互联网作为一个信息交流平台,其中蕴含了大量人物信息。如何有效地从海量异构网页中抽取人物相关信息是自然语言处理领域的一个重要研究内容。针对异构Web中人物信息杂乱、重名现象和人物属性难以抽取的问题,本文提出了三种异构Web信息中人物分析的方法。首先,提出了一种基于网页视觉块划分技术的人物相关文本抽取算法。该算法采用视觉块划分技术对网页进行视觉分块,并结合视觉块的主题、文本和结构特征,使用GBDT算法实现了视觉块的分类,从而抽取人物相关视觉块中的文本信息。实验结果表明,使用视觉块划分技术并结合GBDT的人物相关文本抽取算法的F1值达到了86%。其次,提出了一种基于DPMM的人名消歧算法。该算法使用网页的词频统计向量作为输入,避免数据稀疏对算法聚类效果的影响,并能够根据网页文本的词频统计特征自动确定类别个数,同时也提出了一种基于命名实体权重增加策略来提高算法的准确度。在百度搜索引擎检索人名返回的网页集上实验,平均F1值达到了84%。再次,提出了一种基于注意力机制和Bi-LSTM的人物属性抽取算法,并将人物属性抽取转化为实体关系抽取问题。该算法使用Bi-LSTM学习句子语义特征。为了区分不同类型实体对的不同关系,提取了实体对的位置和类型特征,并结合注意力机制实现人物属性抽取。实验结果表明,该算法的召回率和F1值都达到了97%。最后,基于本文的研究成果,设计并实现了一个面向互联网的人物分析原型系统。该系统能够采集从不同搜索引擎查询人名返回的网页数据,并实现人名消歧以及人物属性抽取功能。系统测试结果表明,该系统在异构网页人物信息抽取中具有较高的准确度和稳定性。