基于本體的旅游領(lǐng)域Web信息抽取.pdf

1、隨著Internet和Web技術(shù)的發(fā)展，WWW已經(jīng)成為一個巨大的信息資源庫，然而使用傳統(tǒng)的搜索引擎，用戶要精確地找到所需信息往往十分困難。Web信息抽取技術(shù)正是在這樣的背景下出現(xiàn)的。目前，關(guān)于Web信息抽取方面的研究有很多。Web信息抽取的方法主要有基于自然語言處理的、基于包裝器歸納的、基于HTML結(jié)構(gòu)的和基于本體的。基于本體的信息抽取方法主要是利用了對數(shù)據(jù)本身的描述信息，對網(wǎng)頁的依賴少，而且本體可提供機器可識別的領(lǐng)域概念知識及其關(guān)系，

2、具有簡單的推理能力。此外，在信息抽取中使用本體有許多優(yōu)點。首先，本體提供了一個豐富的、預定義的詞匯庫，可作為與數(shù)據(jù)源的穩(wěn)定的概念接口，并且獨立于數(shù)據(jù)模式。第二，本體表示的知識足夠支持所有相關(guān)信息源的轉(zhuǎn)換。第三，本體支持一致的管理和非一致數(shù)據(jù)的識別等。 由上述的分析并結(jié)合項目實際的需要，本文提出了一種基于本體的旅游領(lǐng)域Web信息抽取方法，并設計實現(xiàn)了一個廣西旅游信息抽取原型系統(tǒng)。本文主要工作和創(chuàng)新點：(1) 分析比較了幾類主要的本

3、體構(gòu)建的方法。綜合各方面，本文采用Mike Uschold & Micheal Gruninger提出的方法構(gòu)建旅游領(lǐng)域本體。在構(gòu)建過程中，本文分析研究了本體概念之間的關(guān)系、概念的層次結(jié)構(gòu)、概念的等價性、屬性約束以及實例的等價性。(2) 介紹了Pellet推理機，闡述了SHOIQ(D)-Tableaux推理算法，研究利用該推理算法對旅游領(lǐng)域本體的推理，包括本體一致性檢測、概念的包含關(guān)系檢測、概念的可滿足性檢測、屬性約束以及實例檢測。最后

4、闡述了利用Jena對本體的解析，分析出本體的概念、關(guān)鍵詞、關(guān)系和實例等信息，存入數(shù)據(jù)庫。(3) 在本體推理解析的基礎上，首先根據(jù)網(wǎng)頁轉(zhuǎn)換為DOM樹結(jié)構(gòu)，闡述了利用旅游本體關(guān)鍵詞定位頁面正文進行頁面正文提取的算法。接著闡述利用ICTCLAS分詞工具和旅游領(lǐng)域詞匯相結(jié)合進行的中文分詞處理，停用詞過濾的分析。最后闡述了抽取規(guī)則。在抽取規(guī)則的構(gòu)建中，我們利用了屬性的語義特點和三元組相結(jié)合的方法。最后，根據(jù)研究的關(guān)鍵技術(shù)，本文實現(xiàn)了一個廣西旅游信