引:TFIDF哈尔滨工业大学工学硕卜学位论文AbstractInternethasbecomeasupremehugeinformationresourceandoneofthekeycommunicationchannelsowingtoitsrapiddevelopmentandwide-spreadingapplica

4、tion.Adistinguishedproblem,however,isits"overwhelmingdatawhilepoorknowledge"thatcomesfrommassivebutdisorderinformationstoredintheInternet.Tracingtheproblem,peoplefoundthatthereasonliesinthatmostofthecurrentwebsarewritteninHTML,whichisobstructsthewayofquicksearchinganddeepprocessing.Theideal

5、solutiontothissituationisbelievedtobeXMLpromulgatedbyW3C,whichisreadyforInternettransmissionandknowledgeprocessing,andaccordingly,regardedasthestandardofnextgenerationInternetbybothacademicandindustrialcircle.Nowpeoplehavebeguntoconvertcurrentdata(includingHTMLpages)intoXMLfiles.Butcurrentm

6、anualtaggingofXMLfilearetimeconsumingandexpensive.Toaddressthisproblem,thisthesiscarriesoutaresearchonautomaticindexinginXMLandrealizesaprototypesystemforfinancialliteratureprocessing.ThisthesisfirstproposesaschemeofXMLbasedautomaticindexingsystemforfinancialdocuments.Thesystemhasthefollowi

7、ngcomponents:textextractionfromHTMLdata,keyinformationindexing(e.g.topic-words,keywords,relatedpeople,relatedmarketedcompaniesandrelatedorganizationsetalforfinancialdomain)andautomaticXMLdocumentgeneration.Then,onthebasisofXMLtheoreticalstudy,thethesisal