A Internet como um todo atualmente contém quase todo o
conhecimento acumulado da humanidade. Certamente, nem todas as áreas estão livres
acessível e apenas uma fração de tudo, já publicada em forma de livro
Obras, já está disponível digitalmente. No entanto, a cada
Informação dos arredores do conhecimento. Seria possível, esta informação
reconfigurar consulta livre e estruturada, as possibilidades podem ser
depois de "coisas" para melhorar a pesquisar na Internet muito.
O uso de opções ou fornecedor e 'interfaces de informação "estavam com
segurança muito grande e de alta transferível em uma infinidade de aplicações.
Aqui, a questão da estrutura do conhecimento contido nessas fontes
Documentos: a World Wide Web é geralmente a partir de documentos em HTML
foram criadas. Mas deve ser notado que nos últimos anos uma forte tendência
foi gravado no sentido de que mais desenvolvedores de aplicações web
linguagens de script que o uso freqüente gerar HTML dinâmico. Qual é a influência
portanto, têm linguagens de script dinâmico e como o HTML é a semântica
Extração de informações para?
HTML é uma linguagem de marcação para a estruturação de conteúdo de mídia.
É constituída por um conjunto de símbolos de marcação cujo
Objetivo é organizar as informações para mais tarde mostrar
e contém apenas alguns elementos que tornam mais fácil de prever o
Para fazer sentido do seu conteúdo. Um exemplo de meta-informação a partir de
o manual do PHP alemão mostra informações muito vagas sobre o que
O documento é toda sobre:

NAME="GENERATOR"
CONTENT="Modular DocBook HTML Stylesheet Version 1.7"> REL="HOME"
TITLE="PHP Handbuch"
HREF="index.html"> REL="UP"
TITLE="FAQ: Frequently Asked Questions"
CONTENT="text/html; charset=UTF-8">

NAME="GENERATOR"
CONTENT="Modular DocBook HTML Stylesheet Version 1.7"> REL="HOME"
TITLE="PHP Handbuch"
HREF="index.html"> REL="UP"
TITLE="FAQ: Frequently Asked Questions"
CONTENT="text/html; charset=UTF-8">

NAME="GENERATOR"
CONTENT="Modular DocBook HTML Stylesheet Version 1.7"> REL="HOME"
TITLE="PHP Handbuch"
HREF="index.html"> REL="UP"
TITLE="FAQ: Frequently Asked Questions"
CONTENT="text/html; charset=UTF-8">

NAME="GENERATOR"
CONTENT="Modular DocBook HTML Stylesheet Version 1.7"> REL="HOME"
TITLE="PHP Handbuch"
HREF="index.html"> REL="UP"
TITLE="FAQ: Frequently Asked Questions"
CONTENT="text/html; charset=UTF-8">

NAME="GENERATOR"
CONTENT="Modular DocBook HTML Stylesheet Version 1.7"> REL="HOME"
TITLE="PHP Handbuch"
HREF="index.html"> REL="UP"
TITLE="FAQ: Frequently Asked Questions"
CONTENT="text/html; charset=UTF-8">

A estruturação de informações em documentos HTML é o layout orientado
e destinados ao uso por browser HTML (por exemplo, Internet Explorer,
Opera ou Mozilla Firefox) a ser processado e exibido. A linguagem
foi criado para uso humano. As pessoas podem
ler e compreender facilmente páginas web, mas o significado inerente,
As informações contidas em páginas web, pode - pelo menos por meio automatizado
Ser interpretado apenas com dificuldade - métodos. Documentos HTML pode ser
Assim, apenas em termos de representação chamado estruturado.
As informações neles contidas, no entanto, é não-estruturados.

O fragmento de código a seguir mostra um exemplo de uma seção
uma página da Web típico:

Loja tia Emma Foto

Bem-vindo ao site da loja tia Emma foto.
Você está olhando para as câmeras, lentes e acessórios da câmera?
Então, sua missão está terminada. Nós carregamos todos os produtos
que compromete o seu coração.
Você pode, claro, também no local
nossa gama de produtos abrangente para testar:

Nosso endereço é:

Loja tia Emma Foto
Universitätsstrasse 35
93053 Regensburg

Horário de funcionamento:

Seg 11-19 relógio
Ter clock 19/11
Qua relógio 15-19
Qui clock 19/11
Sex clock 14/11

Mudança devido a renovações, no entanto, a nossa
Regulares horários de abertura, como o acesso a nossas instalações
não é mais possível. Medidas de reestruturação previstas podem ser encontrados
no site da autoridade municipal de construção ...

Para os seres humanos, não é um problema, os horários de abertura, no exemplo acima
para fora. Eles entendem a conexão entre as palavras-chave
"Horas" e "trabalho de reconstrução", mas o que as máquinas
coloca grandes problemas. As pessoas também sabem que com uma mãe-e-
Loja da esquina, o alcance é limitado e as lentes no contexto de
Câmeras e acessórios da câmera que não seja comida.

Processos de software integradas são caracterizados por sentença e segmentação de palavras, a remoção stopword,
Forma básica de redução, e, finalmente, criar um decompounding
Índice de termos encontrados na situação verdadeira, palavras-chave individuais
para extrair a partir de textos, neste contexto não é o
Importância das relações em textos HTML em conta.
O problema fundamental está intimamente relacionado com o problema clássico
entre informação e conhecimento. O conhecimento de que no atual
Web já está armazenado, é encontrada principalmente em um grande
coleção de fatos não-estruturados. Embora esses fatos no passado
Anos devido ao desenvolvimento progressivo e implantação de dinâmica
Linguagens de script e bancos de dados relacionais baseado em
Aplicações são processadas sempre melhor ("informação como conhecimento
em Ação "), perdendo a conexão com o significado deste desenvolvimento
Fatos, que, com anotação semântica de fotografias de
Extração de informações de documentos de hipertexto é essencial.
A diferença semântica faz sua aparição!