基于本體的DeepWeb數(shù)據(jù)集成方法研究.pdf

1、隨著Web信息的激增，越來(lái)越多的信息開(kāi)始由靜態(tài)網(wǎng)頁(yè)存儲(chǔ)的方式向Web服務(wù)器維護(hù)的數(shù)據(jù)庫(kù)即DeepWeb轉(zhuǎn)移。與SurfaceWeb相比，DeepWeb包含的信息具有數(shù)量大、質(zhì)量高、增長(zhǎng)快等特征。近年來(lái)，對(duì)DeepWeb的研究已成為Web搜索領(lǐng)域的熱點(diǎn)。
　　DeepWeb數(shù)據(jù)集成研究的目的是實(shí)現(xiàn)對(duì)各領(lǐng)域DeepWeb信息的搜索，DeepWeb數(shù)據(jù)源發(fā)現(xiàn)和查詢結(jié)果頁(yè)面的數(shù)據(jù)提取是該研究的兩個(gè)關(guān)鍵點(diǎn)。有學(xué)者提出了基于本體的數(shù)據(jù)源發(fā)現(xiàn)框

2、架和數(shù)據(jù)提取算法，目前主流的DeepWeb數(shù)據(jù)源發(fā)現(xiàn)框架中，本體不能自動(dòng)擴(kuò)展，框架缺乏自適應(yīng)性；運(yùn)用目前的DeepWeb數(shù)據(jù)提取算法對(duì)查詢結(jié)果頁(yè)面進(jìn)行數(shù)據(jù)提取，存在查全率和查準(zhǔn)率較低的問(wèn)題。
　　針對(duì)上述問(wèn)題，本課題在DeepWeb數(shù)據(jù)源發(fā)現(xiàn)框架中引入了本體的自動(dòng)擴(kuò)展，增加框架的自適應(yīng)性；采用索引相似度相結(jié)合的算法，提高對(duì)查詢結(jié)果頁(yè)面進(jìn)行數(shù)據(jù)提取的查全查準(zhǔn)率。本文的研究工作包括以下幾個(gè)方面：
　　1.研究基于本體的DeepW

3、eb數(shù)據(jù)源發(fā)現(xiàn)，采用網(wǎng)頁(yè)分類、表單內(nèi)容分類和表單結(jié)構(gòu)分類來(lái)確定符合某領(lǐng)域的DeepWeb查詢接口，在網(wǎng)頁(yè)分類和表單內(nèi)容分類中增加本體的半自動(dòng)構(gòu)建和自動(dòng)擴(kuò)展模塊。在數(shù)據(jù)源發(fā)現(xiàn)的過(guò)程中，以領(lǐng)域?qū)＜覙?gòu)建的核心本體為基礎(chǔ)，通過(guò)提取網(wǎng)頁(yè)中與本體相似度較高詞匯作為預(yù)擴(kuò)展詞匯，再結(jié)合本體擴(kuò)展策略對(duì)核心本體進(jìn)行擴(kuò)展。
　　2.研究DeepWeb對(duì)查詢結(jié)果頁(yè)面的數(shù)據(jù)提取，提出了索引相似度相結(jié)合的數(shù)據(jù)抽取算法。通過(guò)記錄查詢結(jié)果頁(yè)面中含有關(guān)鍵字的索引，