Tóm tắt nội dung

Trích xuất thông tin từ dữ liệu bán cấu trúc là một bài toán được sự quan tâm tại

nhiều hội nghị lớn trên thế giới ,,,. Bài toán này là một thành phần không

thể thiếu trong các ứng dụng về thu thập và trích xuất thông tin hiện nay. Một trong

những ứng dụng đó là trích xuất thông tin của sản phẩm từ các trang Thương mại Điện tử

để Xây dựng hệ thống tìm kiếm giá cả, nhằm cung cấp thông tin tốt nhất đến người tiêu

dùng.

Khóa luận này tập trung nghiên cứu bài toán trích xuất thông tin từ dữ liệu bán cấu

trúc và áp dụng để Xây dựng hệ thống tìm kiếm giá cả sản phẩm. Khóa luận xác định một

tập luật trích xuất giá cả để giải bài toán trích xuất giá khi cho biết tên sản phẩm và trên

cơ sở đó, bài toán tự động trích xuất thông tin về tên và giá của sản phẩm được giải quyết.

Khóa luận đưa ra các bước Xây dựng hệ thống tìm kiếm giá cho sản phẩm trên các trang

web tiếng Việt. Khóa luận đã tiến hành các thực nghiệm và đánh giá kết quả. Kết quả

thực nghiệm cho thầy các thông tin được trích xuất từ hệ thống là có độ tin cậy.

Mục lục

Tóm tắt nội dung .i

Mục lục ii

Bảng các kí hiệu và chữ viết tắt . v

Danh sách các hình . .vi

Danh sách bảng biểu viii

Giới thiệu . 1

Chương 1. Khái quát bài toán trích xuất thông tin cho dữ liệu bán cấu trúc 3

1.1 Bài toán trích xuất thông tin .3

1.1.1 Giới thiệu bài toán . .3

1.1.2 Dữ liệu của bài toán .3

1.1.3 Các hướng tiếp cận trong bài toán trích xuất thông tin 4

1.2 Bài toán trích xuất thông tin cho dữ liệu bán cấu trúc . .6

1.2.1 Vấn đề đặt ra với bài toán 6

1.2.2 Một số phương pháp trích xuất thông tin cho dữ liệu bán cấu trúc .6

1.2.3 Phương pháp đánh giá 7

1.2.4 Ứng dụng của bài toán trích xuất thông tin cho dữ liệu bán cấu trúc 8

Chương 2. Một số phương pháp sử dụng trong bài toán trích xuất thông tin cho dữ

liệu bán cấu trúc .10

2.1 Trích xuất thông tin dựa vào cây DOM . .10

2.1.1 Khái nhiệm cây DOM . .10

2.1.2 Xây dựng cây DOM . 11

2.1.3 Sử dụng cây DOM để trích xuất thông tin . 12

2.2 Trích xuất thông tin dựa theo các mẫu biểu thức chính qui .13

iii

2.2.1 Khái niệm biểu thức chính qui . 13

2.2.2 Sử dụng biểu thức chính qui để trích xuất thông tin 14

2.3 Một số giải thuật trích xuất thông tin cho dữ liệu bán cấu trúc 14

2.3.1 Hai kiểu biểu diễn của các trang giàu dữ liệu 14

2.3.2 Một số giải thuật điển hình 16

Chương 3. Áp dụng bài toán trích xuất thông tin bán cấu trúc để Xây dựng hệ thống

tìm kiếm giá cả sản phẩm 21

3.1 Khái quát hệ thống tìm kiếm giá cả của sản phẩm .21

3.1.1 Khái niệm .21

3.1.2 Các phương pháp Xây dựng .21

3.1.3 Các hệ thống hiện tại . .22

3.2 Cơ sở thực tiễn 23

3.3 Cơ sở khoa học .25

3.3.1 Phân loại trang kinh doanh . 26

3.3.2 Bài toán trích xuất thông tin giá cả của một sản phẩm xác định. 27

3.3.3 Bài toán tự động trích xuất thông tin về tên và giá của sản phẩm trong các trang

Kinh doanh sản phẩm .33

3.4 Các bước Xây dựng hệ thống 37

3.4.1 Mô hình hệ thống .37

3.4.2 Khả năng mở rộng của hệ thống 40

Chương 4. Thực nghiệm và đánh giá kết quả . .41

4.1 Môi trường phần cứng và phần mềm . .41

4.1.1 Cấu hình phần cứng .41

4.1.2 Công cụ phần mềm 41

4.2 Kết quả thực nghiệm .44

iv

4.2.1 Thực nghiệm trích xuất giá của một sản phẩm cho trước 44

4.2.2 Thực nghiệm xác định website Kinh doanh .49

4.2.3 Thực nghiệm thu thập và trích xuất thông tin từ một website .52

4.2.4 Thực nghiệm khả năng thu thập thông tin của hệ thống 53

Kết luận .55

Tài liệu tham khảo 5