基于視覺信息與DOM樹的Deep Web數(shù)據(jù)獲取方法研究.pdf

1、近年來,隨著互聯(lián)網(wǎng)信息的迅速膨脹,數(shù)據(jù)的商業(yè)價值不斷地被挖掘出來,以提供增值服務(wù),例如評論分析、元搜索、比較購物、大數(shù)據(jù)應(yīng)用等,這些都是建立在Deep Web數(shù)據(jù)獲取與數(shù)據(jù)集成基礎(chǔ)之上。隨著越來越多與領(lǐng)域相關(guān)且具有高質(zhì)量信息的后臺數(shù)據(jù)庫的涌現(xiàn),Deep Web數(shù)據(jù)獲取與集成依然是個比較熱門的研究方向。
　　本研究主要內(nèi)容包括：⑴考慮到Deep Web查詢接口具有多屬性以及存在top-k問題,首先構(gòu)建了數(shù)據(jù)空間樹模型,并利用啟發(fā)式信

2、息對空間樹進行剪枝。其次,提出了綜合查詢接口中文本域值的動態(tài)選擇策略。最后,通過實驗驗證了本文方案能夠有效地提高數(shù)據(jù)提取效率。⑵為了自動定位頁面主數(shù)據(jù)區(qū)域,給出了一組啟發(fā)式特征以及特征的量化方法,提出了基于特征值線性加權(quán)的方法進行主數(shù)據(jù)區(qū)域挖掘。⑶針對列表頁數(shù)據(jù)記錄抽取問題,利用頁面的視覺信息與 DOM標(biāo)簽樹信息計算視覺塊的相似度,提出了抽取數(shù)據(jù)記錄的block-regrouping算法,并通過實驗驗證了該方法的有效性。⑷為了縮短具有相