Каталог :: Программирование и комп-ры

Курсовая: Разработка программных средств конвертирования HTML-текстов в семантические сети

             Московский Государственный Университет Путей сообщения             
                                  (МИИТ)                                  
     

Кафедра АСУ

Курсовой проект

«Разработка программных средств конвертирования HTML текстов в семантическую сеть» Выполнила: Студентка 5-го курса группы УИС-511 Болотова Е.А. Проверил: Саркисян Р.Е.

Москва 2001

Содержание:

Что такое семантическая сеть ............3

Основные сведения о языке HTML .........3 1.Введение .................3 2.Сруктура HTML-документа ..........4 Что такое фреймы ................7 Возможности представления знаний на базе языка HTML ....................8 TextAnalyst 2.0 – персональная система автоматического анализа текста ...........14 Принцип работы HTML-конвертора ..........17 Список использованных источников .........21 Что такое семантическая сеть Семантическая сеть – структура для представления знаний в виде ориентированного графа, в котором вершины – это понятия, а дуги - отношения. Термин семантическая означает "смысловая", а сама семантика – это наука, устанавливающая отношения между символами и объектами, которые они обозначают, что есть наука, определяющая смысл знаков. Самые первые семантические сети были разработаны в качестве языка-посредника для систем машинного перевода. Однако последние версии семантических сетей стали более мощными и гибкими и составляют конкуренцию логическому программированию, фреймовым системам и другим языкам представления. На сегодняшний день существует множество вариантов семантических сетей. Их терминология и структура различаются, но существуют сходства, присущие всем семантическим сетям: 1. Узлы семантических сетей представляют собой концепты предметов, событий, состояний 2. различные узлы одного концепта относятся к различным значениям, если они не помечены как относящиеся к одному концепту 3. дуги семантических сетей создают отношения между узлами-концептами (пометки над дугами указывают на тип отношения) 4. некоторые отношения между концептами представляют собой лингвистические падежи, такие как агент, объект, реципиент и инструмент (другие означают временные, пространственные, логические отношения и отношения между отдельными предложениями 5. концепты организованы по уровням в соответствии со степенью обобщенности так, как, например, сущность, живое существо, животное, плотоядное. Несмотря на некоторые различия, сети удобны для чтения и обработки компьютером, а также достаточно мощны, чтобы представить семантику естественного языка. Наиболее часто в семантических сетях используются следующие отношения: - связь типа "часть-целое" ("класс-подкласс", "множество-подмножество" и т.п.) - функциональные связи, определяемые обычно глаголами "производит", "принадлежит" и т.п.) - количественные ("больше", "меньше", "равно" и т.п.) - пространственные ("близко от", "далеко от" и т.п.) - временные ("раньше", "позже" и т.п.) - логические связи ("и", "или" и т.п.) - лингвистические связи и т.д. Основные сведения о языке HTML 1. Введение Все стандартные броузеры для сети Интернет используют способы представления текстов, основанные на языке HTML. HTML (Hyper Text Markup Language) – это язык разметки гипертекста. Этот язык «понимают» все компьютеры, он довольно прост, но при этом имеет достаточные выразительные средства для удобного описания разных типов документов. Язык позволяет хранить текст в «чистом» виде (не кодируя его), что делает возможным просмотр HTML скриптов с помощью обычных текстовых редакторов. Этот язык предоставляет авторам Интернет - публикаций средства: - представления документов, включающих заголовки, тексты, таблицы, списки, «картинки» и т.п. элементы; - осуществления навигации по отдельным документам и множеству документов путем использования гиперссылок; - конструирования диалоговых форм для взаимодействия с удаленными сервисами, доступными в сети; - включения в документы вычисляемых форм (spread- sheets), видео и звука, равно как и разнообразных приложений. Первая версия языка HTML была разработана Т. Бернерс-Ли из Европейского Центра ядерных исследований (CERN). В дальнейшем язык претерпел существенные изменения. К середине 90-х годов произошла стандартизация его версий, которая стала курироваться международными организациями. В настоящее время наиболее развитой является версия языка HTML 4.0, в которой представлены новые возможности аппаратуры и требования производителей программного обеспечения броузеров, а также пожелания Интернет – авторов. 