Web實(shí)體間關(guān)系發(fā)現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)技術(shù)飛躍性的發(fā)展，Web上的網(wǎng)站數(shù)量和網(wǎng)頁(yè)數(shù)量正以指數(shù)級(jí)的速度快速增長(zhǎng)。Web已經(jīng)成為一個(gè)擁有海量數(shù)據(jù)，數(shù)據(jù)類型多樣，數(shù)據(jù)結(jié)構(gòu)各異巨大的數(shù)據(jù)源。Web數(shù)據(jù)集成系統(tǒng)通過(guò)有效整合來(lái)自不同Web數(shù)據(jù)源的數(shù)據(jù)，為諸如市場(chǎng)情報(bào)分析、輿情分析、商業(yè)智能等分析應(yīng)用提供重要的高質(zhì)量的數(shù)據(jù)支撐?，F(xiàn)有的Web數(shù)據(jù)集成系統(tǒng)中，僅僅包含了Web實(shí)體的基本信息，而實(shí)體間的豐富的關(guān)聯(lián)信息沒(méi)有被充分的挖掘。實(shí)體之間豐富的關(guān)聯(lián)信息，和準(zhǔn)確的標(biāo)記，能夠更加完善

2、的描述實(shí)體間的相互關(guān)系，對(duì)搜索引擎、智能問(wèn)答、市場(chǎng)情報(bào)分析等系統(tǒng)提供數(shù)據(jù)支持，使搜索引擎返回的檢索數(shù)據(jù)更加精準(zhǔn)，豐富智能問(wèn)答和市場(chǎng)情報(bào)分析等系統(tǒng)的知識(shí)庫(kù)，幫助完善分析和推理的各種結(jié)果。然而，目前Web數(shù)據(jù)集成系統(tǒng)采集的數(shù)據(jù)主要來(lái)源于數(shù)據(jù)量大、質(zhì)量相對(duì)較高的Deep Web站點(diǎn)，并將它們整合成具有統(tǒng)一模式的結(jié)構(gòu)化數(shù)據(jù)。在海量的Web數(shù)據(jù)背景下，Web數(shù)據(jù)集成系統(tǒng)所提供的數(shù)據(jù)存在以下局限性:
　　1.Web數(shù)據(jù)集成系統(tǒng)中的實(shí)體之間關(guān)聯(lián)

3、信息缺乏，Web數(shù)據(jù)集成系統(tǒng)的數(shù)據(jù)采集于有限的數(shù)據(jù)源，而且這些數(shù)據(jù)源大多數(shù)都是結(jié)構(gòu)化數(shù)據(jù)源，使得僅僅通過(guò)數(shù)據(jù)集成系統(tǒng)很難挖掘出來(lái)Web實(shí)體間有意義的關(guān)聯(lián)信息。
　　2.對(duì)于已發(fā)現(xiàn)的實(shí)體間的關(guān)系，現(xiàn)有的關(guān)系標(biāo)記方法往往利用復(fù)雜的方法，計(jì)算量大，對(duì)于一些實(shí)時(shí)系統(tǒng)而言是無(wú)法接受的，進(jìn)行準(zhǔn)確和高效的關(guān)系標(biāo)記也成為Web數(shù)據(jù)集成系統(tǒng)中完善實(shí)體間信息的一個(gè)重要問(wèn)題。
　　本文以挖掘Web數(shù)據(jù)集成系統(tǒng)中實(shí)體關(guān)系信息、提供實(shí)體全面而豐富的信

4、息為目標(biāo)，針對(duì)Web數(shù)據(jù)集成系統(tǒng)中實(shí)體關(guān)系發(fā)現(xiàn)以及實(shí)體關(guān)系標(biāo)注問(wèn)題展開(kāi)研究，主要貢獻(xiàn)如下:
　　1.本文提出一種基于聚類和向量屬性消減的實(shí)體語(yǔ)義關(guān)系發(fā)現(xiàn)算法。該方法在保證語(yǔ)義關(guān)系發(fā)現(xiàn)準(zhǔn)確率的前提下，發(fā)現(xiàn)實(shí)體間同時(shí)存在的多重關(guān)系。
　　該方法使用搜索引擎獲得到的外部文檔以及Web數(shù)據(jù)集成系統(tǒng)中實(shí)體信息，為實(shí)體間關(guān)系構(gòu)造特征向量，通過(guò)一次聚類過(guò)程以及一次向量屬性消減過(guò)程，發(fā)現(xiàn)實(shí)體間的關(guān)系，在向量屬性消減過(guò)程中，該方法發(fā)現(xiàn)實(shí)體間的

5、多重語(yǔ)義關(guān)系。
　　2.本文提出一種基于集成學(xué)習(xí)對(duì)實(shí)體關(guān)系進(jìn)行標(biāo)記的方法。該方法通過(guò)提高Web數(shù)據(jù)集成系統(tǒng)中兩實(shí)體關(guān)系相似性判定的準(zhǔn)確率，來(lái)對(duì)實(shí)體關(guān)系進(jìn)行標(biāo)注。同時(shí)，該方法減小了相似性計(jì)算的花費(fèi)，對(duì)實(shí)體顯式關(guān)系進(jìn)行標(biāo)注。
　　該方法將四種實(shí)體關(guān)系相似性判定方法使用集成學(xué)習(xí)的方法進(jìn)行集成，特別的對(duì)于SVM方法，該方法對(duì)其在計(jì)算方面進(jìn)行優(yōu)化，使得不用為每個(gè)實(shí)體對(duì)之間的關(guān)系訓(xùn)練一個(gè)特殊的SVM，而是選取Web數(shù)據(jù)集成系統(tǒng)中用戶最為

6、關(guān)注的多個(gè)關(guān)系作為候選，在這些關(guān)系中對(duì)實(shí)體關(guān)系進(jìn)行匹配，進(jìn)而計(jì)算實(shí)體關(guān)系間的相似性。通過(guò)實(shí)體關(guān)系之間的相似性，對(duì)實(shí)體關(guān)系進(jìn)行標(biāo)記。實(shí)驗(yàn)結(jié)果表明，該方法提高了實(shí)體關(guān)系間的相似性判定準(zhǔn)確率，進(jìn)而提高了關(guān)系標(biāo)注的準(zhǔn)確率，同時(shí)能夠很好地降低相似性判定的計(jì)算花費(fèi)。
　　3.本文提出了一種基于兩階段聚類的實(shí)體隱式關(guān)系挖掘算法。該算法使用搜索引擎返回的結(jié)果文檔，挖掘并標(biāo)記Web數(shù)據(jù)集成系統(tǒng)中相關(guān)實(shí)體之間的語(yǔ)義關(guān)系。
　　該方法使用大量的外