政产学研合作,作为当下提升我国中小型企业高新技术创新能力的重要内容,在推进过程中却面临人才引进的困难。其中,政府单位与学术圈的脱节、科研机构与企业的信息不对称是造成这一问题的主要原因。互联网中的专家主页信息,可以帮助用户了解专家,为引进工作提供支持。但专家主页也存在着站点分布分散、文本表述不清晰等问题,需要整合相关主页资源并从中抽取有效信息,为用户提供统一、便捷、准确的专家信息查阅方案。为实现上述目标,本文设计并实现了基于Web信息抽取技术的专家主页信息抽取系统。系统实质为专家信息平台的子模块,完成平台中专家画像的构建。其中,专家画像定义为包含专家总体概况、研究方向等信息的可视化页面,由本文抽取的文本组合而成。本论文的主要工作内容如下:(1)系统以整个平台给出的专家名单为目标,从网络查询结果中自动化识别出主页站点,并结合HTML结构、中英文语法完成网页正文定位、筛选、规范化处理,实现数据采集工作。(2)数据的预处理包括构建语料库、标注数据集、选择特征向量等步骤。系统以文本解析、规则匹配给出的结果,实现自动化标注方案。考虑字段的文本语义以及所在语境结构,引入Word2Vec、TF-IDF、POS、NER等指标完成特征向量的选取。(3)针对主页信息的抽取,本文提出以词性圈定候选字段,并通过SVM、GBDT等分类模型输出字段标签的方案。为了提高信息抽取的整体效果,通过设定不同模型参数、训练集采样等方式,实现多组模型加权投票融合。(4)抽取得到的信息需要整合后,才能填充至对应的专家画像中。以字段在原始语境中的位置、输出标签等参数,提出了信息整合算法。本文对专家画像中各类信息的组成元素、摆放位置做出了规定,并通过统一的页面设计与结构化数据实现可视化展示。