2. Структура HTML-документа В HTML – файле находится символьная информация. Часть ее – это данные, составляющие содержимое документа, а другая часть – HTML – теги, языковые конструкции, используемые для разметки документа и управляющие его отображением. Для выделения тегов в тексте HTML – документа эти конструкции берутся в угловые скобки. Обычно теги используются парами: открывающий и закрывающий тег. Типичный HTML – документ имеет следующую структуру: < ! DOCTYPE HTML PUBLIC “-//W3C//DTD HTML 4.0//EN” “http://www.w3.org/TR/REC-html40/strict.dtd”> <HTML> <HEAD> <TITLE> Наименование документа </TITLE> <META> name=keywords content=”Ключевые слова”> </HEAD> <BODY> Тело документа </BODY> </HTML> В приведенном фрагменте комментарий <!DOCTYPE .> фиксирует текущее состояние спецификации версии языка HTML. Документ должен открываться тегом <HTML>, закрываться тегом </HTML> и состоять из двух частей: заголовка и тела документа. Заголовок находится между тегами <HEAD> и </HEAD> и содержит служебную информацию. В представленном выше фрагменте HTML – документа показаны два компонента заголовка: - <TITLE> Заглавие </TITLE> - строка символов, которая отображается в заголовке окна броузера. - <META> - дополнительная информация об HTML – документе (в нашем примере этот тег с помощью параметров name и content фиксирует значение первого атрибута как keywords, а второго – как ключевые слова «Представление знаний» и «Мультиагентные системы»). Этот тег ориентирован на аннотирование Интернет – документов и значительно облегчает задачу индексирования их, например, с помощью сетевых роботов. Кроме этих компонентов заголовок может содержать еще и другие теги: - <BASE> - базовый адрес, используемый при обработке относительных URL, - <LINK> - используется для связи HTML-документа с другими источниками данных. Собственно содержание документа находится в теле между тегами <BODY> и </BODY>. Иногда вместо этих тегов можно встретить тег <FRAMESET>, который определяет специальный тип документа – Web-страницу с кадрами или фреймами. Как правило, тело HTML-документа состоит из последовательности структурных единиц, базисными из которых являются: - заголовки разного уровня (текст, заключенный между тегами <Hi> и </Hi>), где i может меняться от 1 до 6; - параграфы (текст, заключенный между тегами <P> и </P>). Это минимальные средства форматирования документа. Естественно, что в HTML эти средства значительно богаче (всевозможные выравнивания, табуляция, несколько видов списков, таблицы и т.д.). Наиболее важными базовыми конструкциями языка HTML являются якоря. Синтаксически эти конструкции представлены тегами <A> и </A> с атрибутами name и href. Якорем является конструкция вида: <A name=«Метка»>Текст</A> Эта конструкция обеспечивает уникальное в пределах документа имя начала определенного фрагмента HTML-текста. При этом текст, заключенный между тегами <A> и </A>, как правило, задает семантически значимое наименование заголовка. Для ссылок на помеченные таким образом части Интернет - документа используются конструкции следующего вида: 1) <A href=«#Метка»>Текст</A> - Задает локальную ссылку на часть документа, начинающуюся с указанной метки 2) <A href=«URL»>Текст</A> - Задает глобальную ссылку на документ в сети, однозначно идентифицируемый с помощью URL (Unified Resource Locator) – Интернет – адрес: имя домена, уточненное названием протокола и собственное имя документа, включая путь к нему в пределах данного домена. Важными конструкциями HTML также являются таблицы с богатыми возможностями многоуровневых заголовков и формы, с помощью которых в язык введены средства обеспечения диалога с читателями Интернет - документов. Базисными конструкциями форм являются редактируемые текстовые поля, элементы выбора, различные кнопки и т.д. Пример создания таблицы: <TABLE> <TR> <TD> столбец1, строка1 </TD><TD> столбец2, строка1 </TD> </TR> <TR> <TD> столбец1, строка2 </TD><TD> столбец2, строка2 </TD> </TR> Простейший пример создания формы: <FORM METHOD=”POST” .> <P> Вы можете ввести в поле одну строку <INPUT NAME=”entry”> </P> Для обработки результатов ввода нажмите кнопку <INPUT TYPE=”submit” VALUE=”Принять запрос”> </P> </FORM> Еще одна важная конструкция – это фреймы (frames). С их помощью можно разделить документ на части и представлять их в отдельных, неперекрывающихся областях экрана. Такое представление информации характерно для многооконных приложений. Кроме этого имеются и другие конструкции разметки Интернет – документов. Среди этих конструкций надо отметить более четкое разделение между структурой документа и его представлением за счет использования таблиц стилей, скриптов, поддерживающих, в частности, создание динамических страниц, новый механизм интеграции текстовых и графических ссылок, исполняемый на стороне клиента и стандартизацию механизма подключения к HTML-документам базисных медиаобъектов и приложений.

