面向網(wǎng)頁文本的地理信息要素提取與空間定位方法研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)與計(jì)算機(jī)技術(shù)的飛速發(fā)展，網(wǎng)絡(luò)信息中涉及的地理信息內(nèi)容越來越多，并逐漸呈現(xiàn)出一種指數(shù)爆炸增長趨勢，成為地理信息獲取與更新的重要的途徑?；ヂ?lián)網(wǎng)信息中的地理信息與其他網(wǎng)頁內(nèi)容一樣，以文本的形式存在，非結(jié)構(gòu)性化特征使這些信息不容易被機(jī)器自動識別提取出來，無法作為GIS重要數(shù)據(jù)源進(jìn)行進(jìn)一步的統(tǒng)計(jì)和分析，同時海量互聯(lián)網(wǎng)網(wǎng)頁文本中也不乏存在一些泄露國家機(jī)密、危害國家安全的地理信息數(shù)據(jù)，互聯(lián)網(wǎng)中存在的海量地理信息要素?cái)?shù)據(jù)亟需被自動提取出來

2、并轉(zhuǎn)換為具有地理坐標(biāo)的空間數(shù)據(jù)進(jìn)行分析。
　　對網(wǎng)頁文本的地理信息要素提取與地理信息空間定位是解決這些問題的有效方法。網(wǎng)頁地理信息要素提取是將網(wǎng)絡(luò)爬蟲所獲取的文本進(jìn)行語義分析處理，并將其中所包含的地名地址與地理實(shí)體有效提取。地理信息要素空間定位則是對提取出的要素通過相似度計(jì)算、標(biāo)準(zhǔn)化、地理信息要素匹配處理等方法賦予空間坐標(biāo)，以便GIS分析工具并進(jìn)行分析處理。針對網(wǎng)頁文本中地理信息的識別提取與空間定位問題，研究結(jié)果主要包括以下幾個方

3、面:
　　(1)網(wǎng)頁文本中地理信息要素提取方法。在國內(nèi)外研究現(xiàn)狀基礎(chǔ)上，利用隱馬爾可夫模型機(jī)器學(xué)習(xí)的方法對網(wǎng)頁文本數(shù)據(jù)進(jìn)行詞性標(biāo)注預(yù)處理。通過地名地址前后綴特征詞識別窗口提取候選地名地址，根據(jù)制定的規(guī)則對候選地名地址進(jìn)行匹配過濾，提取地名地址;通過HMM詞性標(biāo)注與詞性識別窗口相結(jié)合提取候選地理實(shí)體，根據(jù)地理實(shí)體的驗(yàn)證規(guī)則進(jìn)行過濾，提取地理實(shí)體。最后利用網(wǎng)頁文本數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。
　　(2)提出地名地址與地理實(shí)體空間定位策略。

4、地名地址在空間定位之前，首先根據(jù)地名地址標(biāo)準(zhǔn)結(jié)構(gòu)體進(jìn)行標(biāo)準(zhǔn)化處理，并且根據(jù)地名地址的前后文信息確定其的大體區(qū)域范圍，然后通過與定位參考庫中的地名地址進(jìn)行匹配比對，匹配成功的確定空間地理坐標(biāo)，匹配失敗無法確定位置的按空間定位模糊策略進(jìn)行處理。地理實(shí)體空間定位采用實(shí)體名稱相似度計(jì)算的方法，取與地理實(shí)體庫中相似度最高的地理實(shí)體空間坐標(biāo)作為待定位實(shí)體坐標(biāo)，如果相似度均不在設(shè)定閾值范圍，則無法對待定位地理實(shí)體進(jìn)行定位。
　　(3)根據(jù)文中地