互聯(lián)網(wǎng)表格數(shù)據(jù)的語義恢復.pdf

1、互聯(lián)網(wǎng)上數(shù)據(jù)急速膨脹的今天，越來越多基于海量數(shù)據(jù)的服務涌現(xiàn)出來，表格數(shù)據(jù)因其良好的結構化特性和豐富的語義信息日益受到人們的重視。但是，互聯(lián)網(wǎng)上表格數(shù)據(jù)的不確定性、不規(guī)范性和異構性，使得計算機很難能夠直接理解表格數(shù)據(jù)本身包含的語義信息，導致大量有意義的表格數(shù)據(jù)無法被人們利用。因此，研究如何盡可能恢復互聯(lián)網(wǎng)表格數(shù)據(jù)的語義信息以便于計算機理解具有重要意義。
　　目前，國內外對于語義恢復的研究還處于起步階段，現(xiàn)有算法僅針對表格的列標簽恢復

2、和單個類主鍵的檢測，對于包含多個類主鍵的表格采取丟棄的策略，也無法檢測表格數(shù)據(jù)之間的參照關系。然而，這些被丟棄的表格往往包含了更加豐富的語義信息，如果能夠發(fā)現(xiàn)互聯(lián)網(wǎng)表格數(shù)據(jù)之間的參照關系，可以對表格的檢索結果產(chǎn)生很大幫助。本文針對互聯(lián)網(wǎng)表格數(shù)據(jù)的語義恢復問題展開研究，主要工作如下:
　　(1)對現(xiàn)有列標簽恢復算法進行改進，綜合考慮概念-實體之間的后驗概率以及概念的重要性，以便過濾掉對表格不重要的一些概念，能夠在一定程度上提高列標簽

3、恢復的精度。
　　(2)改進現(xiàn)有的類主鍵檢測算法，提出可能度的概念，綜合考慮概念-屬性之間的后驗概率和概念作為該列列標簽的可能性，按照可能度大小為候選列標簽排序，提高類主鍵檢測的準確度。
　?。?)針對包含多個類主鍵的聯(lián)系表，我們首先計算表格之間的語義相似度，將語義相似度作為二部圖的邊權值，接著利用加權二部圖進行資源分配，為聯(lián)系表推薦符合語義的實體表的類主鍵集合作為類外鍵，從而檢測出互聯(lián)網(wǎng)表格數(shù)據(jù)之間參照關系。
　　實