Что такое фреймы

Термин фрейм был предложен в 70-е годы для обозначения структуры знаний для восприятия пространственных сцен. Фрейм – это абстрактный образ для представления некоего стереотипа восприятия. Фреймом также называется и формализованная модель для отображения образа. Различают: - фреймы-образцы (прототипы) – хранятся в базе данных - фреймы-экземпляры – создаются для отображения реальных фактических ситуаций на основе поступающих данных - фреймы-структуры – используются для обозначения объектов и понятий - фреймы-роли - фреймы-сценарии - фреймы-ситуации Обычно структура фрейма представляется как список свойств: (ИМЯ ФРЕЙМА: (имя 1-го слота: значение 1-го слота), (имя 2-го слота: значение 2-го слота), -------------------------- (имя N-го слота: значение N-го слота) В качестве значения слота может выступать имя другого фрейма, так образуется сеть фреймов. Существует несколько способов получения слотом значений во фрейме-экземпляре: - по умолчанию от фрейма-образца (значение default) - через наследование свойств от фрейма, указанного в слоте АКО (a kind of) - по формуле, указанной в слоте - через присоединенную процедуру - явно из диалога с пользователем - из базы данных. Возможности представления знаний на базе языка HTML Рассмотрим, каким образом HTML-документ может быть представлен в виде семантической сети. Нам необходимо выделить те конструкции языка, которые могут быть полезными для решения этой задачи. Прежде всего, к числу таких конструкций относятся теги типа <TITLE>, <META.> и <A.>. Первый тег важен для фиксации семантики всего HTML – документа, так как текст, заключенный между тегами <TITLE> и </TITLE> чаще всего отражает его назначение или содержание. Теги типа <META.> вводят имена атрибутов и их значения с помощью параметров name=”.” и content=”.”, а ссылки и якоря фиксируют отношения между частями одного документа или между отдельными документами. Теги типа <META.> явно вводят семантику значений атрибутов, одинаково интерпретируемых броузерами за счет ключевых слов, которые могут быть значениями параметра name. Теги типа <A.> фиксируют лишь факт наличия отношения между ссылкой и ее якорем. В некоторых случаях этому отношению можно «приписать» имя SeeAlso (смотри также), в других случаях – ConsistOf, PartOf или иное подходящее имя, но семантика данной конструкции имплицитна, а встроенная интерпретация ее связана лишь с переходом по ссылке и визуализацией начала соответствующего фрагмента документа или загрузкой нового документа для просмотра. Другими полезными конструкциями являются заголовки разделов и подразделов (тексты между тегами <Hi> и </Hi>), списки, таблицы и другие элементы языка. Но в целом, выделение значимых для семантической интерпретации конструкций является экспертной задачей, решаемой каждый раз автором соответствующей Интернет - публикации по-своему. Но существуют определенные стереотипы. Например, на страницах Интернет – магазинов каталоги товаров в большинстве случаев представляются таблицами или списками, либо «зашиты» в чувствительные для щелчка мыши графические объекты. Это характерно и для индексов на сайтах машин поиска. Рассмотрим в качестве примера страницу официального сайта компании Microsystems LTD, расположенную в сети по адресу http://www.analyst.ru. На этой странице располагается по информация по программе TextAnalyst 2.0. Экранная форма этой страницы показана на рисунке. Фрагмент соответствующего HTML – текста представлен ниже: <html> <head> --------------------------------- <meta name="KEYWORDS" content="Microsystems, TextAnalyst, text mining, knowledge discovery, textmining, e-commerce, classification, semantic analysis, neuro networks, natural linguistc, text processing, Микросистемы, анализ текстов, база знаний, документооборот, классификация, семантический анализ, нейронные сети, натуральные языки, текст процессор"> <meta name="GENERATOR" content="Microsoft FrontPage 4.0"> <meta name="ProgId" content="FrontPage.Editor.Document"> <title>Microsystems, Ltd</title> <link rel="stylesheet" type="text/css" href="style.css"> </head> ----------------------------------------------- <body topmargin="0" leftmargin="0"> <table border="0" cellspacing="0" cellpadding="0"> <tr> <td valign="top" width="239"><a href="/index.php?lang=eng"><img border="0" src="/images/top_logo.gif"></a></td> <td valign="top" align="left"> <table border="0" cellspacing="0" cellpadding="0"> <tr><td width="100%"><img border="0" src="/images/top_up.gif"> </td></tr> <tr> <td width="100%"> <table border="0" cellspacing="0" cellpadding="0" width="100%" bgcolor="#001395" height="23"> <tr><td width="100%"> ------------------------------------- </table> </td></tr> </table> <!