基于語(yǔ)義的Web信息抽取方法的研究與應(yīng)用.pdf

1、萬(wàn)維網(wǎng)是世界上最大的公共信息知識(shí)庫(kù)之一，包含了海量的信息。如何高效地從大量網(wǎng)頁(yè)中抽取出用戶期望的信息，是信息工程領(lǐng)域的研究重點(diǎn)。目前在Web上的信息抽取基本上是基于關(guān)鍵字或HTML樣式進(jìn)行判斷，找出含有該關(guān)鍵字或符合目標(biāo)樣式的結(jié)果集進(jìn)行計(jì)算、索引和排序。這些方法都是基于語(yǔ)法的模式匹配，在關(guān)鍵字或HTML樣式發(fā)生變化時(shí)，無(wú)法自適應(yīng)的更改搜索規(guī)則；另一方面，搜索引擎難以理解搜索項(xiàng)的語(yǔ)義及每個(gè)網(wǎng)頁(yè)中所包含信息的含義，它只能找出可能的相關(guān)信息，

2、最后依然需要人工篩選和處理。搜索引擎很難通過(guò)語(yǔ)義搜索Web信息，主要是因?yàn)閃eb上大多數(shù)信息是以人類用戶可讀和可理解的形式存在的。因此設(shè)計(jì)出正確有效的信息抽取方法，已成為解決上述問(wèn)題的關(guān)鍵。
　　對(duì)信息抽取方法研究，本文完成了如下工作：
　?、賹?duì)HTML文檔到XML文檔轉(zhuǎn)換方法作了對(duì)比分析，在轉(zhuǎn)換中引入了語(yǔ)義相似度計(jì)算，改進(jìn)了的基于鏈表的轉(zhuǎn)換方法，提高了文檔轉(zhuǎn)換的準(zhǔn)確率。
　　②針對(duì)信息提取中易出現(xiàn)的語(yǔ)義歧義問(wèn)題，利用