基于本體的Web頁(yè)面結(jié)構(gòu)化信息抽取.pdf

1、隨著互聯(lián)網(wǎng)的不斷發(fā)展，Web上積累了大量的有用數(shù)據(jù)，從Web上抽取和集成信息逐漸成為研究熱點(diǎn)。Web頁(yè)面上的信息經(jīng)常以HTML的形式表現(xiàn)出來(lái)，但是HTML顯示的數(shù)據(jù)缺少嚴(yán)格的標(biāo)準(zhǔn)限制，顯示的數(shù)據(jù)沒(méi)有一定的結(jié)構(gòu)和模式，計(jì)算機(jī)難于解析其語(yǔ)義。因此，從Web頁(yè)面上抽取信息并集成到一起是一項(xiàng)必要的工作。信息以統(tǒng)一的形式集成在一起的好處是方便對(duì)數(shù)據(jù)做自動(dòng)化處理，方便檢查和比較。信息抽取技術(shù)并不試圖全面理解整篇文檔，只是對(duì)文檔中包含相關(guān)信息的部分進(jìn)

2、行分析。
　　結(jié)合電子商務(wù)等知識(shí)密集型Web站點(diǎn)的數(shù)據(jù)特征，本文提出了一種基于本體的Web頁(yè)面結(jié)構(gòu)化信息抽取模型。主要有以下幾個(gè)方面的工作：
　　（1）比較了信息抽取與信息檢索的異同，介紹了信息抽取的工作原理、主要任務(wù)和評(píng)價(jià)指標(biāo)，分析了當(dāng)前信息抽取系統(tǒng)的技術(shù)特點(diǎn)和存在的問(wèn)題；
　?。?）介紹了本體相關(guān)的基礎(chǔ)知識(shí)，討論了在信息抽取中使用本體的優(yōu)勢(shì)，給出了基于本體的信息抽取常見(jiàn)的模型結(jié)構(gòu)。在抽取系統(tǒng)中使用本體技術(shù)，能夠消除

3、語(yǔ)義異構(gòu)現(xiàn)象，本體可作為數(shù)據(jù)源的穩(wěn)定的概念接口，獨(dú)立于數(shù)據(jù)模式；
　　（3）引入PAT樹(shù)技術(shù)，構(gòu)造樣本頁(yè)面的PAT樹(shù)結(jié)構(gòu)，從中提取Web頁(yè)面的數(shù)據(jù)模式。PAT樹(shù)是一種改進(jìn)了的“后綴樹(shù)”，用來(lái)存儲(chǔ)源字符串的所有可能后綴子串。同時(shí)，在模式提取階段，提出了模式篩選的三個(gè)原則：正規(guī)性、緊湊性和分布性；
　　（4）結(jié)合本體學(xué)習(xí)的方法和Protégé工具，構(gòu)造了一個(gè)簡(jiǎn)單的圖書領(lǐng)域本體，最后轉(zhuǎn)化成OWL文件，用本體描述語(yǔ)言O(shè)WL形式化地描

4、述該領(lǐng)域本體；
　?。?）給出了一個(gè)規(guī)則生成算法，該算法能夠借助領(lǐng)域本體生成抽取規(guī)則，指導(dǎo)具體的抽取動(dòng)作。抽取規(guī)則可以從領(lǐng)域本體中歸納學(xué)習(xí)出來(lái)，并且監(jiān)督領(lǐng)域本體的構(gòu)造過(guò)程；同時(shí)領(lǐng)域本體又可以用來(lái)指導(dǎo)規(guī)范抽取規(guī)則，排除無(wú)效規(guī)則。規(guī)則庫(kù)和領(lǐng)域本體兩者相互學(xué)習(xí)，相互影響。
　?。?）以“中國(guó)圖書網(wǎng)”上的Web頁(yè)面為實(shí)驗(yàn)對(duì)象，應(yīng)用規(guī)則生成算法生成的抽取規(guī)則抽取結(jié)構(gòu)化信息保存到數(shù)據(jù)庫(kù)中，對(duì)模型進(jìn)行測(cè)試和分析。實(shí)驗(yàn)結(jié)果表明該模型在查全率