-- end menu --> ---------------------------------------------- <!-- start menu here --> <table border="0" cellspacing="0" cellpadding="0" width="100%"> <tr> <td width="241" valign="top" align="left"> <table border="0" width="100%" cellspacing="0" cellpadding="0"> <tr><td width="100%"> <p>&nbsp;</p> <p align="center"> <img border="0" src="/images/10thyear_s.gif" width="210" height="52"> </p> </td></tr> <tr><td width="100%" valign="top" align="left"> <!-- left menu--> <table border="0" width="218"> <tr><td width="210" bgcolor="#DDDDDD" valign="top" align="left"> <p align="right"><b>Products</b></td> </tr> <tr onmouseout="this.style.backgroundColor='transparent'" onmouseover="this.style.backgroundColor='#6B8ADE'"> <td width="210" align="right"> <a href="/index.php?lang=eng&dir=content/products/&id=body&left= content/products/menu.txt " target="_self"> <span> TextAnalyst SDK</span></a> </td></tr> <tr><td width="210" align="right"> <p align="right"><img border="0" src="/images/bd14580_.gif" width="12" height="12"> TextAnalyst</p> </td></tr> <tr onmouseout="this.style.backgroundColor='transparent'" onmouseover="this.style.backgroundColor='#6B8ADE'"> <td width="210" align="right"> <a href="/index.php?lang=eng&dir=content/products/&id= tref&left=content/products/menu.txt " target="_self"> <span> Text Referent</span></a> </td></tr> <!-- end left menu--> ---------------------------------------- </table> <!-- end here --> </td> <!-- free space --> <td valign="top" align="left"> &nbsp;&nbsp;&nbsp;&nbsp; </td> <!-- end free space --> <td valign="top" align="left" width=100% > <!-- content started here --> <table border="0" cellspacing="6" cellpadding="0"> <tr> <td width="100%" valign="top" align="left"> <head> <meta name="DESCRIPTION" content="TextAnalyst - personal text mining system"> <meta name="KEYWORDS" content="TextAnalyst, personal, text mining"> <title>TextAnalyst</title> </head> <div align="left"> <table border="0" align="left" cellspacing="4" cellpadding="3"> <tr> <td valign="top" align="center" width="250"> <p align="center">&nbsp;</p> <p align="center"><a href="cgi-bin/stat/loadfile.pl?file=ta_rus"> <img border="0" src="images/downloads.gif"></a></p> <p align="center">Получите бесплатную версию TextAnalyst</p> <table border="0"> <tr><td width="100%" bgcolor="#008000"> <p align="center" class="menu"> <font color="#FFFFFF">Системные требования</font></td> </tr> <tr><td width="100%">Intel-based PC</td> </tr> <tr> <td width="100%">Windows 9X, NT, 2000, Me</td> </tr> <tr> <td width="100%" bgcolor="#C0C0C0"> <p align="center" class="menu"> <font color="#FFFFFF">Технические характеристики</font></td>/tr> <tr><td width="100%" valign="top" align="left"> <ul> <li>&nbsp;Средняя скорость анализа текста около 1Мбайт/мин (при использовании Pentium-II).</li> <li>Максимальный объем анализируемой подборки не ограничен и зависит от объема ресурсов компьютера и настройки TextAnalyst.</li> <li>Собственный объем TextAnalyst не превышает 5Мб.</li> <li>Форматы обрабатываемых файлов:</li> <li>*.txt (ANSI, DOS), *.rtf</li> <li>Экспорт информации в форматы: *.txt, *.csw (электронные таблицы).</li> </ul> </td></tr> </table> ----------------------------------- <h1 align="center"> <img border="0" src="../../images/octopus_shaden.gif" align="left" width="99" height="112">TextAnalyst 2.0&nbsp;</h1> <p align="center"><b>персональная система автоматического анализа текста&nbsp;</b></p> <p>TextAnalyst разработан в качестве инструмента для анализа содержания текстов, смыслового поиска информации, формирования электронных архивов, и предоставляет пользователю следующие основные возможности:&nbsp;</p> <ul> <li>анализа содержания текста с автоматическим формированием семантической сети с гиперссылками - получения смыслового портрета текста в терминах основных понятий и их смысловых связей;&nbsp;</li> <li>анализа содержания текста с автоматическим формированием тематического древа с гиперссылками - выявления семантической структуры текста в виде иерархии тем и подтем;&nbsp;</li> <li>смыслового поиска с учетом скрытых смысловых связей слов запроса со словами текста;&nbsp;</li> <li>автоматического реферирования текста - формирования его смыслового портрета в терминах наиболее информативных фраз;&nbsp;</li> <li>кластеризации информации - анализа распределения материала текстов по тематическим классам;</li> <li>автоматической индексации текста с преобразованием в гипертекст;&nbsp;</li> <li>ранжирования всех видов информации о семантике текста по «степени значимости» с возможностью варьирования детальности ее исследования;&nbsp;</li> <li>автоматического/автоматизированного формирования полнотекстовой базы знаний с гипертекстовой структурой и возможностями ассоциативного доступа к информации;&nbsp;</li> </ul> <p align="center"><b>Не пугайтесь обилия возможностей!</b></p> <p align="center"><i>Работа с TextAnalyst покажется Вам неожиданно простой и приятной, а его аналитические способности сэкономят массу полезного времени... </i></p></td> </tr> </table></div></td> </tr> </table> ---------------------------------- </body> </html> Сравнив приведенные экранную форму и HTML-текст, видим, что семантически значимыми элементами данного документа являются: - ключевые слова, относящиеся к данному документу: Microsystems, TextAnalyst, text mining, knowledge discovery, textmining, e-commerce, classification, semantic analysis, neuro networks, natural linguistc, text processing, Микросистемы, анализ текстов, база знаний, документооборот, классификация, семантический анализ, нейронные сети, натуральные языки, текст процессор (тег <META>); - все меню организованы в виде таблиц (тег <TABLE>), в ячейках которых (тег <TD>) расположены ссылки (тег <A href .>), с помощью которых можно перейти к другой интересующей информации. Например, можно получить информацию о продуктах данной компании, выбрав их название из левого меню. - текст описания возможностей программы TextAnalyst организован в виде списка (тег <li>). Т.о. можно видеть, семантически значимые характеристики документа могут быть разбросаны по разным частям документа или по разным документам. Это сильно затрудняет семантический анализ Интернет – документов. Решение этой проблемы в настоящее время связано с использованием двух подходов. Первый подход предполагает, что семантическая разметка документа выполняется вручную его автором на основе специальных метатегов, а второй подход связан с автоматическим или полуавтоматическим преобразованием исходного текста в специальное семантическое представление. Целесообразно конвертировать HTML-тест в более удобную форму представления для дальнейшей обработки. TextAnalyst 2.0 – персональная система автоматического анализа текста TextAnalyst разработан в качестве инструмента для анализа содержания текстов, смыслового поиска информации, формирования электронных архивов, и предоставляет пользователю следующие основные возможности: § анализ содержания текста с автоматическим формированием семантической сети с гиперссылками - получение смыслового портрета текста в терминах основных понятий и их смысловых связей; § анализ содержания текста с автоматическим формированием тематического древа с гиперссылками - выявление семантической структуры текста в виде иерархии тем и подтем; § смысловой поиск с учетом скрытых смысловых связей слов запроса со словами текста; § автоматическое реферирование текста - формирование его смыслового портрета в терминах наиболее информативных фраз; § кластеризация информации - анализ распределения материала текстов по тематическим классам; § автоматическая индексация текста с преобразованием в гипертекст; § ранжирование всех видов информации о семантике текста по «степени значимости» с возможностью варьирования детальности ее исследования; § автоматическое/автоматизированное формирование полнотекстовой базы знаний с гипертекстовой структурой и возможностями ассоциативного доступа к информации. Рассмотрим на нашем примере работу этой программы. После запуска TextAnalyst, необходимо открыть текстовый файл, в котором расположен HTML-документ нашего примера. Программа выполняет анализ предложенного текста и выдает результаты (см. рисунок) Изучив предложенный текст, TextAnalyst формирует сеть наиболее значимых понятий, содержащихся в данном тексте. В такую включены те термины текста, которые несут основную смысловую нагрузку. Т.о. сеть позволяет отбросить несущественную информацию и представить содержание текста в сжатом виде. Каждое понятие, появляющееся множество раз в различных частях текста, в сети представлено единственным узлом. Различные формы слов для отображения в один узел сети представляются к общей грамматической форме. Каждый элемент сети характеризуется числовой оценкой – смысловым весом. Связи между понятиями также характеризуются весами. Значение смыслового веса (от 1 до 100) показывает, насколько важную роль играет понятие для смысла всего текста, т.е. как много информации в тексте касается данного понятия. Максимальное значение, равное 100, говорит о том, что понятие является ключевым и представляет важнейшую тему текста. Маленькое, близкое к единице значение показывает, что соответствующая тема лишь вскользь упомянута в тексте и в нем очень мало информации, относящейся к данному понятию. Второе число, стоящее перед смысловым весом, ближе к раскрытому узлу, представляет вес связи от понятия в вершине раскрытого списка к данному. Большое значение веса связи (близкое к 100) указывает на то, что подавляющая часть информации в тексте, касающаяся первого, касается в то же время и второго понятия. Малое (близкое к 1) значение означает, что первое понятие слабо связано со вторым и очень мало информации по первой теме касается в тоже время и второй. По умолчанию на экране отображаются понятия с весом не менее 5. Вид сети на экране можно настраивать, изменяя количество отображаемых понятий и связей, а также способ их сортировки. TextAnalyst предоставляет услугу автоматического реферирования. Формируемый реферат содержит список наиболее информативных предложений текста. Это позволяет быстро ознакомиться с содержанием текста. Подробность реферата можно настраивать, изменяя количество формирующих его предложений. Каждое предложение характеризуется относительной степенью значимости во всем тексте. В нашем примере реферат выглядит таким образом: 98 анализа содержания текста с автоматическим формированием семантической сети с гиперссылками - получения смыслового портрета текста в терминах основных понятий и их смысловых связей; 98 </li> <li>анализа содержания текста с автоматическим формированием тематического древа с гиперссылками - выявления семантической структуры текста в виде иерархии тем и подтем; Цифры показывают степень значимости предложений в тексте. Значение веса, близкое к 100, означает, что данное предложение представляет важнейшую информацию, касающуюся главных понятий текста. Эти понятия в реферате выделяются цветом. По умолчанию на экране отображаются предложения реферата с весами не менее 90. Для рассматриваемого выше примераHTML-текста описания страницы Analyst.ru фрагменты семантической сети выглядят следующим образом: Принцип работы HTML-конвертора Рассмотрим в качестве примера следующее подмножество HTML-языка, которое может быть задано следующими определениями: HTML-text :: = <HTML> HEAD BODY </HTML> HEAD :: = TITLE{HEAD}| META{HEAD}| LINK{HEAD}. TITLE :: = <TITLE> строка </TITLE> META :: = <META name="KEYWORDS" content="строка"> KEYWORDS :: = . BODY :: = <BODY> HTML-BODY </BODY> HTML-BODY :: = PARAGRAPH{HTML-BODY} | TABLE {HTML-BODY} | LIST{HTML-BODY} | ANCHOR{HTML-BODY} | . PARAGRAPH :: = <P> текст </P> TABLE :: = <TABLE> TABLE-CELLS </TABLE>

TABLE-CELLS :: = STROKA{TABLE-CELLS} | .

STROKA :: = <TR> CELL </TR> CELL :: = <TD> текст </TD> LIST :: = <UL> LIST-ATOM </UL> LIST-ATOM :: = . ANCHOR :: = <A HREF=LINK> TEXT </A> TEXT :: = . LINK: = . Синтаксическая диаграмма, соответствующая этим правилам выглядит следующим образом: С теоретической точки зрения HTML – это простой язык программирования с контекстно-свободной грамматикой. Для анализа HTML-текстов можно использовать нисходящие распознаватели, реализуемые на базе метода рекурсивного спуска. Рассмотрим продукционно-фреймовый формализм представления знаний и разработку на его основе интеллектуальный HTML-конвертор. Для начала необходимо задать регулярное отображение каждого правила спецификации HTML-конструкций в соответствующий объект базы знаний на уровне фрейма-прототипа. Система таких прототипов даст нам описание языка, а множество фреймов-экземпляров – спецификацию конкретных и синтаксически правильных HTML-текстов. Основные правила такого отображения таковы: - каждому концепту из левой части BNF-определения ставим в соответствие имя фрейма-прототипа; - альтернативам из правой части BNF-определения при этом должны соответствовать имена слотов этого фрейма; - для концептов-нетерминалов соответствующий слот должен иметь тип frame; - для концептов-терминалов соответствующие слоты будут, как правило, иметь тип numb или string; - рекурсия в BNF-определениях заменяется итерацией, а соответствующие слоты становятся множественными. После применения данных правил к BNF-определениям языка HTML получим следующее множество фреймов-прототипов: [html is_aprototype, if_added HTML(); HEADframe, restr_by head; BODYframe, restr_by body ]; [head is_aprototype, if_added HEAD(); BODY{frame}, restr_by one_of {title, meta, .}]; [title is_aprototype, if_added TITLE(); BODYstring ]; [meta is_aprototype, if_added META(); BODYstring ]; ........ [body is_aprototype, if_added BODY(); SENT{frame}, restr_by one_of {header, paragraph, table, .}]; [paragraph is_aprototype, if_added PARAGRAPH(); [LIST is_aprototype; ATOM{frame}, if_added LI() ]; BODYframe, restr_by text]; [table is_aprototype; if_added TABLE(); TAB{frame}, restr_by one_of {stroka,.};] [stroka is_aprototype, if_added TR(); CELLS{frame}, restr_by one_of{cell,.}]; [cell is_aprototype, if_added TD();]; ........ [anchor is_aprototype; BODYframe, restr_by text]; ........ [link is_aprototype; URLframe, restr_by one_of {http,ftp,.}]; MAILframe, restr_by mail]; [url is_alink; without_slot MAIL]; [http is_aurl, if_added HTTP(); SERVERstring; DIR{string}; FILEstring]; [ftp is_aurl, if_added FTP(); SERVERstring; DIR{string}; FILEstring]; .......... В соответствии с приведенными фреймами-прототипами и синтаксическими диаграммами, можно специфицировать процедурную часть конвертора как систему демонов, присоединенных к фреймам или к их слотам. Спецификация одного из таких демонов представлена ниже на языке Java: public class HTML extends FramePrototype { HEAD head=null; BODY body-null; ..... String keyword; Public void HTML (String name) { Super (name); keyword=getToken(); if (keyword.compareTo (“<HTML>”) = =0 { head = new HEAD (getNewName()); body = new BODY (getNewName()); }; keyword = getToken (); if (keyword.compareTo (“</HTML>”)= =0) return; } ....... Public void (String nam) { Super (name); Keword=getToken(); If (keyword compareTo (“<BODY>”) = = 0 { paragraph = new PARAGRAPH (getNewName()); header = new HEADER (getNewName()); table = new TABLE (getNewName()); }; keyword = getToken (); if (keyword compareTo (“</BODY>”) = = 0) return; } ............ } По существу, такой демон является конструктором класса HTML, а запуск конвертора осуществляется с помощью оператора создания нового объекта этого класса: HTML currPage = new HTML (get_new_name()); При этом будут рекурсивно вызываться конструкторы других классов (на верхнем уровне это HEAD, BODY), что, в конечном счете, приведет к построению множества фреймов-экземпляров, представляющих анализируемую HTML-страницу. Получение полезной в дальнейшем базы знаний предполагает дальнейшую семантическую интерпретацию фреймового представления и построение в конечном счете семантической сети, отражающей смысл исходного Интернет – документа. Список использованных источников: 1) Т.А. Гаврилова, В.Ф. Хорошевский «Базы знаний интеллектуальных систем», учебник, Санкт-Петербург, «Питер», 2001 2) www.citforum.ru 3) www.bur.oivta.ru 4) www.analyst.ru